10.11975/j.issn.1002-6819.202403065
基于YOLOv5s改进模型的小白菜虫害识别方法
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.
图像处理、图像识别、小白菜虫害、YOLOPC模型、注意力机制、目标检测、损失函数、空洞卷积
40
S126(农业物理学)
高等学校学科创新引智计划资助项目;广东省重点领域研发计划项目
2024-09-09（万方平台首次上网日期，不代表论文的发表时间）
共10页
124-133
