基于改进YOLOv5s的轻量化鲜茶叶识别方法

doi:10.12398/j.issn.2096-7217.2025.01.001

智能化农业装备学报（中英文） ›› 2025, Vol. 6 ›› Issue (1): 1-14.DOI: 10.12398/j.issn.2096-7217.2025.01.001

• • 下一篇

基于改进YOLOv5s的轻量化鲜茶叶识别方法

吴擎¹^,²(), 韦润轩¹, 周乐¹, 杨浩¹, 刘婉茹¹, 徐红梅¹^,²()

^1.华中农业大学工学院，湖北武汉，430070
^2.农业农村部长江中下游农业装备重点实验室，湖北武汉，430070

收稿日期:2024-05-14 修回日期:2024-08-19 出版日期:2025-02-15 发布日期:2025-02-15
通讯作者: 徐红梅
作者简介:吴擎，女，1988年生，湖北孝感人，博士，副教授；研究方向为深度学习及其应用。E-mail： wuqing@mail.hzau.edu.cn
基金资助:
湖北省高等学校优秀中青年科技创新团队计划项目(T201934)

Lightweight fresh tea leaf recognition method based on improved YOLOv5s

WU Qing¹^,²(), WEI Runxuan¹, ZHOU Le¹, YANG Hao¹, LIU Wanru¹, XU Hongmei¹^,²()

^1.College of Engineering，Huazhong Agricultural University，Wuhan 430070，China
^2.Key Laboratory of Agricultural Equipment in Mid-Lower Yangtze River Ministry of Agriculture and Rural Affairs，Wuhan 430070，China

Received:2024-05-14 Revised:2024-08-19 Online:2025-02-15 Published:2025-02-15
Contact: XU Hongmei
About author:WU Qing，E-mail： wuqing@mail.hzau.edu.cn
Supported by:
The Outstanding Young and Middle-aged Science and Technology Innovation Team Program of Colleges and Universities of Hubei Province(T201934)

摘要/Abstract

摘要：

茶芽分类识别是名优茶生产中十分重要的环节。针对目前茶芽识别算法模型尺寸大、计算量大且无法区分采摘形态等问题，本研究以YOLOv5s为基线模型，提出了一种改进的鲜茶叶识别模型（YOLOv5s-SPCS）。首先，收集实验室环境和自然环境下的鲜茶叶图像制作鲜茶叶数据集。其次，基于ShuffleNetV2思想构建Shuffle Block模块替换主干网络中的卷积模块，在减少模型参数量和计算量的同时提高特征提取速度。然后，在颈部网络引入部分卷积结构PConv和无参数注意力机制SimAM构建C3-PCS模块替换原C3结构，减少模型计算冗余和内存访问，提高识别精度。最后，采用SIoU作为边界框损失函数，提高预测框收敛速度和收敛精度。试验结果表明，YOLOv5s-SPCS模型参数量、计算量和权重文件大小分别为YOLOv5s模型的14%、14%和16%，对鲜茶叶识别准确率为81.8%、平均精度均值为82.4%，相较于原始模型，准确率提升了2.7个百分点，平均精度均值保持不变。此外，改进后的YOLOv5s-SPCS模型整体性能优于当前常用的Faster R-CNN、SSD、YOLOv3、YOLOv4等目标检测模型。本研究可为鲜茶叶识别分类及后续移动端部署提供有效的技术支持。

关键词: 深度学习, YOLOv5, 轻量化, 鲜茶叶, 目标检测

Abstract:

