基于改进YOLOv5s模型的玉米叶片病害识别.pdf

126Journal of Agricultural Catastrophology 2023,Vol.13 No.8基于改进YOLOv5s模型的玉米叶片病害识别凌慕菲，杨冬风*黑龙江八一农垦大学，黑龙江大庆 163711摘要 在玉米生长过程中，灰斑病、叶锈病和叶斑病是几种常见的玉米叶片病害。目前，深度学习成为玉米病害识别的重要方法。为提高玉米叶片病害的识别准确率，将在传统目标检测网络模型YOLOv5s的基础上进行优化改进，对玉米叶斑病、叶锈病、灰斑病种叶片病害图像和正常玉米叶片图像进行识别。首先，通过镜像翻转、图像增强及亮度调节方法等对病害图像进行预处理操作，增强数据集并提高网络鲁棒性，将YOLOv5s网络模型原有的Bottleneck CSP模块替换为CBAM注意力机制模块，并与原始的YOLOv5s网络模型进行对比实验。实验结果表明，该检测方法对玉米叶片病害识别的平均准确率为95.6%，识别精度较原始YOLOv5s网络模型有所提升，可为玉米叶片病害识别提供有效的技术支持。关键词 病害识别；YOLOv5s；深度学习；CBAM 注意力机制中图分类号：TP183 文献标识码：B 文章编号：20953305(2023)080126-03随着我国农业领域的快速发展，玉米已成为我国种植面积最大的作物，为我国粮食增产做出了巨大贡献。然而，随着玉米产量的逐年增长，玉米病害也随之加重，其中，玉米叶片病害是影响玉米生产的主要原因之一1，主要的玉米叶片病害有灰斑病、叶锈病、叶斑病等。玉米叶锈病在侵染时，叶片突起黄褐色或红褐色斑点，散生或呈椭圆形；玉米叶斑病和灰斑病在侵染时，叶片中央枯白至黄褐色，呈椭圆形。传统的植物病害识别是依靠肉眼进行观察来判断病害种类的，不仅效率和精准度低，而且浪费人力和物力，导致生产效率 降低。近年来，随着人工智能在农业领域的快速发展，目标检测在农作物的识别、计数、分类等领域得到了广泛运用，国内外研究也取得了较多的成果。李冠林等2提出了一种基于支持向量机（SVM）和多特征参数的小麦条锈病和叶锈病图像分类识别方法，对小麦病害进行识别，平均识别率达到98.34%。孙俊等3通过改进传统的AlexNet 模型，提出一种批归一化与全局池化相结合的卷积神经网络识别模型，对26类植物病害叶片进行识别，取得了比原始AlexNet模型更好的结果。张建华等4提出了基于改进VGG-16卷积神经网络的病害识别模型，识别了5种棉花病害。Zhou等5在定向码匹配的方法与支持向量机（SVM）相结合的基础上，识别了甜菜病害。目前，很多植物病害识别模型都面临着训练时间较长、模型参数庞大等问题，导致其普及性和实时性较差，具有一定的局限性6。而YOLOv5s7神经网络模型有更高的检测速度、准确性和迁移性，并且模型体积较小，占用更少的储存空间，可以在不同的硬件上运行。因此，为了实现对玉米叶片病害的精准检测，在轻量级网络模型YOLOv5s的基础上进行改进。首先，通过图像预处理方法进行数据增强，满足叶片病害识别的准确性和高效性。再将YOLOv5s的主干网络中的Bottleneck CSP模块模块替换为CBAM（Convolutional Block Attention Module）注意力模块，提高改进后模型的准确率。1 改进YOLOv5算法1.1 YOLOv5算法原理Maize Leaf Disease Recognition Based on Improved YOLOv5s ModelLing Mu-fei et al(Heilongjiang Bayi Agricultural University,Daqing,Heilongjiang 163711)Abstract During the growth process of corn,gray spot disease,leaf rust,and leaf spot disease are several common corn leaf diseases.Currently,deep learning has become an important method for identifying corn diseases.To improve the recognition accuracy of corn leaf diseases,this article will optimize and improve the traditional object detection network model YOLOv5s,and recognize three types of leaf disease images of corn leaf spot,leaf rust,and gray spot,as well as normal corn leaf images.Firstly,the disease images are preprocessed using methods such as mirror flipping,image enhancement,and brightness adjustment to enhance the dataset and improve network robustness.Then,the original Bottleneck CSP module of the YOLOv5s network model is replaced with a CBAM attention