摘要:為了實現(xiàn)甘蔗智能橫向切種工作站的精準(zhǔn),、高效的自動化切種,,針對工廠化切種任務(wù)的特點,提出了一種基于改進(jìn)YOLO v5s的甘蔗莖節(jié)特征邊緣端識別與定位方法,。首先,,利用張正友相機(jī)標(biāo)定法對攝像頭進(jìn)行畸變矯正;然后對甘蔗莖節(jié)數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng),,利用原始的YOLO v5s模型進(jìn)行訓(xùn)練和測試,,結(jié)果顯示數(shù)據(jù)增強(qiáng)能一定程度上提高檢測精度。針對莖節(jié)特征目標(biāo)小以及模型體積大導(dǎo)致檢測精度低,、部署難度高等問題,,對YOLO v5s的骨干網(wǎng)絡(luò)進(jìn)行改進(jìn),在SPPF特征融合模塊前引入坐標(biāo)注意力(Coordinate attention,,CA)模塊和Ghost輕量化結(jié)構(gòu),,在Head網(wǎng)絡(luò)中剔除P5大目標(biāo)檢測頭,得到了改進(jìn)后甘蔗莖節(jié)檢測模型YOLO v5s-CA-BackboneGhost-p34,,測試結(jié)果表明該模型優(yōu)于其他主流算法和原始模型,,具有高精度,、小體積等優(yōu)勢,。其中,平均精度均值1和平均精度均值2分別提高5.2,、16.5個百分點,,模型浮點數(shù)計算量和內(nèi)存占用量分別降低42%和51%。最后,,為了提高檢測速度和實時性,,將模型部署于邊緣端,利用TensorRT技術(shù)加快檢測速度,,并在傳送速度為0.15m/s的甘蔗智能橫向切種工作站上完成實際切種實驗,。實驗結(jié)果表明,加速后莖節(jié)檢測速度達(dá)到95f/s,,實時檢測定位平均誤差約為 2.4mm,,切種合格率為100%,漏檢率0.4%,,說明本文提出的模型具有高度可靠性和實用性,,可以為甘蔗橫向切種工作站的工廠化,、智能化以及標(biāo)準(zhǔn)化應(yīng)用提供有效的技術(shù)支持。