改进YOLOv5的甜菜视觉检测算法OA
针对基于深度学习的目标检测算法受限于嵌入式设备的存储和计算资源,且存在误分类和小目标漏检等问题,提出了一种改进的YOLOv5模型算法。利用MobileNetV2主干网络缩小模型规模,引入CARAFE采样算子减少信息损失,并结合K-means++聚类生成更适合目标的锚框,同时引入Center loss降低误检率。结果表明,改进的YOLOv5模型相较于YOLOv5、Faster R-CNN和YOLOv8等现有检测模型,在平均精度上达93.9%,性能提升了1.5%;其模型参数大小仅为57.85 MB,比YOLOv5减小12.4 MB,显著改善了误分类和小目标漏检的问题。改进的算法在提高除草效率和降低成本方面具有广泛的应用前景。
刁胤峰;韩龙;孟祥林
黑龙江科技大学电气与控制工程学院,哈尔滨150022黑龙江科技大学电气与控制工程学院,哈尔滨150022黑龙江科技大学机械工程学院,哈尔滨150022
信息技术与安全科学
目标检测甜菜YOLOv5深度学习
《黑龙江科技大学学报》 2026 (4)
P.630-636,7
黑龙江省自然科学基金项目(LH2021F051)。
评论