1、 实 验 技 术 与 管 理 第 40 卷 第 10 期 2023 年 10 月 Experimental Technology and Management Vol.40 No.10 Oct.2023 收稿日期:2023-05-30 基金项目:天津市科技军民融合重大项目(18ZXJMTG00160);黑龙江农业经济职业学院自然科学类科研项目(NJKY2021015)作者简介:高云茜(1985),女,黑龙江牡丹江,博士研究生,主要研究方向为机械设计制造教育,。通信作者:邓三鹏(1978),男,湖北襄阳,博士,教授,主要研究方向为智能机器人技术及应用,。引文格式:高云茜,邓三鹏.基于 YOLOv
2、5-en 算法的草莓采摘机器人目标检测技术J.实验技术与管理,2023,40(10):178-183.Cite this article:GAO Y Q,DENG S P.Target detection technology of strawberry picking robot based on YOLOv5-enJ.Experimental Technology and Management,2023,40(10):178-183.(in Chinese)ISSN 1002-4956 CN11-2034/T DOI:10.16791/ki.sjg.2023.10.027 基于 YOLOv
3、5-en 算法的草莓采摘 机器人目标检测技术 高云茜1,2,邓三鹏1(1.天津职业技术师范大学 机器人及智能装备研究院,天津 300222;2.黑龙江农业经济职业学院 机电工程学院,黑龙江 牡丹江 157041)摘 要:为实现草莓采摘机器人在温室中对草莓的快速、精确检测,该文提出一种 YOLOv5-en 算法。在原有YOLOv5 基础上,首先对原始主干进行网络卷积操作并加入 CBAM 模块;其次,引入 BiFPN 模块进行多尺度特征融合;然后,使用直方图均化算法和 Mosaic 数据增强进行目标检测数据预处理;最后,优化 K-means 算法对训练数据集聚类分析,同时使用 Focal loss
4、 损失函数构建 YOLOv5-en 目标检测网络。通过对比试验得出:与YOLOv5、Faster-RCNN ResNet101 和 Faster-RCNN VGG16 模型相比,YOLOv5-en 的 mAP 分别提升了 3.41%、17.85%和 14.40%,可达 94.36%。通过采摘机器人模拟环境检测验证了该模型的可行性,且达到了应用水平,可为采摘机器人实时小目标检测提供支撑。关键词:YOLOv5-en;CBAM;BiFPN;采摘机器人 中图分类号:TP242.6 文献标识码:A 文章编号:1002-4956(2023)10-0178-06 Target detection techn
5、ology of strawberry picking robot based on YOLOv5-en GAO Yunqian1,2,DENG Sanpeng1(1.Robotics and Intelligent Equipment Research Institute,Tianjin Vocational and Technical Normal University,Tianjin 300222,China;2.School of Mechanical and Electrical Engineering,Heilongjiang Agricultural Economics Voca
6、tional College,Mudanjiang 157041,China)Abstract:In order to realize quick and accurate detection of strawberries by strawberry harvesting robot in greenhouse environment,this paper proposes an improved YOLOv5(YOLOv5-en)algorithm.Based on the original YOLOv5,CBAM module is added after convoluting the
7、 original backbone network.Secondly,BiFPN module is introduced for multi-scale feature fusion.Then,using histogram equalization algorithm combined with Mosaic data to enhance data pre-processing.Finally,optimized K-means algorithm for clustering analysis of training set and Focal loss function const
