基于改进的YOLOv5苹果叶部病害识别研究.pdf
《基于改进的YOLOv5苹果叶部病害识别研究.pdf》由会员分享,可在线阅读,更多相关《基于改进的YOLOv5苹果叶部病害识别研究.pdf(10页珍藏版)》请在咨信网上搜索。
1、北方农业学报2 0 2 4,5 2(1):12 5-13 4JOURNALOFNORTHERNAGRICULTURE赵兴,邬欢欢.基于改进的YOLOv5苹果叶部病害识别研究 J.北方农业学报,2 0 2 4,5 2(1):12 5-13 4.D0I:10.12190/j.issn.2096-1197.2024.01.14基于改进的YOLOv5苹果叶部病害识别研究赵兴1,邬欢欢1.2(1.塔里木大学信息工程学院,新疆阿拉尔8 43 3 0 0;2.塔里木绿洲农业教育部重点实验室,新疆阿拉尔8 43 3 0 0)摘要:【目的】提出一种基于改进YOLOv5模型的病害目标检测算法,实现对苹果叶部病害的
2、自动识别,解决YOLOv5检测模型存在的漏检和误检问题。【方法】基于卷积神经网络改进的YOLOv5模型,采用加权双向特征金字塔网络(BiFPN)特征融合方法,有效改善PANet对多尺度特征融合的不良影响,并加入CBAM模块,使网络能更准确地定位和识别苹果叶部病害,建立一种苹果叶部病害检测的算法模型;使用ATCSP模块和自上而下的特征融合方法来增强模型对多尺度疾病的检测效果,并将该模型与SSD、Y O L O v 4、Y O L O v 6 和YOLOv7模型进行对比。【结果】改进的YOLOv5检测算法模型显著提高了苹果叶部病害检测的精度,对比原始算法,精度(P)提升了5.1%,达到9 0.8%
3、;平均精度均值(m A P)提高了1.2%,达到9 3.4%;模型大小减少2 1.4MB。改进后的YOLOV5算法精度比SSDYOLOv4、Y O L O v 6 和YOLOv7模型分别高11.3、4.4、4.2、3.6 个百分点。【结论】提出了一种基于卷积神经网络改进的YOLOv5苹果叶部病害检测模型,改进后的YOLOv5模型检测速度快、准确率高,且模型较小,能够实现对苹果叶部病害的自动识别。关键词:YOLOv5;苹果;叶部病害;识别;卷积神经网络中图分类号:TP391.41;S436.611文献标识码:A文章编号:2 0 9 6-119 7(2 0 2 4)0 1-0 12 5-10Res
4、earch on apple leaf disease detection based on improved YOLOv5ZHAO Xing,WU Huanhuan-2(1.School of Information Engineering,Tarim University,Aral 843300,China;2.Ministry of Education Key Laboratory of Tarim Oasis Agriculture,Aral 843300,China)Abstract:ObjectivePropose a disease target detection algori
5、thm based on improved YOLOv5 model,to achieve automaticrecognition of apple leaf diseases and solve the problems of miss and false detection in the YOLOv5 detection model.MethodsBased on the YOLOv5 model improved by convolutional neural network,weighted bidirectional feature pyramidnetwork(BiFPN)fea
6、ture fusion method was used to effectively improve the adverse effect of PANet on multi-scale featurefusion.The CBAM module was added to enable the network to more accurately locate and identify apple leaf diseases andestablishing an algorithm model for detecting apple leaf diseases.The ATCSP module
