为提高番茄果实成熟度的识别精度，实现番茄种植环节成熟度在线无损自动检测，本研究提出一种基于改进YOLOv5的番茄成熟度检测方法。针对番茄果实间因藤蔓、叶片的遮挡以及光照干扰而导致的识别误差、图像中小目标番茄检测难等问题，在YOLOv5算法的骨干网络Backbone中增加ECA高效通道注意力模块，将Neck结构中PAFPN替换为具有双向加权融合能力的BiFPN，在Head结构中添加小目标检测模块，通过消融试验获取最优改进算法YOLOv5−tomatoA。结果表明：相对于YOLOv3−Tiny、SSD300和Faster R−CNN目标检测网络，YOLOv5−tomatoA算法在遮挡和光照不均等复杂场景下，平均精度均值和F1得分分别达到97.4%和95.4%，图像识别仅需14.7ms，能同时满足高精度和快速响应的番茄果实识别需求。改进后的YOLOv5网络结构优化了内存占比和资源消耗，仅占用15.9M，模型更加轻量化，对实现番茄成熟度的在线无损检测具备一定的实用价值，该技术也可用于番茄自动采摘机器人设计中。
%U https://zgnyqx.ieda.org.cn/CN/10.3969/j.issn.1000-6362.2024.12.012