mechanism module and compared with the original YOLOv5s network model.The experimental results show that the average accuracy of the detection method used in this article for identifying corn leaf diseases is 95.6%,which is improved compared to the original YOLOv5s network model and can provide effective technical support for identifying corn leaf diseases.Key words Disease identification;YOLOv5s;Deep learning;CBAM attention mechanism作者简介 凌慕菲（1999），女，主要从事机器视觉深度学习研究。*通信作者：杨冬风（1977）,女，副教授，主要从事模式识别在农业中的应用研究。收稿日期 2023-06-08127农业灾害研究 2023,13(8)YOLOv5是一种快速高效的目标检测算法，该算法利用深度学习技术实现了端到端的目标检测，在计算资源有限的情况下能够获得出色的表现。YOLOv5共 有YOLOv5x、YOLOv5l、YO LOv5m和YOLOv5s 4种网络模型，其中，YOLOv5s是该系列中深度和宽度最小的模型，对应着参数量、计算量最小，且速度最快的网络。YOLOv5s网络主 要 由Input、Backbone、Neck、Head 4个部分组成。该算法使用CSPDarknet53作为主干网络，通过采用Bottleneck残差块和SPP模块等技术，可以有效地提高模型的特征提取能力。其中，主干网络Backbone部分主要由conv模块、C3模块（即BottleneckCSP）、SPP组成，其作用是提取图像特征并传递至下一模块。颈部网络Neck再对图像特征进行一定比例的融合，并将其特征传递给预测层。最后预测头Head将颈部融合得到的图像特征进行预测输出。YOLOv5s采用了一种基于初始先验框（Anchor）的检测方式，在输入图像时，通过预先定义的Anchor尺寸进行目标检测。相比于传统的滑动窗口方法，该方法能够在不同尺度的特征图上同时进行目标检测，提升检测模型的预测精度。1.2 CBAM注意力机制CBAM8由通道注意力机制(Channel Attention Module，CAM)和空间注意力机制(Spartial Attention Module，SAM)组成，各部分的主要功能如下：（1）Channel Attention（CA）：CA模块根据全局空间信息对输入特征图的各个通道进行加权。它主要包括2个全局平均池化层（Global Average Pooling，GAP）和全局最大池化层（Global Max Pooling，GMP），用于计算空间域的全局信息。接着使用1个共享的MLP（多层感知器）对GAP和GMP的输出特征进行非线性变换，最后通过逐元素相加（element-wise addition）和sigmoid激 活函数得出通道注意力权重。（2）Spatial Attention（SA）：SA模块通过对输入特征图的各个空间位置进行加权，以捕获空间依赖性。首先，对输入特征图进行通道方向的全局平均池化和全局最大池化。然后，将两者沿通道方向进行连接。接着使用1个卷积层（通常是11的卷积核）对连接后的特征图进行卷积，最后通过sigmoid激活函数得到空间注意力权重。由于CBAM模块具有较好的通用性，因此将其应用于YOLOv5s的C3模块不仅可以提高网络性能，还可以为其他类似的卷积网络架构带来启示。1.3 改进YOLOv5s算法在原始的YOLOv5s算法中，其检测头模块采用了多层级特征融合的方法，此方法虽然能够将特征信息充分结合，但在连续卷积的过程会产生许多无用的冗余信息，从而淹没部分目标，导致检测准确率下降。为了提高玉米叶片病害识别的准确率，在YOLOv5s骨干网络Backbone引入优化的CBAM（Convolutional Block Attention Module）注意力机制，将YOLOv5s主干网络部分中的C3模块替换为CBAMC3模块，不仅可以加强通道之间信息的融合，还可以减小模型参数、精减网络模型的结构、提高模型计算效率，捕获更丰富的通道和空间特征信息。改进后的网络结构图见图1。图1 改进后YOLOv5s网络结构图2 实验方法与结果分析2.1 数据集预处理数据集选用Plant Village发布的公开玉米病害数据集，数据集中包括玉米叶片灰斑病、叶锈病、叶斑病和玉米健康4类图像数据。实验选用500张玉米叶片病害作为数据集，其中，灰斑病、叶锈病、叶斑病和玉米健康各125张，用于玉米叶片病害的训练与测试。实验先通过Labelimg标注软件对3种玉米病害叶片和健康叶片进行手动标注，并以VOC的格式保存。由于训练数据集较小，为了提高模型对玉米叶片的识别效果，通过对数据图像进行随机翻转、调节亮度、增加噪声等方法进行数据增强。扩充后的数据集大小为2 000张，扩充至原始数据的4倍。扩充后的数据集如表1所示。其中，训练集和测试集比例按9:1随机划分。表1 数据集概述标签名称训练集数量增强后训练集数量灰斑病125500叶锈病125500叶斑病125500健康1255002.2 实验环境及配置实验运行环境与配置见表2。