7、 and top-down feature fusion methodwere used to enhance the detection performance of the model for multi-scale diseases.The model was compared with SSD,YOLOv4,YOLOv6,and YOLOv7 models.Results The improved YOLOv5 detection algorithm model significantly improvedthe accuracy of apple leaf disease detec
8、tion.Compared with the original algorithm,accuracy(P)increased by 5.1%,reaching90.8%;average precision mean(mAP)increased by 1.2%,reaching 93.4%;the model size reduced by 21.4 MB.The accuracyof improved YOLOV5 algorithm was 11.3,4.4,4.2,and 3.6 percentage points higher than SSD,YOLOv4,YOLOv6,andYOLO
9、v7 models,respectively.ConclusionA convolutional neural network-based improved YOLOv5 apple leaf disease收稿日期:2 0 2 3-11-2 0基金项目:兵团财政科技计划项目南疆重点产业创新发展支撑计划(2 0 2 2 DB005);塔里木大学校长基金项目(TDZKZD202104)作者简介:赵兴(19 9 9 一),男,硕士研究生,研究方向为农业信息化、数字图像处理。通信作者:邬欢欢(19 8 2 一),男,教授,硕士,主要从事智慧农业、计算机图像处理、人工智能方面的研究工作。126北方农业
10、学报52卷detection model was proposed.The improved YOLOv5 model had fast detection speed,high detection accuracy,and smallsize,which can achieve automatic recognition of apple leaf diseases.Keywords:YOLOv5;Apple;Leaf diseases;Identification;Convolutional neural network我国是全球最大的苹果生产与消费大国,其种植面积约占全球总量的40%,在
11、全球苹果生产与消费中起着重要的作用。在多种环境因素的共同作用下,苹果叶部的病害难以避免,严重影响了苹果的品质和产量,给苹果生产带来了巨大的经济损失。如何快速、高效地检测与防治苹果叶部病害已成为呕待解决的问题。传统农作物病害识别的方法主要依靠专家经验,不仅费时费力,而且难以保证准确率。近年来,在农业信息化快速发展的背景下,以机器学习叫为基础的算法在农业中得到了广泛应用。目前已有的一些机器学习方法,如SVM2、随机森林、决策树 4都依赖于专家经验和人工选取特征,不能很好地满足实际需求。另外,采用机器学习方法建立的模型易受选择特征的影响而不能获得较准确的结果。近年来,卷积神经网络已被广泛应用于农作物
12、病害识别中 5-8 。现有常用的CNN模型19-12 大多含有较多的参数,计算量较大,训练模型较大且训练过程对高性能服务器的要求较高。因此,很难在受资源限制的嵌入式终端上进行部署 13-1。卷积神经网络近年来发展迅速,在农业上应用效果较好 18-2 0 。USHADEVI等 2 1 使用MEAN块和Apple-Inception提出了MEAN-SSD这一新的检测模型 2-2 5 ,改进后的 MEAN-SSD26每秒处理的图像帧数(FPS)达到了12.5 3,平均精度均值(mAP)达到了83.12%。SU N等 2 7 通过引入 Inception 和 Inception-resnet模块,提出
13、了具有更快、更高特征提取能力的DR-IACNN模型。但上述模型检测结果准确度较低,无法检测到早期苹果的叶部病害。现有的苹果叶部病害检测算法存在病害识别效率低、识别精度低等问题。因此,本研究基于卷积神经网络的苹果叶部病害识别方法,主要采用ATCSP模块来改进PANet的结构,引人BiFPN的思想,通过学习得到权重参数来融合不同层的特征映射,同时加入CBAM模块,使得网络能够更准确地定位和识别感兴趣的区域,提出了一种基于改进YOLOv528-30模型的病害目标检测算法,以期实现对苹果叶部多种病害的自动识别,提高识别准确率和稳定性,从而为卷积神经网络在农业病害监测中的应用提供技术支持。1材料和方法1