The classification and recognition of tea buds represents a crucial aspect of renowned tea production. In view of the problems of large model size， large computational complexity and inability to distinguish the picking morphology of the current tea bud recognition algorithm， this study proposes an enhanced fresh tea leaf recognition model （YOLOv5s-SPCS） based on YOLOv5s as the foundational model. Firstly， images of fresh tea leaves were collected in both laboratory and natural environments to create a dataset of fresh tea leaves. This was done through offline and online collection of images in multiple scenarios， with the resulting images divided into a training set and a test set. Secondly， the Shuffle Block module was constructed based on the ShuffleNetV2 idea for replacing the convolution module in YOLOv5s backbone network， which reduced the number of model parameters and the amount of computation while increasing the speed of feature extraction. Subsequently， the Partial Convolution structure， PConv and SimAM were incorporated into the neck network to construct the C3-PCS module， replacing the original C3 structure which further reduced the model computational redundancy and memory access， while improving the recognition accuracy with a minimal increase in the number of parameters. Finally， the SIoU bounding box loss function was employed to enhance the convergence velocity and precision of the prediction frame. In addition to accelerating the convergence of the model prediction frame regression， the use of this loss function also generates more accurately positioned prediction frames. The experimental results demonstrate that the enhanced YOLOv5s-SPCS model exhibits 14%， 14% and 16% of the YOLOv5s model in terms of the number of parameters， computational volume and weight file. The size of the model is， respectively， with an accuracy of 81.8% and a mean average precision （mAP） of 82.4% for the fresh tea image recognition， which is 2.7% more accurate than the original model. The accuracy was enhanced by 2.7 percentage points， while the mean average precision of mAP remained unaltered. Furthermore， the overall performance of the enhanced YOLOv5s-SPCS model is superior to that of the prevailing target detection models， including Faster R-CNN， SSD， YOLOv3， and YOLOv4. This study offers a valuable technical foundation for fresh tea leaves recognition classification and subsequent mobile deployment.

Key words: deep learning, YOLOv5s, lightweight, fresh tea, target detection

中图分类号:

吴擎, 韦润轩, 周乐, 杨浩, 刘婉茹, 徐红梅. 基于改进YOLOv5s的轻量化鲜茶叶识别方法[J]. 智能化农业装备学报（中英文）, 2025, 6(1): 1-14.

WU Qing, WEI Runxuan, ZHOU Le, YANG Hao, LIU Wanru, XU Hongmei. Lightweight fresh tea leaf recognition method based on improved YOLOv5s[J]. Journal of Intelligent Agricultural Mechanization, 2025, 6(1): 1-14.

图/表 22

图1 茶芽的不同采摘形态

Figure 1 Different picking patterns of tea buds

图2 图像采集平台

Figure 2 Image acquisition platform

图3 自然环境下的鲜茶叶图像

Figure 3 Images of fresh tea leaves in natural environment

图4 鲜茶叶数据集

Figure 4 Fresh tea leaf dataset

图5 数据增强

Figure 5 Data enhancement

表1 YOLOv5系列参数对比

Table 1 YOLOv5 series parameter comparison

模型	深度	宽度	参数量 /×10⁶ M	浮点运算量 FLOPs/G
YOLOv5n	0.33	0.25	1.76	4.1
YOLOv5s	0.33	0.50	7.02	15.8
YOLOv5m	0.67	0.75	20.86	47.9
YOLOv5l	1.00	1.00	46.15	108.3
YOLOv5x	1.33	1.25	86.23	204.7

图6 YOLOv5s网络结构注：Conv2D为常规卷积操作；BN为批量归一化操作；SiLU为激活函数；Bottleneck为残差结构；Concat为张量拼接操作；MaxPool为最大池化操作；SPPF为空间金字塔池化结构；Upsample为上采样操作；CBS模块由Conv2D、BN和SiLU组成；CSP1_X为包含X个Bottleneck的卷积结构；CSP2_X为包含2X个CBS的卷积结构。

Figure 6 The network structure of YOLOv5s

图7 YOLOv5s-SPCS网络结构注：ReLU为激活函数；PConv为部分卷积操作；SimAM为无参数注意力机制模块；PCS Bottleneck为引入PConv和SimAM后的残差结构；C3-PCS为新的C3模块；CBRM模块由Conv、BN、ReLU和MaxPool组成；PCBS模块由PConv、BN和SiLU组成；Shuffle Block是基本的ShuffleNet模块。

