基于YOLOv5 的果園果樹樹干識別研究

重慶三峽學院機械工程學院 唐躍明

前言

果業(yè)是我國重要的農(nóng)業(yè)種植產(chǎn)業(yè)，其種植面積及產(chǎn)量穩(wěn)居世界首位，在農(nóng)業(yè)中占有重要地位。目前，在果園生產(chǎn)管理過程中主要實現(xiàn)方式依然是人工，存在費時費力且效率低等缺點，因此迫切需要相應的果園機器人實現(xiàn)效率與速度的提升[1]。樹干是果園中重要的特征之一，實現(xiàn)機器人對樹干準確識別對于果園機器人尤為重要。

近年來，基于傳統(tǒng)圖像處理或深度學習方法的樹干識別研究越來越多，推動了相關產(chǎn)業(yè)的發(fā)展[2-3]。顧寶興等[4]把采集到的圖像輸入到改進的YOLOv3 模型中實現(xiàn)了果樹樹干的識別與定位。劉慧等[5]利用深度相機采集樹干圖像，利用超像素算法對圖像進行分割，融合深度與紋理相近的超像素塊，對深度圖像進行寬度檢測并保留一定閾值內的超像素塊，最后進行色調匹配以判斷是否為樹干。

上述方法雖然能識別出樹干，但是在速度以及精度上仍有待提高。為了實現(xiàn)更準更快識別果樹樹干，本文以YOLOv5 為基線進行改進，提出一種又快又準的樹干檢測模型——YOLOv5-SR。

1 YOLOv5 檢測模型

當前常見深度學習的目標檢測模型大概分為one-stage 和two-stage 兩種。two-stage 模型將識別分為兩個階段，第一階段生成候選的對象區(qū)域，第二階段對這些候選區(qū)域進行分類和邊界框回歸，這類模型一般有R-CNN、Fast-RCNN、Faster R-CNN 等。one-stage 模型將目標檢測問題視為單一的回歸問題，直接輸出目標的類別和位置信息，這類模型一般有SSD 算法、YOLO 等。本文考慮到場景對實時性的要求，選擇one-stage 類的YOLOv5 模型，此模型具備高準確率的同時還保持著高速檢測。

YOLOv5 網(wǎng)絡結構主要由Backbone、Neck 和Head三部分組成。其中Backbone 是通過卷積層、池化層等提取從輸入圖像中的特征；Neck 是連接Backbone 與Head 的模塊，主要作用是在Backbone 提取的特征基礎上，獲取更高級的語義信息和適應不同尺度圖像的能力；Head 則可實現(xiàn)把不同尺度的特征進行融合和轉換，捕捉更高層的語義信息和上下文關系，并實現(xiàn)最終的目標分類和邊界框回歸。

2 YOLOv5 網(wǎng)絡模型的改進

在本文中，模型的精度和速度都十分重要，速度的不足可能會導致延遲響應，精度的不足則可能導致錯誤的操作。為了實現(xiàn)果園機器人在復雜的工作環(huán)境中的高效準確運行，本文對YOLOv5 進行優(yōu)化，優(yōu)化后的模型不僅能提升精確度還能提升速度。

改進的YOLOv5 結構如圖1 所示。本文在YOLOv5模型的Backbone 中引入輕量級的RepVGG 模塊，不僅增強了模型的特征提取能力，還能降低模型在推理時所需的計算量，從而加快了模型的速度。我們在SPPF模塊后面引入了SimAM注意力機制，在不增加額外參數(shù)量的情況下，進一步加強模型對特征的提取，提升檢測精度。

圖1 改進模型網(wǎng)絡結構圖

2.1 RepVGG

本文向YOLOv5 模型中引入RepVGG 模塊，以RepVGG 模塊替代Backbone 中的部分C3 模塊，旨在通過這一改進，在維持檢測精度的前提下，顯著提升模型的檢測速度。

RepVGG 網(wǎng)絡結構是由DING Xianhan 提出的一種輕量高效的卷積網(wǎng)絡結構，其結構重參數(shù)化實現(xiàn)了訓練和推理的解耦，即在訓練期間利用多分支的結構以增強表征能力，而在推理期間將這些分支合并成一個等效的單一卷積層，加快了推理速度。

RepVGG 訓練和推理結構如圖2 所示，在訓練時為每一個3x3 卷積層添加平行的1x1 卷積分支和恒等映射分支構成一個RepVGG Block，而訓練完成之后將模型等價轉換成類似vgg 網(wǎng)絡的單路網(wǎng)絡以實現(xiàn)加快推理速度[6]。這在一定程度上提高了模型精度與模型推理速度。

圖2 RepVGG 訓練圖及推理圖

2.2 SimAM 注意力機制

SimAM注意力機制是Lingxiao Yang 等提出的一種簡單有效的注意力模塊。SimAM注意力機制與現(xiàn)有的通道、空域注意力機制不同，該注意力機制在沒有引入?yún)?shù)的情況下更加注重三維特征權重，可以實現(xiàn)更加全面、高效的平衡特征重要性[7]。

