引言
水果在中国农业中具有重要地位，为农民提供稳定的收入来源。邓瑞等[1]提出了一种基于轻量版YOLOv5s的水果检测方法，该方法在TI Sitara平台上实际测试的检测速率为23 F/s，平均精度均值为89%，能够满足无人水果售货系统对商品检测精度和实时性的要求。罗家梅等[2]提出了基于YOLOv5的水果品质检测与分类方法，可以检测出苹果、橘子、香蕉和梨4种水果。容仕军[3]提出了自然场景下树上果实检测小样本学习方法，可以检测百香果、苹果和柑橘3种水果，提高小样本条件下树上果实的检测性能，该方法也具备良好的泛化能力，可以有效提高检测精确率。叶舒铭等[4]提出了基于机器视觉的橙子缺陷检测，解决了橙子在生长、采摘、运输的过程中受到害虫侵扰、环境影响、碰撞摩擦因素引起的表面损伤及腐烂问题。张杰等[5]提出了基于注意力机制的水果损伤检测及分类，以ResNet34作为主干网络，并在此基础上引入注意力机制SE和CBAM模块来实现水果损伤的检测和基本分类，但是模型过于庞大无法在边缘端实时检测。徐印赟等[6]为使水果采摘机器人在复杂情况下（如树叶遮挡、果实目标尺度变化大等）能准确地检测出水果，改进YOLO及NMS的水果目标检测。
本文基于改进的YOLOv5n模型实现对腐败水果的智能化检测，以便在水果成熟期及时发现并清除腐败水果，从而减少损失。在工业化采摘的地区，快速检测腐败水果以确保及时剔除，也能减轻人力压力。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000006248
作者信息：
彭靖翔，张荣芬，刘宇红
（贵州大学 大数据与信息工程学院，贵州 贵阳 550000）
