基于改进YOLOX-Nano的农作物叶片病害检测与识别方法

TP391.41%S435.672; [目的]实现精确迅速的农作物病害检测,减少人工诊断成本,降低病害带来的农作物产量和品质影响.[方法]根据对农作物病害和病斑特征的分析,提出一种基于卷积注意力机制改进的YOLOX-Nano智能检测与识别模型,该模型采用CSPDarkNet作为主干网络,将卷积注意力模块CBAM引入到YOLOX-Nano网络结构的特征金字塔(Feature pyramid network,FPN)中,并在训练中引入Mixup数据增强方式,同时将分类的损失函数由二分类交叉熵损失函数(Binary cross entropy loss,BCE Loss)替换为焦点损失函数Focal...

Full description

Saved in:
Bibliographic Details
Published in华南农业大学学报 Vol. 44; no. 4; pp. 593 - 603
Main Authors 李康顺, 杨振盛, 江梓锋, 王健聪, 王慧
Format Journal Article
LanguageChinese
Published 东莞城市学院人工智能学院,广东东莞523419%华南农业大学数学与信息学院,广东广州510642%深圳信息职业技术学院,广东深圳518172 01.07.2023
华南农业大学数学与信息学院,广东广州510642
Subjects
YOLOX-Nano网络
病害识别
注意力机制
农作物病害
Focal Loss
Online AccessGet full text
ISSN1001-411X
DOI10.7671/j.issn.1001-411X.202207039

Cover

More Information
Summary:TP391.41%S435.672; [目的]实现精确迅速的农作物病害检测,减少人工诊断成本,降低病害带来的农作物产量和品质影响.[方法]根据对农作物病害和病斑特征的分析,提出一种基于卷积注意力机制改进的YOLOX-Nano智能检测与识别模型,该模型采用CSPDarkNet作为主干网络,将卷积注意力模块CBAM引入到YOLOX-Nano网络结构的特征金字塔(Feature pyramid network,FPN)中,并在训练中引入Mixup数据增强方式,同时将分类的损失函数由二分类交叉熵损失函数(Binary cross entropy loss,BCE Loss)替换为焦点损失函数Focal Loss、回归损失函数由GIOU Loss替换为本文设计的CenterIOU Loss函数,采用迁移学习策略训练改进的YOLOX-Nano模型,以此提升农作物病害检测的精度.[结果]改进后的YOLOX-Nano模型仅有 0.98×106 的参数量,在移动端测试单张图片检测时间约为 0.187 s,平均识别精度达到 99.56％.实践结果表明,其能快速有效地检测与识别苹果、玉米、葡萄、草莓、马铃薯和番茄等农作物的常见病害,且达到了精度与速度的平衡.[结论]改进后的模型不仅对农作物叶片病害识别具有较高的精度和较快的检测速度,参数量和计算量较少,还易于部署在手机等移动端设备.该模型实现了在田间复杂环境对多种农作物病害精准定位与识别,对于指导早期农作物病害的防治具有十分重要的现实意义.
ISSN:1001-411X
DOI:10.7671/j.issn.1001-411X.202207039