8、ructed YOLOv5-en target detection network.Through comparative tests,we found that compared with YOLOv5,Faster-RCNN ResNet10 and Faster-RCNN VGG16 models,YOLOv5-en enhances mAP by 3.41%,17.85%,14.40%,reaching 94.36%.The feasibility of the model is verified by the simulation environment detection of t
9、he picking robot,and the application level is reached and can provide support for real-time small target detection of harvesting robot.Key words:YOLOv5-en;CBAM;BiFPN;picking robot 高云茜,等:基于 YOLOv5-en 算法的草莓采摘机器人目标检测技术 179 目前农业采摘机器人主要基于果蔬的色彩、外表纹理和果实形态等特征进行目标识别1-2。对于无遮挡的单一果实或形态较好的相邻果实,采摘机器人的视觉系统识别效果较好。然
10、而,一旦目标的形态不规则、部分被枝叶遮挡或果实较小,识别效率和准确率便会降低。文献3以 YOLOv4 为原始网络,引入多尺度注意力机制,获得了优质的视野,并在一定程度上提升了目标检测精度,同时通过轻量化设计将检测速度提升至 38 f/s。然而,该方法未对数据集图片进行数据增强处理,剪枝力度和小目标的拾取能力仍有待提升。文献4首先通过 K-means 聚类将含有花朵的图像分割成 4 类图像,其中至少带有一个检测目标(猕猴桃花蕊图像);然后对 4 类图像进行卷积神经网络训练来检测所需要地目标图像;最后,对图像去噪处理并计算余下各个区域形心,确定目标位置以完成猕猴桃花朵的检测。文献5提出在采摘过程中
11、使用深度学习方法和 VGG16 卷积网络提取数据集中的采集目标,并利用 RPN 对检测目标进行锚框定位,使采摘准确率达到 97.5%。文献6在对经济林木虫害目标检测的过程中,改进了 YOLOv5 模型的网络架构,并对图像进行数据扩增处理,将平均精度均值提升至 92.3%。深度卷积神经网络(DCNN)在数据集图像目标检测方面具有优势7,其目标检测模型可划分为两大类:第一类基于框格生成的检测方法,特点是目标选取过程包括两个阶段,第一阶段通过算法选取目标框,第二阶段对框取的目标进行分类处理,RCNN8、Fast RCNN9和 Faster RCNN10等网络模型均属于此类检测方法。该目标检测模型的特
12、点是错误识别率较低,但在实际应用中,目标检测速度较慢,难以满足采摘机器人的实时检测需求11。第二类基于回归的单一阶段目标检测模型,该类模型同步完成目标定位和预测目标分类,YOLO系列网络属于此类目标检测模型12。第二类目标检测模型识别速度快,可以满足采摘机器人对目标检测的实时性要求,而且准确率能达到第一类方法的水平,甚至在 YOLOv5 模型中准确率会更高13。本文首先对比了 one-step 目标检测模型 YOLOv5和 two-step 目标检测模型 Faster-RCNN,发现 YOLOv5的检测精度和召回率优于 Faster-RCNN;YOLOv5 在目标检测模型中性能表现较好,且对应
13、用场景有较强的兼容性,并且在目标定位的同时可以高效地完成目标分类14。基于此,YOLOv5 可作为草莓采摘机器人目标检测的基本模型。然而,在目标检测过程中,YOLOv5 会出现无法检测到目标的问题,无法准确检测边缘位置尺寸较小或形态不规则的草莓。因此本文拟通过改进 YOLOv5 网络结构,增强对目标的捕捉能力,从而提升对不规则形态和较小目标的检测性能。1 YOLOv5 算法改进 1.1 YOLOv5 算法 YOLOv515目前共有4种网络模型结构:YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。YOLOv5 网络结构又分为 Input、Backbone、Neck、Output
14、4 个部分:输入端的 Input 模块会对输入的图像预处理,包括使用 Mosaic 改变原图像的物理特征,如反转和曝光等方式进行数据增强,自适应数据集的锚框大小,以及按要求缩放和归一化等。在 Backbone 中添加了Focus 结构和 CSP 结构,Focus 是 YOLOv5 算法中一种特殊的卷积结构,其目的是将输入图像的低分辨率特征进行聚合,得到更高分辨率的特征表示。具体来说,Focus 结构是先切割输入特征图,再将切割后的小块进行堆叠,合并原始特征图的低分辨率部分,从而得到一个更高分辨率的特征图。CSP 结构又分为CSP1_X 架构和 CSP2_X 架构,可获得更加丰富的特征图16。N