Figure 7 The network structure of YOLOv5s-SPCS

图8 Shuffle Block轻量化模块结构注：Channel Split为通道拆分操作；Conv为常规卷积操作；DWConv（depthwise convolution）为深度可分离卷积；Concat为张量拼接；Channel Shuffle为通道重排。

Figure 8 Structure of Shuffle Block lightweight module

图9 不同卷积结构

Figure 9 Structure of different convolution

图10 不同注意力机制对比

Figure 10 Comparison of different attention mechanisms

图11 SIoU参数示意图注：B和BGT分别为预测框中心点和真实框中心点，(bcx,bcy)和(bcxgt,bcygt)分别是B和BGT的坐标。Cw 和Ch 分别是B和BGT横纵坐标的差值，α为B和BGT连线与水平轴夹角，σ为B和BGT连线长度。

Figure 11 SIoU parameters schematic diagram

表2 网络消融试验

Table 2 Network ablationtest

Shuffle Block	PConv	SimAM	SIoU	精确度 P/%	召回率 R/%	平均精度均值 mAP/%	参数量 Params/×10⁶ M	浮点运算量 FLOPs/G	权重文件大小 /MB
×	×	×	×	79.1	72.1	82.4	7.02	15.8	13.67
√	×	×	×	78.2	69.1	80.4	0.85	1.8	1.85
×	√	×	×	82.3	72.3	82.1	7.20	16	14.03
×	×	√	×	82.1	72.7	82.5	7.29	17.2	14.20
√	√	×	×	79.5	68.2	81.4	0.89	1.9	1.95
×	√	√	×	80.9	73.1	82.6	7.48	17.4	14.56
√	×	√	×	78.1	70.3	80.9	0.91	2.2	1.99
√	√	√	×	81.8	71.9	81.2	0.96	2.2	2.09
√	√	√	√	81.8	72.5	82.4	0.96	2.2	2.09

图12 YOLOv5s-SPCS模型训练过程

Figure 12 Model training process of YOLOv5s-SPCS

表3 YOLOv5s-SPCS模型三分类目标检测性能

Table 3 Three-classification target detection performance of YOLOv5s-SPCS

类别	精确率 P/%	召回率 R/%	平均精度均值 mAP/%
全类别	81.8	72.5	82.4
一芽一叶	79.5	75.5	85.3
一芽二叶	86.5	79.1	89.4
单芽	79.9	61.2	72.1

表4 不同轻量化方法对比试验

Table 4 Comparison experimental of different lightweight approaches

主干网络

平均精度均值

mAP/%

参数量

Params/×10⁶M

浮点运算量

FLOPs/G

模型大小

/MB

帧率

FPS/(帧·s^-1)

表5 不同边界框损失函数对比试验

Table 5 Comparison experimental using different IoU

损失函数	平均精度均值 mAP/%	检测时间 /ms	帧率 FPS/(帧·s^-1)
GIoU	81.7	15.2	65.42
DIoU	82.3	15.1	66.30
CIoU	81.5	15.2	66.21
EIoU	82.4	14.8	67.32
SIoU	82.4	14.7	67.87

图13 不同边界框损失函数对比试验

Figure 13 Comparison experimental using different IoU

表6 不同检测模型对比试验

Table 6 Comparison experimental of different detection models

模型	精确率 P/%	平均精度均值 mAP/%	参数量 Params/×10⁶M	浮点运算量 FLOPs/G	模型大小 /MB
Faster R-CNN	-	72.2	136.73	369.8	521.60
SSD-300	-	63.7	23.88	61.0	91.63
YOLOv3	80.9	82.1	61.51	154.6	117.73
YOLOv3-tiny	81.3	79.4	8.67	12.9	16.63
YOLOv4	80.2	82.5	60.40	130.7	115.80
YOLOv4-tiny	79.6	81.6	3.07	6.4	5.96
YOLOv5s	79.1	82.4	7.02	15.8	13.67
YOLOv7	83.3	81.9	37.21	105.1	71.32
YOLOv5s-SPCS	81.8	82.4	0.96	2.2	2.09

