基于AD-YOLOX-Nano的茶叶嫩芽识别算法

作     者：高芳征 温鑫 黄家才 陈光明 金少宇 赵雪迪 Gao Fangzheng;Wen Xin;Huang Jiacai;Chen Guangming;Jin Shaoyu;Zhao Xuedi

作者机构：南京工程学院自动化学院南京市211167 南京工程学院机械工程学院南京市211167 南京农业大学工学院南京市210000 

出 版 物：《中国农机化学报》 (Journal of Chinese Agricultural Mechanization)

年 卷 期：2025年第46卷第1期

页      面：178-184,F0002页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 082804[工学-农业电气化与自动化] 081104[工学-模式识别与智能系统] 08[工学] 0828[工学-农业工程] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金面上项目(61873120) 江苏省重点研发项目课题(BE2021016—5) 江苏省自然科学基金面上项目(BK20201469) 江苏省高等学校自然科学研究重大项目(20KJA510007) 江苏省研究生实践创新计划项目(SJCX22_1061) 

主　　题：茶叶嫩芽识别 AD-YOLOX-Nano算法 注意力机制 深度可分离卷积 

摘      要：为解决茶叶嫩芽识别困难,提高自然环境下茶叶嫩芽识别的精确性和鲁棒性,提出一种融入注意力机制和深度可分离卷积的改进型YOLOX-Nano(AD-YOLOX-Nano)茶叶嫩芽识别算法。该算法以YOLOX-Nano模型为基础,采用CSPDarkNet作为主干网络,通过在CSPDarkNet网络中引入深度可分离卷积(Depthwise Separable Convolution)来减少特征提取工作量,并将卷积注意力模块(Convolutional Block Attention Module)融入到YOLOX-Nano网络的特征金字塔中,学习不同通道的特征相关性,增强网络的深度信息传递,提高模型在不同场景下对茶叶嫩芽的识别能力。结果表明:AD-YOLOX-Nano算法的平均精度AP值和F_(1)值分别为85.6%和86%,相较于同环境下YOLOX-Nano算法,该算法的模型大小基本保持不变,但其AP值和F_(1)值分别提高2.7%和3%。与常用的YOLOv5-S、YOLOv4和Faster R-CNN等目标检测算法相比,该AD-YOLOX-Nano算法模型大小仅为它们的1/7,但AP值分别提高5.4%、5.5%和6.28%。所提算法在模型轻量化和检测精度方面优势显著,为茶叶智能化采摘的嵌入式硬件部署提供有效解决方案。