基于改进YOLOv5的苹果花检测算法优化与实践

1. 项目背景与研究意义

苹果花开花水平估计是果园精准管理的关键技术之一。传统的人工观测方法存在效率低、主观性强等问题，而基于计算机视觉的自动化监测方案正在成为研究热点。我在参与某大型果园数字化改造项目时，发现现有目标检测算法在花朵识别中存在三个典型问题：密集花朵的漏检率高、不同开花阶段的分类准确度不足、复杂光照条件下的稳定性差。

这个毕业设计选择改进YOLO算法来解决这些问题，主要基于两点考虑：首先，YOLO系列算法在实时性方面具有明显优势，适合部署在果园移动监测设备上；其次，其单阶段检测的特性便于进行针对性的网络结构优化。通过该项目验证的算法模型，最终可应用于智能果园的以下场景：

• 开花物候期的自动记录
• 最佳授粉时机的判断
• 产量预测模型的输入数据采集

2. 算法选型与技术路线

2.1 YOLOv5基础架构分析

选择YOLOv5s作为基础模型，在保持轻量化的同时，其网络结构包含：

• Backbone：CSPDarknet53（跨阶段局部网络）
• Neck：PANet（路径聚合网络）
• Head：三个检测尺度（80×80,40×40,20×20）

实测发现原模型在苹果花检测中的主要不足：

1. 小目标召回率仅68.5%（测试集数据）
2. 对重叠花朵的分离能力差
3. 开花阶段分类准确率不足75%

2.2 改进方案设计

针对性地提出三阶段改进：

网络结构优化

• 在Backbone末端添加CBAM注意力模块
• 将Neck部分的普通卷积替换为Ghost卷积
• 设计花朵关键点检测分支（用于判断开花阶段）

数据增强策略

• 采用Mosaic-9增强（原版为Mosaic-4）
• 添加随机光谱扰动（模拟不同光照条件）
• 生成合成遮挡样本（提高密集场景鲁棒性）

损失函数改进

• 将CIoU替换为α-IoU（α=3）
• 分类任务使用Focal Loss
• 新增关键点定位损失

3. 数据集构建与预处理

3.1 数据采集方案

在烟台三个苹果主产区搭建采集系统：

• 硬件：佳能EOS 90D + 偏振镜
• 拍摄高度：1.2-1.5m（模拟无人机视角）
• 时间跨度：覆盖完整开花周期（7天）

最终获得有效图像5720张，按开花程度分为：

1. 花蕾期（15%）
2. 初开期（35%）
3. 盛花期（40%）
4. 凋谢期（10%）

3.2 标注规范制定

采用双层标注方案：

• 一级标签：花朵位置（矩形框）
• 二级标签：
  • 开花阶段（4分类）
  • 花蕊可见度（0-1连续值）
  • 花瓣展开角度（0-360°）

使用Labelme进行标注时，需特别注意：

对于重叠超过30%的花朵，必须分离标注 阴天拍摄的图像需单独标记光照条件

3.3 数据增强实现

在YOLOv5原有增强基础上，新增：

class SpectralJitter: def __call__(self, img): # 在HSV空间随机扰动 hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV) hsv[...,0] = hsv[...,0]*random.uniform(0.9,1.1) # 色相 hsv[...,1] = hsv[...,1]*random.uniform(0.8,1.2) # 饱和度 return cv2.cvtColor(hsv, cv2.COLOR_HSV2BGR)

4. 模型训练与优化

4.1 训练参数配置

关键超参数设置：

• 初始学习率：0.01（余弦衰减）
• 批量大小：32（受限显存）
• 输入尺寸：640×640
• 训练轮次：300（含100轮冻结训练）

使用加权采样策略解决类别不平衡：

weights = [0.2, 0.3, 0.4, 0.1] # 对应四个开花阶段 sampler = WeightedRandomSampler(weights, num_samples=len(dataset))

4.2 改进效果对比

在测试集上的性能提升：

4.3 模型轻量化处理

为适配边缘设备，进行以下优化：

1. 通道剪枝（移除20%低贡献通道）
2. 8位量化（使用TensorRT）
3. 知识蒸馏（使用ResNet18作为教师模型）

优化后模型体积从14.3MB降至6.7MB，FPS恢复至135。

5. 系统集成与实地测试

5.1 部署方案

开发树莓派端侧系统：

• 硬件：Raspberry Pi 4B + Intel Neural Stick 2
• 软件栈：
  • 推理引擎：OpenVINO 2022.3
  • 图像采集：Picamera2库
  • 结果可视化：PyQt5

5.2 开花水平估计算法

定义开花指数计算公式：

FI = (0.2×N1 + 0.5×N2 + 0.8×N3 + 0.3×N4) / (N1+N2+N3+N4)

其中N1-N4分别对应四个阶段的检测数量。

5.3 实测性能

在3公顷试验果园的测试结果：

6. 关键问题与解决方案

6.1 密集花朵检测优化

采用双阈值NMS策略：

• 第一阶段：置信度阈值0.25（高召回）
• 第二阶段：使用关键点距离进行聚类
• 最终保留IoU<0.1的检测框

6.2 跨设备一致性保障

开发标准化色彩校正流程：

1. 拍摄时包含ColorChecker Mini
2. 基于色卡进行白平衡校正
3. 转换到Lab色彩空间统一

6.3 实时性优化技巧

通过以下方法提升推理速度：

• 使用半精度推理（FP16）
• 对图像分块处理（重叠率15%）
• 提前终止低置信度区域的计算

在实际部署中发现，当环境温度超过35℃时，NPU会出现性能下降。解决方法是添加散热风扇并将推理任务分时调度，避开正午高温时段。