图14 模型特征可视化

Figure 14 Model feature visualization

图15 模型热力图可视化

Figure 15 Model heat map visualization

图16 改进前后目标识别结果对比

Figure 16 Comparison of tea leaf recognition results before and after improvement

参考文献 37

1	梅宇，张朔. 2022年中国茶叶生产与内销形势分析［J］. 中国茶叶， 2023， 45（4）： 25-30.
	MEI Yu， ZHANG Shuo. Analysis of China's tea production and domestic sales in 2022 ［J］. China Tea， 2023， 45（4）： 25-30.
2	高震宇，王安，刘勇，等. 基于卷积神经网络的鲜茶叶智能分选系统研究［J］. 农业机械学报， 2017， 48（7）： 53-58.
	GAO Zhenyu， WANG An， LIU Yong， et al. Intelligent fresh-tea-leaves sorting system research based on convolution neural network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2017， 48（7）： 53-58.
3	韩余，宋志禹，陈巧敏. 4CJ-1200F智能采茶机设计与试验［J］. 智能化农业装备学报（中英文）， 2022， 3（1）： 1-6.
	HAN Yu， SONG Zhiyu， CHEN Qiaomin. Design and experiment of 4CJ-1200F intelligent tea plucking machine ［J］. Journal of Intelligent Agricultural Mechanization， 2022， 3（1）： 1-6.
4	胡程喜，谭立新，王文胤，等. 基于改进DeepLabV3+的轻量化茶叶嫩芽采摘点识别模型［J］. 智慧农业（中英文）， 2024， 6（5）： 119-127.
	HU Chengxi， TAN Lixin， WANG Wenyin， et al. Lightweight tea shoot picking point recognition model based on improved DeepLabV3+ ［J］. Smart Agriculture， 2024， 6（5）： 119-127.
5	张兰兰，董迹芬，唐萌，等. 名优茶机采鲜叶分级技术研究［J］. 浙江大学学报（农业与生命科学版）， 2012， 38（5）： 593-598.
	ZHANG Lanlan， DONG Jifen， TANG Meng， et al. Classification technology of machine-plucking high quality tea ［J］. Journal of Zhejiang University （Agriculture and Life Sciences）， 2012， 38（5）： 593-598.
6	唐小林，李文萃，范起业. 机采茶鲜叶分类分级技术及相关设备研究进展［J］. 中国茶叶加工， 2015（2）： 5-8.
	TANG Xiaolin， LI Wencui， FAN Qiye. Research on the classification technology and the grading equipment of machine-plucking fresh leaves ［J］. China Tea Processing， 2015（2）： 5-8.
7	孙道宗，张振宇，陈俊聪，等. 一种基于深度学习的端到端生菜无损鲜重估测模型的建立［J］. 南京农业大学学报， 2024， 47（6）： 1212-1220．
	SUN Daozong， ZHANG Zhenyu， CHEN Juncong， et al ． A model for end-to-end non-destructive fresh weight estimation of lettuce based on deep learning ［J］． Journal of Nanjing Agricultural University， 2024， 47（6）： 1212-1220．
8	黄印. 基于机器学习的鲜茶叶分类研究［D］. 武汉：中南民族大学， 2021.
	HUANG Yin. Research on classification of fresh tea based on machine learning ［D］. Wuhan： South-Central Minzu University， 2021.
9	范婷婷. 基于高光谱成像技术的茶叶无损检测方法研究［D］. 天津：河北工业大学， 2021.
	FAN Tingting. Research on nondestructive detection method of tea based on hyperspectral imaging technology ［D］. Tianjin： Hebei University of Technology， 2021.
10	陈忠辉. 基于计算机视觉的茶叶嫩芽识别方法研究［D］. 贵阳：贵州大学， 2022.
	CHEN Zhonghui. Research on the method of tea sprout recognition based on computer vision ［D］. Guiyang： Guizhou University， 2022.
11	邢洁洁，谢定进，杨然兵，等. 基于YOLOv5s的农田垃圾轻量化检测方法［J］. 农业工程学报， 2022， 38（19）： 153-161.
	XING Jiejie， XIE Dingjin， YANG Ranbing， et al. Lightweight detection method for farmland waste based on YOLOv5s ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（19）： 153-161.
12	SHANG Y Y， XU X S， JIAO Y T， et al. Using lightweight deep learning algorithm for real-time detection of apple flowers in natural environments ［J］. Computers and Electronics in Agriculture， 2023， 207： 107765.
13	黄家才，唐安，陈光明，等. 基于Compact-YOLO v4的茶叶嫩芽移动端识别方法［J］. 农业机械学报， 2023， 54（3）： 282-290.
	HUANG Jiacai， TANG An， CHEN Guangming， et al. Mobile recognition solution of tea buds based on Compact-YOLO v4 algorithm ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（3）： 282-290.
14	ZHU L X， ZHANG Z H， LIN G C， et al. Detection and localization of tea bud based on improved YOLOv5s and 3D point cloud processing ［J］. Agronomy， 2023， 13（9）： 2412.
15	GUI Z Y， CHEN J N， LI Y， et al. A lightweight tea bud detection model based on Yolov5 ［J］. Computers and Electronics in Agriculture， 2023， 205： 107636.
16	王梦妮，顾寄南，王化佳，等. 基于改进YOLOv5s模型的茶叶嫩芽识别方法［J］. 农业工程学报， 2023， 39（12）： 150-157.
	WANG Mengni， GU Jinan， WANG Huajia， et al. Method for identifying tea buds based on improved YOLOv5s model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（12）： 150-157.
