摘要:小麥籽粒檢測在千粒質(zhì)量計算及作物育種方面有著重要應(yīng)用,,重度粘連籽粒的有效檢測是其關(guān)鍵。本研究設(shè)計了一種YOLO v5-MDC的輕量型網(wǎng)絡(luò)用于重度粘連小麥籽粒檢測,。該網(wǎng)絡(luò)在YOLO v5s檢測網(wǎng)絡(luò)的基礎(chǔ)上,,用混合深度可分離卷積(Mixed depthwise convolutional, MDC)模塊進行改進,同時將MDC模塊與壓縮激勵(Squeeze and excitation, SE)模塊相結(jié)合,,以達到在基本不損失模型精度的前提下減少模型參數(shù)的目的,。YOLO v5-MDC網(wǎng)絡(luò)將YOLO v5s特征提取網(wǎng)絡(luò)骨干部分的卷積、歸一化,、激活函數(shù)(Convolution, Batch normal, Hardswish, CBH)模塊替換為MDC模塊,,減少了模型的參數(shù),經(jīng)過500次迭代訓(xùn)練,,模型的精確率P為93.15%,,召回率R為99.96%,平均精度均值(mAP)為99.46%,。根據(jù)模型在測試集上的檢測效果,,本研究探究了訓(xùn)練次數(shù)、不同光源與不同拍攝距離對模型檢測結(jié)果的影響,,統(tǒng)計結(jié)果表明,,在綠色光源下模型檢測精確率最高,為98.00%,,在5cm拍攝高度下圖像的檢測精確率最高,,為98.60%,。同時本研究在50次迭代下與YOLO v5s、RetinaNet,、YOLO v4網(wǎng)絡(luò)模型的檢測效果進行了對比,,結(jié)果表明,YOLO v5-MDC的mAP為99.40%,,比YOLO v5s模型降低了0.06個百分點,,但模型所占存儲空間最小,僅為13.4MB,,比YOLO v5s模型減少了0.6MB,,對于單幅圖像的最大檢測時間為0.08s,平均檢測時間為0.03s,。綜上,,本研究所設(shè)計模型能有效實現(xiàn)重度粘連小麥籽粒的檢測,同時模型檢測效率高,,所占存儲小,,可為小麥籽粒檢測嵌入式設(shè)備研發(fā)提供技術(shù)支持。