茶叶芽的检测是优质茶叶自动采摘的基础。本文提出了一种高性能的茶芽检测模型，解决了茶芽检测中环境复杂、目标茶芽小、设备聚焦模糊等问题。在春茶采摘阶段，收集山区茶园的茶芽图像并对其进行注释。YOLOv5茶叶是在YOLOv5基础上的改进，它在主干中使用了高效的简化空间金字塔池快速（Simplified Spatial Pyramid Pooling Fast，SimSPPF），便于部署在茶叶采摘设备上。颈部网络采用双向特征金字塔网络（Bidirectional Feature Pyramid network, BiFPN）结构。充分融合了深层和浅层特征信息，达到了融合不同尺度特征的效果，提高了聚焦模糊茶芽的检测精度。它用全维动态卷积（Omni-Dimensional Dynamic Convolution，ODConv）取代了传统颈部网络中独立的CBS卷积模块，从空间大小、输入通道、输出通道、卷积核等方面处理不同的权值，提高了对小目标和闭塞茶芽的检测。实验结果表明，改进后的模型与初始模型相比，精度、召回率和平均精度分别提高了4.4%、2.3%和3.2%，模型的推理速度也得到了提高。本研究对复杂环境下的茶芽采收具有一定的理论和实践意义。

图1  不同条件下的茶芽图像：(a)拍摄角度：侧面和顶部；(b)拍摄范围：近景和广角；(c)照明：明暗；(d)数量：少目标和多目标。

图2  改进了YOLOv5-tea网络结构。

图3  SimSPPF模块结构图。

图4  (a) FPN网络结构；(b) FPN + PAN网络结构；(c) BiFPN网络架构。

图5  ODConv中使用的四种不同权重的操作说明。

图6  ODConv层的结构。说明：“*”代表乘法。

图7  结果验证：红框表示模型检测到的茶芽。(a)原始图；(b) YOLOv5s模型检测；(c) YOLOv5-tea模型检测。

图8  在不同模型之间的模型训练过程中的度量演化：(a)精度；(b)召回;(c) mAP_50。