17	白强，高荣华，赵春江，等. 基于改进YOLOV5s网络的奶牛多尺度行为识别方法［J］. 农业工程学报， 2022， 38（12）： 163-172.
	BAI Qiang， GAO Ronghua， ZHAO Chunjiang， et al. Multi-scale behavior recognition method for dairy cows based on improved YOLOV5s network ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（12）： 163-172.
18	WOLPERT D H， MACREADY W G. No free lunch theorems for optimization ［J］. IEEE Transactions on Evolutionary Computation， 1997， 1（1）： 67-82.
19	LIN T Y， DOLLÁR P， GIRSHICK R， et al. Feature pyramid networks for object detection ［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway， New Jersey： IEEE， 2017： 936-944.
20	LIU S， QI L， QIN H F， et al. Path aggregation network for instance segmentation ［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway， New Jersey： IEEE， 2018： 8759-8768.
21	MA N N， ZHANG X Y， ZHENG H T， et al. ShufflenetV2： Practical guidelines for efficient CNN architecture design ［C］//Proceedings of the European Conference on Computer Vision （ECCV）. 2018： 116-131.
22	ZHANG X Y， ZHOU X Y， LIN M X， et al. Shufflenet： An extremely efficient convolutional neural network for mobile devices ［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2018： 6848-6856.
23	CHEN J R， KAO S H， HE H， et al. Run， Don't walk： Chasing higher FLOPS for faster neural networks ［C］// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2023： 12021-12031.
24	YANG L X， ZHANG R Y， LI L D， et al. SimAM： A simple， parameter-free attention module for convolutional neural networks ［C］// International Conference on Machine Learning. PMLR， 2021： 11863-11874.
25	GEVORGYAN Z. SIoU loss： More powerful learning for bounding box regression ［J］. arXiv preprint arXiv：， 2022.
26	HOWARD A， SANDLER M， CHEN B， et al. Searching for MobileNetV3 ［C］// 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. Piscataway， New Jersey： IEEE， 2019： 1314-1324.
27	HAN K， WANG Y H， TIAN Q， et al. GhostNet： More features from cheap operations ［C］// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway， New Jersey： IEEE， 2020： 1577-1586.
28	REZATOFIGHI H， TSOI N， GWAK J， et al. Generalized intersection over union： A metric and a loss for bounding box regression ［C］// 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway， New Jersey： IEEE， 2019： 658-666.
29	ZHENG Z H， WANG P， REN D W， et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation ［J］. IEEE Transactions on Cybernetics， 2022， 52（8）： 8574-8586.
30	ZHANG Y F， REN W Q， ZHANG Z， et al. Focal and efficient IoU loss for accurate bounding box regression ［J］. Neurocomputing， 2022， 506： 146-157.
31	REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2016， 39（6）： 1137-1149.
32	周华茂，王婧，殷华，等. 基于改进 Mask R-CNN 模型的秀珍菇表型参数自动测量方法［J］. 智慧农业（中英文）， 2023， 5（4）： 117-126.
	ZHOU Huamao， WANG Jing， YIN Hua， et al. Phenotype analysis of Pleurotus geesteranus based on improved Mask R-CNN ［J］. Smart Agriculture， 2023， 5（4）： 117-126.
33	郭小燕，于帅卿．一种轻量级 YOLOv5S 农作物虫害目标检测模型［J］．南京农业大学学报，2024，47（5）： 1009-1018．
	GUO Xiaoyan， YU Shuaiqing ． A lightweight YOLOv5S crop pest target detection model［J］． Journal of Nanjing Agricultural University， 2024， 47（5）： 1009-1018．
34	REDMON J， FARHADI A. Yolov3： An incremental improvement ［J］. arXiv preprint arXiv：， 2018.
35	BOCHKOVSKIY A， WANG C Y， LIAO H Y M. Yolov4： Optimal speed and accuracy of object detection ［J］. arXiv preprint arXiv：， 2020.
36	WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors ［C］// 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Piscataway， New Jersey： IEEE， 2023： 7464-7475.
37	SELVARAJU R R， COGSWELL M， DAS A， et al. Grad-CAM： Visual explanations from deep networks via gradient-based localization ［C］// Proceedings of the IEEE International Conference on Computer Vision. 2017： 618-626.