14、.1试验环境与参数设置试验环境的CPU为Inteli7-12700F,显卡为NVIDIARTX3080,操作系统为Windows10,编译环境为Python3.7、Py t o r c h 0.8.0 学习框架,GPU训练加速为CUDA11.6。苹果斑点落叶病特征主要为黄褐色棍棒形病斑,表面光滑,边缘清晰,病斑周围常有紫色晕圈。苹果灰斑病特征主要为近圆形的灰色病斑,中心偶有小黑点。苹果锈病特征为油亮的橘红色小斑点,而后扩大成橙黄色边缘发红的局部隆起病斑。试验时间为2 0 2 3 年5 一9 月,试验地点为塔里木大学园艺试验站。试验初始参数设置见表1。表1模型训练参数Table 1Model t
15、raining parameters参数名称Parameters图像大小Imagesize批尺寸Batch size轮次Epoch初始学习率 Initial learning rate优化函数Optimizer学习率动量Momentum权重衰减Weight decay1.2训练环境和评价指标为了衡量改进的算法相比原始算法的性能改善情况,本试验采用精度(P)、平均精度均值(mAP)和召回率(R)作为评价指标。所有预测目标中预测正确目标所占比例的计算初始值Initial value640 x640323000.01SGD0.9370.000 51期赵兴等:基于改进的YOLOv5苹果叶部病害识别研究
16、127公式如下:Precision=TP+FPRecall为所有标注正确目标中预测正确目标所占比例,其计算公式如下:TPRecall=_TP+FN上述两个公式中,TP表示预测正确的正面示例数;FP表示预测错误的反面示例数;FN表示预测错误的正面示例数;TN表示预测正确的反面示例数。AP是衡量训练出的网络模型在单个类别上优劣的重要指标,其计算公式如下:AP=P(R)dR式中,d表示对径向微分,所有类别的mAP均是衡量训练后的网络模型在每个类别上平均优劣的重要指标,mAP为所有类别上平均精度(AP)的平均值。mAP通常分为mAP0.5和mAP0.5:0.95,其中,mAP0.5指将IoU阈值设为0
17、.5 时,所有类别所有图片AP的平均值。mAP0.5:0.95指IoU阈值从0.5 到0.95,步长0.0 5 上的平均mAP。I o U 是指预测框和真实框交集部分的面积与预测框和真实框并集部分的面积的比值,N为预测的类别数。计算公式如下:SuionN2APmAP=i-1N1.3苹果叶部病害数据集试验数据集来自AIStudio,包含415 3 张标记图像的矩形位置来标记苹果叶部病害。其中数据集中调整为6 40 x640用于训练。通过Labellmg软件对图像进行分类标记,包括病害类型、中心坐标、每个病斑的宽度和高度,模型训练参数见表1。试验共标注了8 9 42 个病灶(表2)。将标记的数据集
18、以7:3 的比例随机分为训练集和测试集。3 种病害包括“Alternaria blotch“Grey spot“Rust。数据集的数据分布显示不平衡状态,即正常图片的数量远远高于病害图片的数量。表2 数据集标注分布TPTable 2Dataset annotation distribution(1)病害类型Disease type(2)斑点落叶病Alternaria blotch灰斑病 Grey spot锈病Rust总数Total由于数据集受到室外光照的影响,在拍摄过程中,会使图像整体亮度分布不均匀,在图像部分位置(3)过亮或过暗,因此需要调整图像的对比度。1.4直方图均衡化直方图均衡化计算公
19、式如下:Sk=T(r.)-Z-,=0,1,L-1j=in式中,n为的像素数;n为像素总数;k为灰度级数;L为可能出现的灰度级总数。直方图均衡化后的图像整体亮度提升,但对于图像中地面上过亮的区域更亮,所在过暗的区域没有起到明显的增强效果。1.5注意力机制(4)在YOLOv5网络中加人CBAM,帮助网络更精确地识别苹果叶部病害。CBAM是一个简洁且高效(5)的注意力模块,通常用于前馈卷积神经网络。在给定中间特征图的基础上会按照通道和空间两个维度推断注意力图,之后将输入特征图与其相乘以进行自适应的特征修饰,从而增强网络对关键通道域的注意力。此外,它能够与YOLOv5算法完美结合,从而使得高层特征的提
