基于改进YOLOv5s模型的茶叶嫩芽识别方法王梦妮，顾寄南※，王化佳，胡甜甜，方新领，潘知瑶（江苏大学机械工程学院，镇江，212013）摘要：现有的目标检测算法检测茶叶嫩芽的精度较低，为提高茶叶嫩芽的检测精度，该研究提出一种基于改进YOLOv5s网络模型的茶叶嫩芽检测算法。该算法将骨干特征提取网络中的空间金字塔池化结构（spatialpyramidpooling-fast，SPPF）替换为空洞空间卷积池化金字塔结构（atrousspatialpyramidpooling，ASPP），增强模型对不同分辨率下目标的识别能力；针对茶叶嫩芽的小目标特征，在颈部网络中引入可加权重的双向特征金字塔网络（bidirectionalfeaturepyramidnetwork，BiFPN），提高特征融合的效率，同时在颈部网络中的每个集中综合卷积模块（concentrated-comprehensiveconvolutionblock，C3）后添加卷积注意力模块（convolutionalblockattentionmodule，CBAM）来提高模型关注小目标特征的能力。试验结果表明，改进后获得的Tea-YOLOv5s比原模型的准确率（precision，P）、召回率（recall，R）和平均精度值（meanaverageprecision，mAP）分别高出4.4、0.5和4.0个百分点，且模型鲁棒性强，在多个场景下茶叶嫩芽的检测中具有更高的置信度分数。改进后的模型可为茶叶的产量估计和茶叶采摘机器人的嫩芽识别奠定基础。关键词：深度学习；识别；YOLOv5s；茶叶嫩芽；目标检测doi：10.11975/j.issn.1002-6819.202303099中图分类号：S21文献标志码：A文章编号：1002-6819(2023)-12-0150-08王梦妮，顾寄南，王化佳，等.基于改进YOLOv5s模型的茶叶嫩芽识别方法[J].农业工程学报，2023，39（12）：150-157.doi:10.11975/j.issn.1002-6819.202303099http://www.tcsae.orgWANGMengni,GUJinan,WANGHuajia,etal.MethodforidentifyingteabudsbasedonimprovedYOLOv5smodel[J].TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2023,39(12):150-157.(inChinesewithEnglishabstract)doi:10.11975/j.issn.1002-6819.202303099http://www.tcsae.org0引言作为全球最大的茶叶生产和消费国，中国的人均年消费量已超过1500g[1]。茶产业属于季节性劳动密集型产业，其中人工采摘环节占整个茶园管理用工的60%左右[2]。人工采摘不但效率低还占用大量农时，人工成本高；市面上的传统采茶机效率高但仍处于嫩芽与老叶同时“一刀切”的水平，这种“无差别采摘”方式极可能造成茶嫩芽的损坏，采摘的茶叶完整度低、质量差，...