[1]	王元红, 杨志明, 王琪, 卢劲竹, 高俊锋. 基于YOLOv5s-SPD的茶芽识别方法及识别系统光源设计与试验[J]. 智能化农业装备学报（中英文）, 2024, 5(3): 33-43.
[2]	高宁, 张安琪, 梅鹤波, 杨兴华, 甘蕾, 孟志军. 土壤墒情监测技术研究现状与发展趋势[J]. 智能化农业装备学报（中英文）, 2024, 5(3): 51-62.
[3]	魏堂伟, 张津诚, 王晶, 周庆燕. 基于改进YOLOv7的茶叶嫩芽识别模型研究[J]. 智能化农业装备学报（中英文）, 2024, 5(2): 42-50.
[4]	郭文娟, 冯全. 基于类激活映射的可解释性方法在农作物检测识别中的发展现状与趋势[J]. 智能化农业装备学报（中英文）, 2023, 4(4): 41-48.
[5]	黄成龙, 张忠福, 卢智浩, 张晓君, 朱龙付, 杨万能. 基于VFNet-Improved和Deep Sort的棉花黄萎病病情分级[J]. 智能化农业装备学报（中英文）, 2023, 4(2): 12-21.
[6]	肖张娜, 罗陆锋, 陈明猷, 王金海, 卢清华, 骆少明. 基于改进YOLO-v4的果园环境下葡萄检测[J]. 智能化农业装备学报（中英文）, 2023, 4(2): 35-43.
[7]	李搴曦, 孙晓明, 江晗慧, 吴爱茹, 傅隆生, 李瑞. 基于YOLOv4-tiny的设施番茄智能喷药无人车设计与试验[J]. 智能化农业装备学报（中英文）, 2023, 4(2): 44-52.
[8]	王红君, 季晓宇, 赵辉, 岳有军. SENet优化的Deeplabv3+淡水鱼体语义分割^*[J]. 智能化农业装备学报（中英文）, 2021, 2(1): 36-43.

基于改进YOLOv5s的轻量化鲜茶叶识别方法

Lightweight fresh tea leaf recognition method based on improved YOLOv5s

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 22

参考文献 37

相关文章 8

编辑推荐

Metrics

本文评价