15、eck 包含了 PANet 和 SPP 结构。PANet是一种多尺寸特征融合算法17,第一步是 Bottom-up Path,类似于传统的特征提取过程,输入图像经过卷积池化等操作,得到不同尺度的差异化特征图,但该特征图之间的信息并没有被充分利用。第二步是Top-down Path。在这一步中,PANet 引入了一个特殊的特征金字塔结构,将底层特征图和顶层特征图连接,实现多尺度特征的融合,从而充分融合了不同层的图像特征18。SPP 结构为空间金字塔池化,将最大池化操作的图像进行拼接,提高了特征利用效率并减少了网络参数。Output 输出层使用交叉熵损耗函数作为损失函数,减小了预测框与真实框不重合
16、的概率。1.2 YOLOv5 的改进 1.2.1 加权双向特征金字塔网络 YOLOv5 对特征图进行特征融合的过程依赖于网络结构中的 FPN+PAN 模块。然而,FPN 在高层特征图中可能出现语义信息丢失的问题,而 PAN 在对特征图进行多次融合操作时,会保留较多低层次的特征信息,无法充分利用不同尺度间的有效特征,从而影响了目标检测算法的准确性。由于草莓在温室中受枝干遮挡较多,仅有部分训练形态能被识别到,因此原有的特征融合技术存在训练图像的草莓果实特征与真实场景下草莓特征共性不足的问题。为解决这一问题,本文在特征融合部分采用 BiFPN(bidirectional feature pyrami
17、d network)结构改进了 Neck 网络结构。BiFPN 使用可学习的特征融合操作,不同层次的特征图可以相互调节,提高目标检测性能。BiFPN 由多层级特征图上的自适应特征选择模块和自适应特征180 实 验 技 术 与 管 理 融合模块组成。自适应特征选择模块使用注意力机制选择较重要的特征,并将其输出给自适应特征融合模块。自适应特征选择模块首先通过小的卷积核减少维度,然后使用渐进式的注意力机制从较广泛的信息中选择特征。这样能够自适应地选择最佳特征,减少计算复杂度。与传统的金字塔结构相比,BiFPN 具有显著提升模型性能、鲁棒性和运行速度的优势。1.2.2 CBAM 注意力机制 CBAM
18、是一种用于卷积神经网络(CNN)的注意力机制,旨在提高 CNN 模型的性能。CBAM 包括两个关键的子模块:通道注意力和空间注意力(图 1)。通道注意力通过加权平均池化处理每个通道的特征图,将得到的向量经过两个全连接层得到一个Sigmoid激活函数的权重向量,再将此权重向量分别乘以输入的原始特征图和残差的特征图,以实现对不同通道的注意力加权。空间注意力通过加权平均池化处理每个像素点的特征,将得到的向量经过两个全连接层得到一个权重向量,再将这个权重向量和原始特征图做一个乘法操作得到加权特征图。CBAM 注意力机制通过通道和空间之间的关联性来提高模型的性能。该机制已经在一些大规模的图像分类任务中取
19、得了良好的表现。注:表示元素乘法。图 1 CBAM 注意力模块结构图 1.2.3 锚框参数优化 YOLO 模型是通过微调先验锚框的机制预测目标边框,预先给定的先验锚框尺寸直接影响模型的收敛速度和精度。在原始 YOLO 模型中,先验锚框的宽高尺寸是通过拟合 Pascal VOC 数据集中 20 种目标尺寸得到的 9 个先验框,宽和高分别为(10,13)(16,30)(33,23)(30,61)(62,45)(59,119)(116,90)(156,198)(373,326),这 20 种目标的大小差距很大,不适用于本文的草莓(目标较小)数据集19。K-means 算法可以提供多个初始聚类中心点,
20、并根据距离样本最近的中心点重新分配样本,再重新计算聚类中心点,通过迭代上述过程,直到中心点不再变化为止。可以看出 K-means 非常适合聚类 YOLO 模型中的先验锚框。然而 K-means 算法的距离度量公式采用欧几里德距离,该距离不适合度量锚框的拟合程度,因此采用K-means+将该距离公式改为 IOU(intersection over union):(box,centor)=1IOU(box,centor)d?(1)式中,box为待检测对象的标注框;centor为聚类中心点的边框;d 为对象之间的距离,值越小代表检测对象的标注框与聚类中心点边框的吻合度越高;IOU(box,cento
21、r)为待检测对象的标注框与聚类中心点边框的交并比,用以描述两个框之间的重合度。用 K-means+算法聚类得到 9 个先验框的本分布如图 2 所示,锚框宽高分别为(17,21)(37,38)(55,66)(90,71)(73,107)(146,109)(110,159)(187,225)(457,445),这些点簇表示此数据集中 9 个不同宽高尺寸范围的检测目标的均值。图 2 数据集样本经过聚类后得到的分布图 1.2.4 Focal loss 损失函数 由于草莓采集到的背景信息比较杂乱,为减小背景和背景不均衡对检测结果的影响,使用 Focal loss损失函数代替交叉熵损耗函数20。基于交叉熵
