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。
