«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:

199-208

栏目:

病虫害智能检测

出版日期:

2024-10-20

文章信息/Info

Title:

Real-time potato leaf disease detection method based on improved YOLOX

作者:

张凯萍¹;  李国霞²

1.许昌电气职业学院信息工程系，河南许昌 461002； 2.郑州大学物理学院，河南郑州 450001

Author(s):

Zhang Kaiping; et al

关键词:

马铃薯病害检测; YOLOX; MobileNetv3; V通道网络; 交叉熵损失

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

随着深度学习在图像识别领域的广泛应用，目标检测算法已取得显著进展。然而，在农业病害检测特别是马铃薯叶病害检测方面，仍面临诸多挑战，如自然光影响和数据不平衡问题等。为此，提出一种改进YOLOX的马铃薯叶病害检测方法。首先以轻量化MobileNet v3网络作为骨干替换原有的CSPDarkNet53网络，以提高模型在特征提取上的效率，同时减少计算量。其次引入V通道网络，增加模型对复杂光照环境的适应性，更精确地捕获纹理信息。最后设计一种自适应的交叉熵损失函数，以解决样本不平衡的问题，确保模型的鲁棒性和准确性。在公开数据集PlantVillage上进行试验验证，结果表明，改进模型平均准确率、浮点运算次数、内存和FPS分别为98.55%、14.63×10⁹次、49.35 MB、125.92帧/s。相比原始YOLOX模型，平均准确率和单帧识别速度分别提高4.38百分点、36.65%；浮点运算次数和内存分别降低43.23%、34.33%。此外，与不同模型对比试验以及嵌入式平台上的试验结果均表明，本研究提出的改进YOLOX模型在准确率、计算效率和速度方面均具有明显的优势，为农作物叶片病害检测提供了一种有效的解决方案。

Abstract:

-

参考文献/References:

［1］赵丙秀，董宁. 基于WOA-BP神经网络下马铃薯产量预测分析模型［J］. 农机化研究，2024，46(3)：47-51.
［2］刘崇林，赵胜雪，胡军，等. 两种淀粉薯收获期茎秆机械特性的试验研究［J］. 农机化研究，2020，42(6)：117-122.
［3］胡新元，孙小花，罗爱花，等. 叶面喷施硫酸锌对马铃薯抗病性和产量的影响［J］. 西北农业学报，2023，32(8)：1187-1193.
［4］王凡，李永玉，彭彦昆，等. 便携式马铃薯多品质参数局部透射光谱无损检测装置［J］. 农业机械学报，2018，49(7)：348-354.
［5］刘二龙，魏霜，关丽军，等. 马铃薯成分微滴数字聚合酶链式反应定量检测方法建立［J］. 粮食与油脂，2021，34(3)：120-123.
［6］Minaee S，Boykov Y，Porikli F，et al. Image segmentation using deep learning：a survey［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2022，44(7)：3523-3542.
［7］Zhao Z Q，Zheng P，Xu S T，et al. Object detection with deep learning：a review［J］. IEEE Transactions on Neural Networks and Learning Systems，2019，30(11)：3212-3232.
［8］Chen X，Wan M J，Ma C，et al. Recognition of small targets in remote sensing image using multi-scale feature fusion-based shot multi-box detector［J］. Optics and Precision Engineering，2021，29(11)：2672-2682.
［9］Khan M A，Akram T，Sharif M，et al. CCDF：automatic system for segmentation and recognition of fruit crops diseases based on correlation coefficient and deep CNN features［J］. Computers and electronics in agriculture，2018，155：220-236.
［10］Liu B，Ding Z F，Tian L L，et al. Grape leaf disease identification using improved deep convolutional neural networks［J］. Frontiers in Plant Science，2020，11：1082.
［11］Abbas A，Jain S，Gour M，et al. Tomato plant disease detection using transfer learning with C-GAN synthetic images［J］. Computers and Electronics in Agriculture，2021，187：106279.
［12］Zhang K K，Wu Q F，Chen Y P.Detecting soybean leaf disease from synthetic image using multi-feature fusion faster R-CNN［J］. Computers and Electronics in Agriculture，2021，183：106064.
［13］Saeed A，Abdel-Aziz A A，Mossad A，et al. Smart detection of tomato leaf diseases using transfer learning-based convolutional neural networks［J］. Agriculture，2023，13(1)：139.
［14］Girshick R，Donahue J，Darrell T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition，Columbus，OH，USA. IEEE，2014：580-587.
［15］Girshick R. Fast R-CNN［C］//2015 IEEE International Conference on Computer Vision (ICCV).Santiago，Chile.IEEE，2015：1440-1448.
［16］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transations on Pattern Analysis and Machine Intelligence，2017，39(6)：1137-1149.
［17］Khalifa N E M，Taha M H N，Abou El-Maged L M，et al. Artificial intelligence in potato leaf disease classification：a deep learning approach［M］//Hassanien A E，Darwish A. Machine learning and big data analytics paradigms：analysis，applications and challenges. Cham：Springer International Publishing，2021：63-79.
［18］Zhang Y，Song C L，Zhang D W. Deep learning-based object detection improvement for tomato disease［J］. IEEE Access，2020，8：56607-56614.
［19］Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Las Vegas，NV，USA.IEEE，2016：779-788.
［20］Redmon J，Farhadi A. YOLO9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu，HI，USA.IEEE，2017：6517-6525.
［21］朱格，徐燕，孙莹莹，等. Darknet深度学习框架下基于YOLO v3的病虫害识别和农药喷洒系统［J］. 农业与技术，2023，43(10)：33-38.
［22］Liu W，Anguelov D，Erhan D，et al. SSD：single shot MultiBox detector［M］//Leibe B，Matas J，Sebe N，et al. Computer vision-ECCV 2016.Cham：Springer International Publishing，2016：21-37.
［23］赵越，赵辉，姜永成，等. 基于深度学习的马铃薯叶片病害检测方法［J］. 中国农机化学报，2022，43(10)：183-189.
［24］Rashid J，Khan I，Ali G，et al. Multi-level deep learning model for potato leaf disease recognition［J］. Electronics，2021，10(17)：2064.
［25］Liu J，Wang X W. Tomato diseases and pests detection based on improved YOLY v3 convolutional neural network［J］. Frontiers in Plant Science，2020，11：898.
［26］宋玲，曹勉，胡小春，等. 基于YOLOX的复杂背景下木薯叶病害检测方法［J］. 农业机械学报，2023，54(3)：301-307.
［27］刘延鑫，王俊峰，杜传印，等. 基于YOLO v3的多类烟草叶部病害检测研究［J］. 中国烟草科学，2022，43(2)：94-100.
［28］张剑飞，柯赛. 基于YOLOX-s的农业害虫检测研究［J］. 计算机技术与发展，2023，33(5)：208-213.
［29］沈志豪，刘金江，张建洋. 基于改进YOLOX-s的田间麦穗检测及计数［J］. 江苏农业科学，2023，51(12)：164-171.
［30］Howard A，Sandler M，Chen B，et al. Searching for MobileNet v3［C］//2019 IEEE/CVF International Conference on Computer Vision (ICCV).Seoul，Korea (South).IEEE，2019：1314-1324.

相似文献/References:

[1]张世豪,董峦,赵昀杰.基于YOLOX的小麦穗旋转目标检测[J].江苏农业科学,2024,52(20):157.
　Zhang Shihao,et al.Rotating target detection of wheat ears based on YOLOX[J].Jiangsu Agricultural Sciences,2024,52(20):157.

备注/Memo

备注/Memo:

收稿日期：2023-10-06
基金项目：国家自然科学基金(编号：62002330)。
作者简介：张凯萍(1983—)，女，河南许昌人，硕士，副教授，研究方向为机器学习、目标检测。E-mail：zhangkp1983@163.com。
通信作者：李国霞，教授，主要从事农业信息技术、计算机视觉研究。E-mail：zhangkp1983@163.com。

常用功能

更新日期/Last Update: 2024-10-20