22、损耗函数改进了 Focal loss 损失函数,交叉熵损耗函数L为 ln1ln(1)ln(1)ln(1)0 x,xLxxxxx,x?=?=?=(2)式中,x为采样类的真数值;x为激活函数所得结果,01x()。可以看出,x代表了对未来目标的概率预测,对于前景目标,其预测概率愈低,损失愈大。然而,在背景目标的情况下,该方法的迭代速度较慢,且无法达到最优。Focal loss 损失函数(flL)通过增加一个0 的因子,大幅减小了目标损失,整个模型更加关注容易被错误区分的检测目标,减少了周围环境不均衡对检测结果的影响21。fl(1)ln,1 ln(1),0 xx xLxxx?=|=?=|(3)高云茜,
23、等:基于 YOLOv5-en 算法的草莓采摘机器人目标检测技术 181 2 数据集构建与评价指标 2.1 图像采集与训练策略 图像采集地点为黑龙江农业经济职业学院智慧农业实训基地草莓采摘园,采集设备为 HUAWEI-YAL-AL10 相机,原始图片宽度为 4 000 像素、高度为 3 000 像素,采集时间为下午,为增加采集样本的多样性,采集过程中采用了近景远景、多角度、不同遮挡程度、单果实取景,多果实取景,不同成熟度果实取景、顺光逆光等方式,最终拍摄草莓照片 1 328幅。使用直方图均化联合 Mosaic 数据集增广方法对数据预处理。应用 Labelimg 目标标定采集的原始草莓图片,并生成
24、了包含必要图像信息的 xml 文件,包括图像名称、图像大小、检测目标草莓在整个图像中的位置信息等。为了得到性能优良的神经网络模型,通常需要大量数据的支持,然而由于数据采集需要大量的人力和时间,数据增强已成为必然趋势,以解决数据量不足导致的过拟合问题。在 YOLOv5 中,除了使用最基本的 Mosaic 数据增强方法,还通过一系列变换操作(如随机裁剪、随机旋转、随机缩放、随机多角度翻转、随机加噪声等方式)对原始数据处理并生成新的数据集,增加训练样本的多样性和数量。本文选取 4 张图片进行拼接后投入训练,提高模型的鲁棒性和泛化能力,在这个过程中需要特别注意不改变样本的标签,否则可能会影响模型的训练
25、效果。此外,数据集中有的图像存在过曝和亮度不足等问题,导致同样的目标具有不同的特征信息,增加了模型的检测难度。为了消除光照强度对图像质量的影响,本文采用了直方图均衡化算法,通过一种映射关系将图像的像素值均匀分布到 0255 的区间内,达到优化图像质量的目的。2.2 实验环境 草莓采摘机器人系统以睿尔曼 RM65 协作机器人 为基础,机械臂可到达采摘范围的任意位置;末端执行机构采用柔性爪机械手柔触套件包,用于抓取目标果实;行走系统使用 AGV 移动机器人。将训练好的模型部署在 Jetson TX2 开发板上,机器人柔性采摘手臂前端固定了一台摄像头(图漾科技 PM801 摄像头)采集所需数据。随后
26、将采集到的数据传送到 Jetson TX2 开发板中处理,Jetson TX2 开发板可以实时检测目标并捕捉、分析图像中是否含有草莓。目标检测结果通过串口发送给终端 STM32,从而实现 STM32 对采摘机器人的控制,完成草莓采摘操作。2.3 评价指标 本文实验使用深度学习中的评价指标,包括召回率(R)、精确度(P)、精确度和召回率的调和平均值F1、平均精度均值(mAP)以及每秒传输帧数(FPS)作为对草莓采摘机器人目标检测的评价指标。TP100%TPFNR=+(4)TP100%TP+FPP=(5)12100%PRFPR=+(6)11mAPAP()100%MkkM=(7)式中,TP 为草莓被
27、检为草莓样本数量;FN 为非草莓被检为非草莓样本数量;FP 为非草莓被检为草莓样本数量;AP 为平均精度;M 为被检测样本数量。3 检测效果对比 3.1 数据增广检测结果对比 在 YOLOv5 原始模型和改进后的 YOLOv5-en 模型中,比较了在 IOU0.5 的前提下,不采用直方图均化算法联合 Mosaic 数据增强和预处理时草莓目标检测结果,以及采用数据增强和预处理草莓目标检测结果(表 1),表中 N 代表未采用数据增强和预处理草莓目标,Y 代表采用数据增强和预处理草莓目标。表 1 数据增强和预处理草莓目标检测结果 P/%R/%F1/%mAP/%FPS/(fs1)模型 N Y N Y
28、N Y N Y N Y YOLOv5 91.91 92.91 75.51 76.81 82.91 84.10 91.62 92.95 46 46 YOLOv5-en 92.24 94.35 77.08 80.19 83.98 86.70 92.86 94.36 47 47 通过表 1 可以得出以下结论:使用直方图均化算法联合 Mosaic 数据增强和预处理后,YOLOv5 和YOLOv5-en 两种检测方法在草莓目标检测中均有一定的性能提升。在YOLOv5原始模型中,P提升1.00%,R 提升 1.30%,F1提升 1.19%,mAP 提升 1.33%,目标检测速度无变化。在 YOLOv5-e
29、n 中,P 提升 2.11%,R 提升 3.11%,F1提升 2.72%,mAP 提升 1.50%,目标检测速度也几乎无变化。因此,本文在接下来的对比实验中,使用数据增强和预处理后的数据集进行检测对比。3.2 消融实验 消融实验指对变量进行控制,通过增减模块来确182 实 验 技 术 与 管 理 定模块的必要性。在原始 YOLOv5 模型基础上,本文提出 6 种改进模型并进行消融实验:模型 1、2、3、4分别对原始模型增加 CBAM 模块、BiFPN 模块、修改框锚、修改损失函数,在此过程中均为单一模块的增加,其他模块无变化;模型 5 为增加 CBAM 和 BiFPN模块;模型 6 为增加 C
