基于改进YOLOv5s和迁移学习的苹果果实病害识别方法

TP391.4; 为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型:GHTR2-YOLOv5s(YOLOv5s with Ghost structure and TR2 module),并通过迁移学习策略对其进行优化.在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块(Convolutional Block Attention Module,CBAM)和加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BIFPN)提高模型精度,使用TR2(Two Transfo...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 38; no. 11; pp. 171 - 179
Main Authors 孙丰刚, 王云露, 兰鹏, 张旭东, 陈修德, 王志军
Format Journal Article
LanguageChinese
Published 国家苹果工程技术研究中心,泰安 271018%国家苹果工程技术研究中心,泰安 271018 01.06.2022
山东农业大学信息科学与工程学院,泰安 271018
Subjects
病害
迁移学习
YOLOv5s
图像识别
轻量化
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.2022.11.019

Cover

More Information
Summary:TP391.4; 为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型:GHTR2-YOLOv5s(YOLOv5s with Ghost structure and TR2 module),并通过迁移学习策略对其进行优化.在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块(Convolutional Block Attention Module,CBAM)和加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BIFPN)提高模型精度,使用TR2(Two Transformer)作为检测头增强模型对全局信息的获取能力.改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值(mAP0.5)达到0.909,能快速准确地识别苹果果实病害.研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5％.试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.2022.11.019