文件大小：1.27M
摘要：针对苹果表面缺陷检测中存在因苹果重叠或被遮挡造成的检测精度低以及误检漏检等问题，本研究提出一种改进YOLOv5s算法的苹果表面缺陷检测方法。首先，在YOLOv5s模型的Backbone部分加入卷积注意力模块(CBAM)，增强检测模型对图像重要区域信息的关注程度，从而提升模型对苹果表面缺陷的检测能力；其次，引入加权双向特征金字塔网络(BiFPN)，充分融合不同尺度的苹果表面缺陷特征，以达到减少漏检和误检的目的；最后，使用Soft-NMS算法替代原始网络中的NMS算法，优化冗余边界框筛选条件，进一步降低模型的漏检率。实验结果显示，本研究所提算法的平均精度均值（mAP）达到95.5%，相较于原始算法提升了3.3%，且召回率提升了4.6%，能更好地检测苹果表面缺陷。
文章目录
1 材料与方法
1.1 YOLOv5s网络及其改进
1.1.1添加CBAM注意力机制
1.1.2引入BiFPN改进多尺度特征融合方法
1.1.3 用Soft-NMS算法替换原始网络的NMS算法
1.1.4 改进后的网络整体结构
1.2 数据集
1.3实验环境及训练参数设置
1.4模型评估指标
2 结果与分析
2.1注意力模块对比实验
2.2消融实验
2.3本研究所提改进算法与其他目标检测算法的对比实验
2.4 改进模型对苹果表面缺陷的检测效果分析
3 结论