30、BAM、BiFPN 和修改框锚 3 个模块;YOLOv5-en 为增加 CBAM 模块、BiFPN 模块、修改框锚、修改损失函数 4 个模块。对这 6 种改进模型和 YOLOv5-en 进行了性能对比,消融实验结果对比见表 2:与 YOLOv5 相比,模型 1 的 mAP 增加了1.23%,模型 2 的 mAP 增加了 1.51%,模型 5 的 mAP增加了 2.57%,模型 6 的 mAP 增加了 3.01%;YOLOv5-en 的 mAP 增加了 3.41%;与 YOLOv5 相比,YOLOv5-en 的 F1提升了 4.14%。在 FPS 值对比方面,由于 YOLOv5 结构的复杂化,导
31、致 FPS 有所下降,但仍大于 35 f/s,满足采摘机器人的要求。表 2 消融实验结果对比表 模型 CBAM BiFPN 修改框锚 修改损失函数P/%R/%F1/%mAP/%FPS/(fs1)YOLOv5 90.61 76.81 83.14 90.95 46 模型 1 92.02 76.11 83.31 92.18 45 模型 2 92.35 76.35 83.59 92.46 40 模型 3 90.95 76.47 83.08 91.13 46 模型 4 90.89 77.23 83.51 91.02 46 模型 5 93.44 78.47 85.30 93.52 39 模型 6 93.9
32、5 80.20 86.53 93.96 39 YOLOv5-en 94.35 81.19 87.28 94.36 39 3.3 对比实验 将改进后的 YOLOv5-en 方法与 YOLOv5、Faster-RCNN VGG16 和 Faster-RCNN ResNet101 等目标检测网络方法进行对比。其中,Faster-RCNN VGG16 为在Faster-RCNN 加入了原始特征提取网络 VGG16,Faster-RCNN ResNet101 为在 Faster-RCNN 中引入了残差的 ResNet101 特征提取网络22。本文训练了不同的网络监测模型,为了确保对比实验的公平性,所有实
33、验均在相同参数下进行,参数配置如表 3 所示。表 3 参数配置 迭代次数 批处理图像个数 初始学习率 动量 衰减系数350 4 0.01 0.937 0.000 5 YOLOv5-en 在训练 50 轮时损失函数下降趋势明显,在训练 350 轮时趋于稳定状态,实验对比结果如表 4 所示。YOLOV5-en 与 Faster-RCNN VGG16、Faster-RCNNResNet101 及 YOLOv5 相比,YOLOv5-en 的 P分别提高了 27.60%、17.10%、3.74%,R 提高了 4.70%、6.09%、4.38%,mAP 提高了 17.85%、14.4%、3.41%,虽然
34、FPS 有所下降,但符合采摘机器人要求。表 4 实验对比结果 模型 P/%R/%F1/%mAP/%FPS/(fs1)Faster-RCNN VGG16 68.75 76.49 72.41 76.51 12 Faster-RCNN ResNet101 77.25 75.10 76.16 79.96 7 YOLOv5 90.61 76.81 83.14 90.95 46 YOLOV5-en 94.35 81.19 87.28 94.36 39 3.4 结果与讨论 3.4.1 结果分析(1)在采摘机器人的目标检测过程中,对于草莓类的小目标,采用 YOLOv5 模型要明显优于 Faster-RCNN
35、ResNet101 和 Faster-RCNN VGG16 模型,其在P、R、F1、mAP 方面均有所提升,尤其是检测速度提升明显。因此,YOLOv5 更适用于采摘机器人这种实时检测的装置,故采用 YOLOv5 作为 YOLOv5-en 的原始模型。(2)增加 CBAM 模块和 BiFPN 模块可以显著提升目标检测精度。在使用直方图均化算法联合 Mosaic数据增强和预处理后,不同检测方法的目标检测精度都得到了优化,证明了数据增强的有效性。此外,采用初始聚类中心点,把每个样本分配给距离其最近的中心点,并重新计算聚类中心点的框锚计算方式,可增强特征提取能力。使用 Focal loss 损失函数代
36、替交叉熵损耗函数的方法,可减小周围环境对目标检测结果的影响。(3)改进的 YOLOv5-en 方法对草莓这种小目标的检测的 mAP 可达到 94.36%,高于原有 YOLOv5 模型,YOLOv5-en 更适用于草莓采摘机器人目标检测。3.4.2 讨论 与其他目标检测方法(如 Faster R-CNN、SSD、RetinaNet 等)相比,YOLOv5 的网络结构具有更高的计算效率和准确率,因此以 YOLOv5 作为 YOLOv5-en原始模型。在数据集上,YOLOv5-en 相较于 YOLOv5在 mAP 上有了显著提升,能够较好地平衡精度和速 高云茜,等:基于 YOLOv5-en 算法的草