模型共训练50轮次，初始学习率设为0.01批尺寸（batch size）设置为8。2.3 模型评估指标研究结果采用精准率(Precision)、召回率(Recall)，以及目标检测算法中衡量算法效果的指标全类平均准确率128Journal of Agricultural Catastrophology 2023,Vol.13 No.8(Mean Average Precision，mAP)作 为 评价指标。其中，Precision、Recall的计算公式分别如下：在上述式中，TP为样本被预测为正样本，且分类正确的样本个数；FP为样本被预测为正样本，而分类错误的样本个数；FN为被预测为负样本，而分类错误的样本个数；mAP是所有类别在模型上的平均识别精度。2.4 实验结果分析为了验证CBAM注意力机制的有 效 性，在 原 网 络 的 基 础 上，将 添 加CBAM注意力机后的模型与原始的YOLOv5s模型进行对比。2种模型在 Plant Village数据集、epoch为50、batch-size为8的条件下，得到不同玉米叶片病害类别的准确率对比结果（图2）。横轴为训练轮次，纵坐标为精准度（mAP）。由图1可以看出，在epoch50次后波动幅度不大。原始的YOLOv5s模型mAP稳定在93.5%。模型在加入CBAMC3注意力机制之后mAP达到95.6%，比传统的YOLOv5s网络模型的准确率提高了2.1个百分点，正确类别预测的数量比例明显提升9-16。表2 实验环境运行环境配置参数操作系统Windows10 64位CPUIntel core i7GPUNvidia RXT 3080ti深度学习框架Pytorch2.0.1编程语言Python3.7.0mAO0.5图2 原始YOLOv5s模型与改进后模型结果对比3 结束语本论文针对在玉米叶片病害识别过程中浪费人力、肉眼难以区分、检测情景复杂等问题，设计了一种基于改进YOLOv5s网络的玉米叶片病害识别模型(YOLOv5_CBAMC3)。在YOLOv5s目标检测模型的基础上，引入CBAM注意力机制，完成了对玉米叶片灰斑病、叶锈病、叶斑病3种病害和健康叶片的识别。实验结果表明：改进后的网络检测模型对玉米叶片病害识别精度有较高提升，平均精度达到95.6%，较原始网络模型的准确率提升了2.1个百分点。该方法能够降低人力物力的成本、提高对病害识别的效率和准确率，有一定的实用性，能够促进农业技术的进一步发展。参考文献1 栾奕,白岩,卢实,等.“十三五”国家东华北春玉米区域试验品种抗病性评价J.作物学报,2023,49(4):1122-1131.2 李冠林,马占鸿,王海光.基于支持向量机的小麦条锈病和叶锈病图像识别J.中国农业大学学报,2012,17(2):72-79.3 孙俊,谭文军,毛罕平,等.基于改进卷积神经网络的多种植物叶片病害识别J.农业工程学报,2017,33(19):209-215.4 张建华,祁力钧,冀荣华,等.基于粗糙集和BP神经网络的棉花病害识别J.农业工程学报,2012,28(7):161-167.5 Zhou R,Kaneko S,Tanaka F,et al.Disease detection of Cercospora leaf spot in sugar beet by robust template matchingJ.Computers&Electronics in Agriculture,2014(108):58-70.6 崔万照,朱长纯,保文星,等.基于模糊模型支持向量机的混沌时间序列预测J.物理学报,2005(7):3009-3018.7 王 宇 博,马 廷 淮,陈 光 明.基 于 改 进YOLOv5算法的农田杂草检测J.中国农机化学报,2023,44(4):167-173.8 Miao L,Li N,Zhou M,et al.CBAM-Yolov5:improved Yolov5 based on attention model for infrared ship detectionC/International Conference on Computer Graphics,Artificial Intelligence,and Data Processing(ICCAID 2021).SPIE,2022.9 张建华,赵洪凯,姜雷,等.玉米叶部病害识别模型的建立与APP开发J.农业与技术,2022,42(13):38-44.10 曹藤宝,张欣,陈孝玉龙,等.融合空间注意力机制和DenseNet的玉米病害分类方法J.无线电工程,2022,52(10):1710-1717.11 刘合兵,鲁笛,席磊.基于MobileNetV2和迁移学习的玉米病害识别研究J.河南农业大学学报,2022,56(6):1041-1051.12 李旭业,董扬,黄红,等.杀菌剂对青贮玉米病害防治效果及产量品质影响的研究J.现代畜牧科技,2020(4):7-9.13 王超,张勇,王淼,等.基于机器视觉的网络化玉米病害检测方法研究J.江苏科技信息,2020,37(5):27-28.14 朱景福,李雪.玉米叶片病害彩色图像识别的降维和聚类方法J.江苏农业科学,2016,44(7):350-354.15 鲍文霞,黄雪峰,胡根生,等.基于改进卷积神经网络模型的玉米叶部病害识别（英文）J.农业工程学报,2021,37(6):160-167.16 李恩霖,谢秋菊,苏中滨,等.基于深度学习的玉米叶片病斑识别方法研究J.智慧农业导刊,2021,1(10):1-10.