«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第52卷

期数:

2024年第20期

页码:

83-91

栏目:

作物营养智能诊断

出版日期:

2024-10-20

文章信息/Info

Title:

Diagnosis for nutritional deficiency of strawberry based on improved YOLO v5 algorithm

作者:

王克林¹;  王成义²;  郭冰¹;  李志勇¹;  李军台¹;  丁筱玲¹

1.山东农业大学机械与电子工程学院/山东省园艺机械与装备重点实验室，山东泰安 271018；2.山东农业大学信息科学与工程学院，山东泰安 271018

Author(s):

Wang Kelin; et al

关键词:

缺素诊断; 草莓叶片; 机器视觉; 改进YOLO v5算法; 注意力机制

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

为解决实际生产中草莓因缺素而导致经济损失的问题，提出一种基于YOLO v5算法的草莓叶片无损缺素检测方法，可针对4种常见的缺素(缺氮、缺磷、缺钾、缺钙)草莓叶片及正常草莓叶片进行识别。由于草莓的种植环境较为复杂，因此对YOLO v5算法进行改进，包括在骨干网络中添加CBAM注意力机制、使用Focal-EIoU损失函数替换默认的CIoU损失函数，以及引入Soft-NMS非极大值抑制算法并加入P2检测头，这些改进着重增加了算法在复杂背景下针对重叠目标及小目标的检测能力。经过改进所建立的YOLO v5-CFPS模型的准确率(P)、召回率(R)、平均精度均值(mAP值)分别为97.05%、95.71%、97.03%，相较于原始YOLO v5模型分别提升了647、6.01、7.73百分点，并通过NCNN框架将模型移植至安卓平台，验证了其实际应用的可行性。说明YOLO v5-CFPS模型对于草莓叶片缺素检测具有检测精度高、速度快、可靠性强等优点，为草莓缺素检测提供了一种更优的解决方案，有助于实现及时施肥追肥，并减少因不科学用肥所导致的经济损失和资源浪费。

Abstract:

-

参考文献/References:

［1］吕启昌. 设施草莓水肥控制模型研究与设计［D］. 泰安：山东农业大学，2023.
［2］韩旭. 基于卷积神经网络的番茄叶片缺素识别方法研究［D］. 杨凌：西北农林科技大学，2022.
［3］陈利苏. 基于机器视觉技术的水稻氮磷钾营养识别和诊断［D］. 杭州：浙江大学，2014.
［4］王熠. 基于形色组合特征的苹果树叶片缺钾诊断模型构建［D］. 泰安：山东农业大学，2022.
［5］张鑫宇. 基于机器学习的水培生菜缺素诊断模型研究［D］. 杨凌：西北农林科技大学，2022.
［6］桑东. 基于机器学习的水培生菜控制系统研究与设计［D］. 泰安：山东农业大学，2023.
［7］王良龙. 基于近红外光谱的梨叶缺素识别方法研究［D］. 合肥：安徽农业大学，2022.
［8］赵嘉威，田光兆，邱畅，等. 基于改进YOLO v4算法的苹果叶片病害检测方法［J］. 江苏农业科学，2023，51(9)：193-199.
［9］王宇博，马廷淮，陈光明. 基于改进YOLO v5算法的农田杂草检测［J］. 中国农机化学报，2023，44(4)：167-173.
［10］Vandecasteele B，van Waes C. Fast screening of total nutrient contents in strawberry leaves and spent growing media using NIRS［J］. Frontiers in Plant Science，2023，14：1210791.
［11］马婉婷，尚伟，谷晏，等. 草莓感官评价模型方法比较［J］. 现代食品科技，2023，39(11)：33-40.
［12］Ali Al-Qady R A，Alimam N M A. Impact of nano NPK fertilizer and humic acid application on vegetative growth of three strawberry cultivars［J］. IOP Conference Series(Earth and Environmental Science)，2023，1213(1)：012062.
［13］何斌，张亦博，龚健林，等. 基于改进YOLO v5的夜间温室番茄果实快速识别［J］. 农业机械学报，2022，53(5)：201-208.
［14］许志刚. 基于深度学习的肉鸡目标检测及状态分析［D］. 泰安：山东农业大学，2023.
［15］周绍发，肖小玲，刘忠意，等. 改进的基于YOLO v5s苹果树叶病害检测［J］. 江苏农业科学，2023，51(13)：212-220.
［16］孙丰刚，王云露，兰鹏，等. 基于改进YOLO v5s和迁移学习的苹果果实病害识别方法［J］. 农业工程学报，2022，38(11)：171-179.
［17］林文树，张金生，何乃磊. 基于改进YOLO v4的落叶松毛虫侵害树木实时检测方法［J］. 农业机械学报，2023，54(4)：304-312，393.
［18］姜国权，杨正元，霍占强，等. 基于改进YOLO v5网络的疏果前苹果检测方法［J］. 江苏农业科学，2023，51(14)：205-215.
［19］Bodla N，Singh B，Chellappa R，et al. Soft-NMS：improving object detection with one line of code［J/OL］. ArXiv，2017：1704. (2017-08-08)［2023-05-10］. http：//arxiv.org/abs/1704.04503v2.
［20］方文博，郭永刚，关法春，等. 基于改进YOLO v5s算法的大豆叶片虫洞的识别［J］. 湖南农业大学学报(自然科学版)，2023，49(1)：127-132.
［21］杨断利，王永胜，陈辉，等. 基于SEEC-YOLO v5s的散养蛋鸡日常行为识别与统计系统［J］. 农业机械学报，2023，54(9)：316-328.
［22］李宗南，蒋怡，王思，等. 基于YOLO v5模型的飞蓬属入侵植物目标检测［J］. 中国农机化学报，2023，44(7)：200-206.
［23］张境锋，陈伟，魏庆宇，等. 基于Des-YOLO v4的复杂环境下苹果检测方法［J］. 农机化研究，2023，45(5)：20-25.
［24］杨国亮，王吉祥，聂子玲. 基于改进型YOLO v5s的番茄实时识别方法［J］. 江苏农业科学，2023，51(15)：187-193.
［25］曾晏林，贺壹婷，蔺瑶，等. 基于BCE-YOLO v5的苹果叶部病害检测方法［J］. 江苏农业科学，2023，51(15)：155-163.
［26］廖晓辉，谢子晨，路铭硕. 基于YOLO v5s和Android部署的电气设备识别［J］. 郑州大学学报(工学版)，2024，45(1)：122-128.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2023-10-07
基金项目：山东省农机装备研发创新计划(编号：2015YF103)；山东省自然科学基金(编号：ZR2018MF025)；山东省重点研发计划(编号：2017GNC12103)。
作者简介：王克林(1998—)，男，江苏徐州人，硕士研究生，主要从事农机装备智能化研究。E-mail：897364122@qq.com。
通信作者：丁筱玲，教授，主要从事模式识别与智能控制、自动化仪器仪表与装置、自动控制等教学科研工作。E-mail：xld@sdau.edu.cn。

常用功能

更新日期/Last Update: 2024-10-20