37、莓采摘机器人目标检测技术 183 度之间的关系。此外,YOLOv5-en 还具有更好的可扩展性,用户可通过添加插件来扩展模型的功能,使其适用于更多的场景。然而,改进后的 YOLOv5-en 也存在局限,例如对小目标的检测效果无法全覆盖,对于高密度物体的检测表现不佳,改进模型的过程增加了训练的难度和计算量,导致目标检测速度略有下降。在 YOLOv5 中增加 CBAM、BiFPN 等模块,可以优化 YOLOv5 算法的性能。CBAM 可以自适应地学习图像特征之间的相关性。通过引入注意力机制,CBAM可以提高检测的精度,减少漏检和误检。BiFPN 可以在多个尺度上特征融合,提高图像特征的表征能力,并
38、从不同的尺度和分辨率的特征图中获取信息,提高检测的精度和速度。同时,通过直方图均化算法联合Mosaic 数据增强和更换损失函数等方法,可以减小周围环境对精度的干扰,从而提高 mAP 值。然而,引入这些模块会增加模型的计算和内存消耗,需要进行额外的调整和训练,模型复杂度的增加会在一定程度上降低模型的速度和存储效率。4 结语 通过使用改进后的 YOLOv5-en 模型,草莓采摘机器人在采摘过程中的目标检测效率大幅提高,尽管速率略受影响,机器人能够在行进过程中完成目标识别,满足采摘机器人要求。目标检测技术较为先进,但在一些复杂场景下,准确率仍有待提升。未来的目标检测技术将致力于更准确地检测各种物体,
39、算法的效率和检测速度均有所提高。参考文献(References)1 张艳,张明路,吕晓玲,等.深度学习小目标检测算法研究综述J.计算机工程与应用,2022,58(15):117.ZHANG Y,ZHANG M L,L X L,et al.Review of deep learning small target detection algorithmsJ.Computer Engineering and Applications,2022,58(15):117.(in Chinese)2 郭磊,王邱龙,薛伟,等.基于改进 YOLOv5 的小目标改进算法J.电子科技大学学报,2022,51(2):
40、251258.GUO L,WANG Q L,XUE W,et al.Small target improvement algorithm based on improved YOLOv5J.Journal of University of Electronic Science and Technology of China,2022,51(2):251258.(in Chinese)3 朱威,王立凯,靳作宝,等.引入注意力机制的轻量级小目标检测网络J.光学精密工程,2022,30(8):9981010.ZHU W,WANG L K,JIN Z B,et al.Lightweight small
41、 target detection network introducing attention mechanismJ.Optics and Precision Engineering,2022,30(8):9981010.(in Chinese)4 刘浩洲,陈礼鹏,穆龙涛,等.基于 K-means 聚类的猕猴桃花朵识别方法J.农机化研究,2020,42(2):2226.LIU H Z,CHEN L P,MU L T,et al.Kiwifruit flower identification method based on K-means clusteringJ.Journal of Agric
42、ultural Mechanization Research,2020,42(2):2226.(in Chinese)5 王芳,崔丹丹,李林.基于深度学习的采摘机器人目标识别定位算法J.电子测量技术,2021,44(20):162167.WANG F,CUI D D,LI L.Target recognition and positioning algorithm of picking robot based on deep learningJ.Electronic Measurement Technology,2021,44(20):162167.(in Chinese)6 何颖,陈丁号,彭
43、琳.基于改进 YOLOv5 模型的经济林木虫害目标检测算法研究J.中国农机化学报,2022,43(4):106115.HE Y,CHEN D H,PENG L.Research on target detection algorithm of economic forest insect pest based on improved YOLOv5 modelJ.Chinese Journal of Agricultural Mechanization,2022,43(4):106115.(in Chinese)7 刘芳,刘玉坤,林森,等.基于改进型 YOLO 的复杂环境下番茄果实快速识别方法J
