基于YOLOv5s改进模型的小白菜虫害识别方法

• Published in: 农业工程学报 Vol. 40; no. 13; pp. 124 - 133
• Main Authors: 郑俊键, 兰玉彬, 熊万杰, 李硕, 杨润娜, 董昕
• Format: Journal Article
• Language: Chinese
• Published: 国家精准农业航空施药技术国际联合研究中心,广州 510642 01.07.2024; 华南农业大学电子工程学院(人工智能学院),广州 510642%华南农业大学电子工程学院(人工智能学院),广州 510642; 广东省智慧农业工程技术研究中心,广州 510642%广州国家现代农业产业科技创新中心,广州 510520
• Subjects: 损失函数; image processing; Pak choi pets; 注意力机制; YOLOPC model; attention mechanism; YOLOPC模型; 目标检测; 空洞卷积; loss function; target detection; 图像处理; 小白菜虫害; void convolution; 图像识别; image recognition
• ISSN: 1002-6819
• DOI: 10.11975/j.issn.1002-6819.202403065

S126; 小白菜是中国种植面积较广、深受大众喜爱的蔬菜,真实菜地环境中虫害往往出现在叶片的特定区域,且受环境因素如光照和背景干扰较大,影响对其的智能检测.为提高小白菜虫害的检测效率和准确率,该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型.首先,引入CBAM(convolutional block attention module)注意力机制,将其放在CBS(卷积层Convolution+归一化层Batch normalization+激活函数层SILU)的输入端构成CBAM-CBS的结构,动态调整特征图中各个通道和空间位置的权重;使用上采样和1×1卷积操作来调整特征图的尺寸和通道数,实现不同层次特征的融合,增强模型的特征表示能力.同时,改进损失函数,使其更适合边界框回归的准确性需求;利用空洞卷积的优势提高网络的感受野范围,使模型能够更好地理解图像的上下文信息.试验结果表明,与改进前的YOLOv5s模型相比,YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值(mean average precision,mAP)达到 91.4％,提高了 12.9％;每秒传输帧数(Frame Per Second,FPS)为 58.82 帧/s,增加了11.2帧/s,增加幅度达23.53％;参数量仅为14.4 M,降低了 25.78％.与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7 和 YOLOv8 相比,YOLOPC 模型的平均精度均值分别高出 20.1％、24.6％、14％、13.4％和 13.3％,此外,其准确率、召回率、帧速率和参数量均展现出显著优势.该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持.