為了模型更具有全局視野，更深入地理解整個圖像場景，從而獲取更豐富的全局上下文信息，本文將SimAM注意力機制放置于Backbone 中的SPPF 模塊之后。此舉旨在充分利用SPPF 模塊提取的多尺度空間特征，通過SimAM 的注意力機制進行優(yōu)化，從而實現(xiàn)特征提取階段更加聚焦于有助于檢測任務的信息，提升模型對目標的判別和定位能力，進而提高整體的檢測性能。

3 實驗結果與分析

3.1 實驗環(huán)境

本文實驗使用臺式計算機，運行環(huán)境為Ubuntu 22.04.3 LTS，CPU 型號為Intel (R)Core (TM)i7-9700K CPU@3.60GHz，GPU 為NVIDA GeForce RTX 2080 Ti，深度學習環(huán)境搭載于CUDA11.5 和pytorch1.7.1。

網(wǎng)絡訓練參數(shù)設置中，迭代次數(shù)為150 輪，初始學習率為0.01，權重衰減系數(shù)0.005，動量為0.08。

3.2 評價指標

本文采用的評價指標主要包括準確率、召回率、平均精度均值、參數(shù)量、單張圖像處理時間。其中準確率指在預測為正的樣本中，實際為正樣本的比例，能反映出模型在預測為正時的準確性；召回率指在所有實際為正的樣本中，被正確預測為正的樣本的比例，能反映出模型找出所有實際為正樣本的能力；平均精度均值則是綜合了準確率和召回率評估結果的準確度；參數(shù)量是指模型中所有可訓練參數(shù)的總數(shù)，代表了模型的復雜程度；單張圖像處理時間可表示模型處理圖像的速度，反映了模型實時性能。

3.3 實驗結果分析

為驗證本文模型各改進方法的有效性，在相同的硬件設備、相同數(shù)據(jù)集、相同模型參數(shù)下進行消融實驗，結果如表1 所示。在YOLOv5s 模型的基礎上再加入RepVGG 模塊之后模型的參數(shù)量28.67M，mAP 為0.754，單張圖像處理時間為6.0ms；在YOLOv5s 原模型上添加SimAM注意力機制之后，參數(shù)量26.77M，mAP上升了0.029，其單張圖像處理時間為6.4ms；通過將RepVGG 模塊以及SimAM 注意力機制融合加入到YOLOv5s 模型中后可以發(fā)現(xiàn)，參數(shù)量為28.17M，mAP達到了0.813，單張圖像處理時間僅5.7ms。實驗結果表明，本文在引入了RepVGG 模塊以及SimAM注意力機制之后，模型參數(shù)量雖有所上升，但是得益于RepVGG的結構重參數(shù)化以及SimAM 注意力機制使得圖像處理速度與精度大大提升，對于模型提升性能確實行之有效。

表1 消融實驗

為了進一步驗證本文改進的模型的優(yōu)勢，將本文模型與SSD、YOLOv4、YOLOv3 等主流目標檢測算法在上文所提的條件下進行對比實驗，并選擇P、R、mAP、參數(shù)量等性能指標作為對比指標，實驗結果如表2 所示。由表2 可知，本文算法在mAP 上達到了0.813，相比較于SSD、YOLOv3、YOLOv4 以及Faster R-CNN 等算法都高，表明本文算法在精度要求上有一定優(yōu)勢。而且在參數(shù)量以及處理速度方面，本文算法相比較于其他算法也更具有優(yōu)勢，說明本文算法在實時目標檢測方面相較于其他模型更具有優(yōu)勢，而且更容易實現(xiàn)模型的部署。

表2 對比實驗

綜上所述，本文所改進的果園果樹樹干目標檢測任務中實現(xiàn)了較高的mAP、較快的處理速度以及較低的參數(shù)量和計算量，說明本文算法憑借著高精度以及高速度的優(yōu)勢基本能實現(xiàn)果園果樹樹干目標檢測任務。

4 結論

本文針對果園果樹樹干識別檢測提出了一種以YOLOv5 為基線的高精度實時目標檢測模型。在本文中采用了結構重參數(shù)化技術的RepVGG 模塊來替換網(wǎng)絡中原有的C3 模塊。這一關鍵改進極大提高了模型的推理速度，從而確保了模型即時響應需求。此外，我們引入了SimAM注意力機制。這一機制的加入使得模型對復雜果園環(huán)境擁有更全面的理解能力，更強的特征提取能力，使得模型在精確檢測果園中的樹干方面獲得了顯著提升。通過實驗結果分析，本文所改進后的模型算法，實現(xiàn)了高精度、高速度，基本符合果園機器人作業(yè)要求，為進一步研發(fā)更智能的果園機器人提供了一定幫助。