华南农业大学肖德琴教授等：基于改进YOLOv5l的轻量化鸭蛋裂纹检测算法

下载文章全文：http://www.tcsae.org/cn/article/doi/10.11975/j.issn.1002-6819.202307259

《农业工程学报》2024年第40卷第5期刊载了华南农业大学等单位殷建军、康俊琪与肖德琴的论文——“基于改进YOLOv5l的轻量化鸭蛋裂纹检测算法”。该研究由国家现代农业产业技术体系（项目号：CARS-42-13）资助。

引文信息：殷建军，康俊琪，肖德琴. 基于改进YOLOv5l的轻量化鸭蛋裂纹检测算法[J]. 农业工程学报，2024，40(5)：216-223.

DOI: 10.11975/j.issn.1002-6819.202307259

研究目的与方法：

鸭蛋裂纹检测技术对于禽蛋加工工厂实现智能化蛋品检测、分级具有重要意义。该研究针对鸭蛋裂纹检测流程复杂、计算量大、模型尺寸大等问题，提出了一种基于改进YOLOv5l（you only look once version5 large）的轻量裂纹检测算法，通过在黑暗条件下使用LED灯照射鸭蛋，根据裂纹蛋壳与完好蛋壳透光性不同产生的图像差异进行检测。通过在YOLOv5中引入Ghost_conv模块，大大减少了模型的浮点计算量和参数量，并在模型的骨干网络中加入ECA（efficient channel attention）注意力机制以及使用多尺度特征融合方法BIFPN（bi-directional feature pyramid network），增加模型对有效信息的关注度，以提高算法检测精度。同时使用CIoU与α-IoU损失函数融合后替代YOLOv5原始GIoU函数加速回归预测。

结果与结论：

利用自建的鸭蛋裂纹数据集验证改进后模型的性能，结果表明，本研究提出的改进YOLOv5l网络模型检测精准率为93.8%，与原始YOLOv5l模型相比，检测精度提高了6.3个百分点，参数量和浮点计算量分别减少了30.6%、39.4%。检测帧速率为28.954帧/s，较原始YOLOv5l模型仅下降3.824帧/s。与其他的目标检测常用网络SSD（single shot multibox detector）、YOLOv4、Faster-RCNN（faster region convolutional neural networks）相比，精度分别提高了13.1、12.5、8.2个百分点。本研究提出的方法能够在低硬件资源条件下进行高精度检测，可为实际场景应用提供解决方案和技术支持。