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(bào)道了名優(yōu)茶芽葉智能精準(zhǔn)識(shí)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(cè)技術(shù)對(duì)于實(shí)現(xiàn)茶芽采摘的自動(dòng)化和智能化具有重要意義。針對(duì)傳統(tǒng)圖像處理的方法識(shí)別茶芽精度低、計(jì)算量大、檢測(cè)模型尺寸大等問題，不利于檢測(cè)模型在移動(dòng)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(cè)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(shí)確保了該模型對(duì)茶芽具有很高的檢測(cè)精度。通過深度學(xué)習(xí)技術(shù)對(duì)茶芽進(jìn)行識(shí)別的方法還存在檢測(cè)精度低、檢測(cè)速度慢、模型計(jì)算量大、模型尺寸大等問題。

 

　　本研究對(duì)深度學(xué)習(xí)模型Yolov5進(jìn)行分析，通過引入輕量級(jí)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(cè)框損失函數(shù)使模型在評(píng)估茶芽的預(yù)測(cè)損失更加準(zhǔn)確，從而提高模型檢測(cè)性能。 最終構(gòu)建了一種基于Yolov5的輕量化茶芽檢測(cè)模型。該模型的茶芽檢測(cè)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(cè)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）