44、.农业机械学报,2020,51(6):229237.LIU F,LIU Y K,LIN S,et al.Rapid identification method of tomato fruit in complex environment based on improved YOLOJ.Transactions of the Chinese Society for Agricultural Machinery,2020,51(6):229237.(in Chinese)8 李殷昊,李莹,王凯彬,等.基于改进 Faster-RCNN 的烟标缺陷检测J.软件导刊,2023,22(3):179183.
45、LI Y H,LI Y,WANG K B,et al.Cigarette label defect detection based on improved Faster-RCNNJ.Software Guide,2023,22(3):179183.(in Chinese)9 孙顺远,杨镇.基于改进 Faster RCNN 的目标检测算法J.计算机与数字工程,2022,50(12):26542659.SUN S Y,YANG Z.Object detection algorithm based on improved Faster RCNNJ.Computer and Digital Engin
46、eering,2022,50(12):26542659.(in Chinese)10 宋梦媛.基于改进 Faster RCNN 的多尺度人脸检测网络研究J.自动化仪表,2022,43(11):3943,48.SONG M Y.Research on multi-scale face detection network based on improved Faster RCNNJ.Automation Instrumentation,2022,43(11):3943,48.(in Chinese)11 邵延华,张铎,楚红雨,等.基于深度学习的 YOLO 目标检测综述J.电子与信息学报,2022,
47、44(10):36973708.SHAO Y H,ZHANG D,CHU H Y,et al.Review of YOLO object detection based on deep learningJ.Journal of Electronics&Information Technology,2022,44(10):36973708.(in Chinese)12 张宏鸣,付振宇,韩文霆,等.基于改进 YOLO 的玉米幼苗株数获取方法J.农业机械学报,2021,52(4):221229.ZHANG H M,FU Z Y,HAN W T,et al.Acquisition method of
48、maize seedling number based on improved YOLOJ.Transactions of the Chinese Society for Agricultural Machinery,2021,52(4):221229.(in Chinese)13 段仲静,李少波,胡建军,等.深度学习目标检测方法及其主流框架综述J.激光与光电子学进展,2020,57(12):5974.DUAN Z J,LI S B,HU J J,et al.Review of deep learning object detection methods and their mainstrea
49、m frameworksJ.Laser&Optoelectronics Progress,2020,57(12):5974.(in Chinese)(下转第 216 页)216 实 验 技 术 与 管 理 Journal of Hydrogen Energy,2021,46(2):28042823.7 XIAO J,TRAVIS J R,KUZNETSOV M.Numerical investigations of heat losses to confinement structures from hydrogen-air turbulent flames in ENACCEF facili
50、tyJ/OL.International Journal of Hydrogen Energy,2015,40(38):1310613120.8 LEI B,WEI Q,PANG R,et al.The effect of hydrogen addition on methane/air explosion characteristics in a 20-L spherical deviceJ/OL.Fuel,2023(338):127351.9 LEI B,XIAO J,KUZNETSOV M,et al.Effects of heat transfer mechanism on metha