庄昊龙 ，周嘉灏 ，林毓翰 ，彭海深 ，林宏宇

（1.华南农业大学数学与信息学院、软件学院，广东 广州 510642；2.华南农业大学电子工程学院（人工智能学院），广东 广州 510642；3.华南农业大学工程学院，广东 广州 510642）

0 引言

社会的发展越来越趋向于智能化与自动化，农业机械化也成为当前发展的主要趋势，科学利用计算机视觉辅助技术来实现对农作物的农情检测及精确识别，有助于更好地预测农作物产量。柑橘作为我国南方的常见水果，年产量一直在稳步上升。为实现对柑橘果实产量的精准预测，研究柑橘果实的识别算法和计数算法就显得尤为重要。

传统的水果检测识别技术通常是对水果的纹理、颜色、形状等外表特征进行提取和识别[1]，这些方法通常具有一定的环境适应缺陷性和主观性。而深度学习算法具有较好的适应性及较高的识别率，正在不断成为主要的检测技术。许多研究者陆续研究出了如R-CNN算法[2]、Faster R-CNN算法[3]、SSD算法[4]、YOLO 系列算法[5]等。在计数方面，DeepSort 算法[6]是目前较为成熟的目标计数算法，其相比于传统的Sort 目标计数算法[7]，具有提升目标被环境等其他因素遮挡情况下的计数效果的优点[8]。因此，项目组采用YOLO系列的YOLOv5算法作为检测器，并在其中加入了SE 注意力机制对其进行改进，使其对柑橘果实具有更好的识别效果。同时，再结合DeepSort算法就可对柑橘果实进行计数，结果显示，其平均识别准确率为93.712%、平均多目标跟踪准确率为88.465%。

1 YOLOv5算法

1.1 YOLOv5算法原理

YOLOv5 是目前主流的一阶段目标检测算法，按模型量级可分成YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x。……