近日，山東省農(nóng)業(yè)科學(xué)院茶葉研究所與中茶所、浙理工在中科院1區(qū)Top期刊《Computers and Electronics in Agriculture》（IF=6.757）上合作發(fā)表了題為“A lightweight tea bud detection model based on Yolov5”的論文，系統(tǒng)報道了名優(yōu)茶芽葉智能精準(zhǔn)識別采摘技術(shù)研究。茶葉所董春旺研究員及其聯(lián)培碩士研究生桂志勇為該論文第一通訊作者和第一作者。文章鏈接：https://doi.org/10.1016/j.compag.2023.107636

 

　　茶芽檢測技術(shù)對于實(shí)現(xiàn)茶芽采摘的自動化和智能化具有重要意義。針對傳統(tǒng)圖像處理的方法識別茶芽精度低、計算量大、檢測模型尺寸大等問題，不利于檢測模型在移動終端的部署，提出一種基于深度學(xué)習(xí)算法Yolov5的輕量化茶芽檢測模型，大大減少了模型的參數(shù)和浮點(diǎn)運(yùn)算，有效且顯著地減少了模型的尺寸大小，同時確保了該模型對茶芽具有很高的檢測精度。通過深度學(xué)習(xí)技術(shù)對茶芽進(jìn)行識別的方法還存在檢測精度低、檢測速度慢、模型計算量大、模型尺寸大等問題。

 

　　本研究對深度學(xué)習(xí)模型Yolov5進(jìn)行分析，通過引入輕量級Ghost_conv卷積操作實(shí)現(xiàn)模型的輕量化，通過引入BAM注意力機(jī)制和多尺度加權(quán)特征融合提高模型檢精度，通過改進(jìn)模型預(yù)測框損失函數(shù)使模型在評估茶芽的預(yù)測損失更加準(zhǔn)確，從而提高模型檢測性能。 最終構(gòu)建了一種基于Yolov5的輕量化茶芽檢測模型。該模型的茶芽檢測幀率為29.509 FPS，精確率（P）達(dá)88.72%，召回率（R）達(dá)87.99%，平均準(zhǔn)確率（AP）為92.66%。此研究為茶芽檢測算法的優(yōu)化方向提供了新思路，在實(shí)驗(yàn)結(jié)果上表現(xiàn)良好，為采茶智能化的發(fā)展做出了貢獻(xiàn)。（撰寫：賈厚振  核稿：董春旺）