20、取更为全面和丰富,CBAM结构图见图 1 3 1。CBAM由通道域与空间域组成,通道域聚焦特征点在不同通道中的权重,特征图进人通道域后将其进行全局最大池化和全局平均池化,并使用多层MLP计算不同通道的注意力权重,然后使用Sigmoid激活函数输出最终结果,计算公式如下:M.(F)=oW,WoFcavg+W,WoFmax图片数量Number ofimages1 7511 2771 1254 153标注数Number oflabels39012 6332.4088942(6)(7)128北方农业学报52卷Convolutional Block Attention ModuleChannelInpu
21、t FeatureAttentionModuleSpatialAttentionModuleRefinedFeatureChannel AttentionModuleMaxPoolChannel AttentionSharedMLPInputfeatureFSpatial AttentionModuleconvlayer一MeChannel-refined MaxPool,AvgPoolfeatureFFigure 1CBAM structure diagram式中,为激活函数;Fcavg为平均池化后在空间上的特征映射;Fcmx为最大池化后在空间上的特征映射;W。是第1个全连接层的权重矩阵;W
22、,是第2 个全连接层的权重矩阵。SAM主要关注目标特征在图像中的具体位置,并对空间特征进行相应的转换,以便更准确地提取关键信息。在空间域采用全局最大池化和全局平均池化能获得新特征F的宽度和高度,将特征的维度从HxW变为1x1。之后通过卷积核进行7 x7卷积,利用 Sigmoid 进行归一化,最后将其与输出特征图合并,计算公式如下:M,(F)=o(f7(Fang;Fmx)式中,为激活函数;F77是尺寸为7 7 卷积运算滤波器;Fag为在通道上平均池化后特征映射;Fm为在通道上最大池化后特征映射。2结果与分析2.1改进直方图均衡化针对上述直方图均衡化对图像过亮或过暗区域没有明显增强的问题,利用自适
23、应阈值的方法对图Spatial AttentionMs图1CBAM结构图像直方图均衡化,通过对图像局部对比度的调整使整个图像的对比度得到增强。直方图均衡化后的苹果叶部图像整体亮度大幅度提升,图像中亮度较大的区域图像对比度增强效果较为明显,而自适应直方图均衡化可以有效解决图像过亮或过暗区域对比度没有明显增强的问题,使整个图像对比度得到增强,减少后续图像特征提取的计算量。对训练集原始病害图像进行旋转、随机亮度增强、随机色度增强,经过数据增强后的数据集见图2。YOLOv5是基于原始的YOLO目标检测架构设(8)计,使用了近年来卷积神经网络领域的最佳优化策略。YOLOv5骨干网络结合了Focus 结构
24、 3 2 和 CSP3结构,提取了输人样本中的主要信息。YOLOv5使用PANet34结构来融合特征层,并在特征层的三个不同尺度上实现预测。YOLOv5体系结构包含四种体系结构。本试验全面考虑了识别模型的准确性、效率和规模,并基于YOLOv5体系结构进行了苹果叶部对象识别网络的改进设计。原始YOLOv5的网络结构见图3 3 。1期赵兴等:基于改进的YOLOv5苹果叶部病害识别研究129日Erogeveleaf spotErogeveloalspo122020909ipa图2 楼数据增强后的数据集Figure 2Data enhanced datasetCBLCSP1.1CBLCSP1.608*
25、6083CBLCSP1.CBLSPPC5P2.1CBL上菜ConcatCSP2.CBLconcatCSP2CONV76*76*255CBLResunitCSP1-xCSP2.x2.2改进的BIFPN头部特征融合网络结构根据GOOGLEBRAIN团队 3 的研究,与FPN和PAN等其他特征融合方式相比,头部网络的双向特征金字塔网络结构(BiFPN)在实现双向跨尺度连接和加权特征融合方面表现更佳。YOLOv3所使用ConBNCBLCBLReSCBLunitX个残差组件ConvCBLCBL2*x个ConvLeakyreluaddTConvConvCHLCLConcatBNConcatBNreluCB
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5 苹果 病害 识别 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。