«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53卷

期数:

2025年第5期

页码:

250-257

栏目:

病虫害智能检测

出版日期:

2025-03-05

文章信息/Info

Title:

Identification of cotton leaf disease and pest in complex environment based on improved YOLO v5s

作者:

刘嘉; 曾鹏滔; 王志胜; 撒金海

新疆大学软件学院，新疆乌鲁木齐 830000

Author(s):

Liu Jia; et al

关键词:

目标检测; 棉叶病虫害; 主干网络; 损失函数; 注意力机制

Keywords:

-

分类号:

TP391.41；S126

DOI:

-

文献标志码:

A

摘要:

棉叶病虫害是影响棉花产量的关键性因素，为解决传统人工棉叶病虫害识别准确率低的问题，提出一种基于YOLO v5s的改进模型来实现真实环境下的棉叶病虫害精确识别，该模型将YOLO v5模型的原主干网络改进为一种新的纯轻量级卷积网络架构RepViT，它与YOLO v5原有的主干网络CSPNet相比不但参数更少且具有更高的平均精度均值；再使用一种基于MPDIoU的边界框回归损失函数MLPDIoU来减小背景损失在置信损失中的占比，使得模型收敛更快速，模型训练更加充分，提高本模型在复杂背景下的目标检测精度；最后针对棉叶病虫害检测时存在的叶片背景复杂、病虫害叶片与健康叶片高度相似、同一张图像可能出现数种不同病虫害叶片的问题，在SPPF层之前添加ECA注意力机制，使本模型能更好的提取病虫害叶片的特征，减少背景的干扰。通过以上改进，该模型在真实环境下对棉叶病虫害检测的准确率达到了91.4%，均值平均精度达到85.8%，相较于SSD、YOLO v3、YOLO v4、YOLO v5等传统模型，准确率分别提高了6.3、2.7、7.5、3.4百分点，平均均值精度分别提高了4.0、5.2、4.6、4.8百分点，可以有效识别出各种棉叶病虫害，为棉花种植户进行参考。

Abstract:

-

参考文献/References:

［1］刘文静，范永胜，董彦琪，等. 我国棉叶生产现状分析及建议［J］. 中国种业，2022(1)：21-25.
［2］刘嘉嘉，黄福江.新疆棉花生产现状和存在问题及对策［J］. 棉花科学，2022，44(5)：15-19.
［3］唐睿，孙宪银，卓富彦，等. 近5年中国棉花主要病虫害发生演替及防控分析［J］. 新疆农业科学，2021，58(12)：2208-2219.
［4］曾娟，陆宴辉，刘明，等. 棉花病虫草害调查诊断与决策支持系统开发与实现［J］. 中国植保导刊，2017，37(5)：30-36.
［5］许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述［J］. 计算机工程与应用，2021，57(8)：10-25.
［6］马琳琳，马建新，韩佳芳，等. 基于YOLO v5s目标检测算法的研究［J］. 电脑知识与技术，2021，17(23)：100-103.
［7］周绍发，肖小玲，刘忠意，等. 改进的基于YOLOv5s苹果树叶病害检测［J］. 江苏农业科学，2023，51(13)：212-220.
［8］董文轩，梁宏涛，刘国柱，等. 深度卷积应用于目标检测算法综述［J］. 计算机科学与探索，2022，16(5)：1025-1042.
［9］李滨，樊健. 基于YOLO v5的水稻害虫分类［J］. 江苏农业科学，2024，52(2)：175-182.
［10］王小铸，于莲芝. 基于卷积与自注意力聚合的小目标检测［J］. 电子科技，2024，37(2)：14-22.
［11］Wang A，Chen H，Lin Z J，et al. RepViT：revisiting mobile CNN from ViT perspective［EB/OL］. (2023-07-18)［2024-01-02］. https：//arxiv.org/abs/2307.09283v8.
［12］董恒祥，潘江如，董芙楠，等. 基于YOLO v5s模型的边界框回归损失函数研究［J］. 现代电子技术，2024，47(3)：179-186.
［13］Ma S L，Xu Y，Ma S L，et al. MPDIoU：a loss for efficient and accurate bounding box regression［EB/OL］. (2023-07-14)［2024-01-02］. https：//arxiv.org/abs/2307.07662v1.
［14］花成才，磨少清，陈怡霖，等. 基于红外图像的目标检测算法分析［J］. 汽车实用技术，2024，49(2)：59-66.
［15］Wang Q L，Wu B G，Zhu P F，et al. ECA-net：efficient channel attention for deep convolutional neural networks［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattleg：IEEE，2020：11531-11539.
［16］杨光乔，李颖，王国程，等. 基于ECA改进1D-CNN的柱塞泵故障诊断［J］. 石油机械，2023，51(11)：34-40，162.

相似文献/References:

[1]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(5):247.
[2]陈恩会,褚姝频,王炜,等.基于RetinaNet模型的梨小食心虫智能识别计数方法[J].江苏农业科学,2021,49(24):205.
　Chen Enhui,et al.Intelligent recognition and counting method of Grapholitha molesta based on RetinaNet model[J].Jiangsu Agricultural Sciences,2021,49(5):205.
[3]陶雪阳,施振旦,郭彬彬,等.基于RFID与目标检测的种鹅个体产蛋信息监测方法[J].江苏农业科学,2023,51(5):200.
　Tao Xueyang,et al.Monitoring method of individual egg-laying information of breeding geese based on RFID and object detection[J].Jiangsu Agricultural Sciences,2023,51(5):200.
[4]严陈慧子,田芳明,谭峰,等.基于改进YOLOv4的水稻病害快速检测方法[J].江苏农业科学,2023,51(6):187.
　Yanchen Huizi,et al.Rapid detection method of rice diseases based on improved YOLOv4[J].Jiangsu Agricultural Sciences,2023,51(5):187.
[5]周绍发,肖小玲,刘忠意,等.改进的基于YOLOv5s苹果树叶病害检测[J].江苏农业科学,2023,51(13):212.
　Zhou Shaofa,et al.Improved apple leaf disease detection based on YOLOv5s[J].Jiangsu Agricultural Sciences,2023,51(5):212.
[6]姜国权,杨正元,霍占强,等.基于改进YOLOv5网络的疏果前苹果检测方法[J].江苏农业科学,2023,51(14):205.
　Jiang Guoquan,et al.Apple detection method before thinning fruit based on improved YOLOv5 model[J].Jiangsu Agricultural Sciences,2023,51(5):205.
[7]王圆圆,林建,王姗.基于YOLOv4-tiny模型的水稻早期病害识别方法[J].江苏农业科学,2023,51(16):147.
　Wang Yuanyuan,et al.An early rice disease recognition method based on YOLOv4-tiny model[J].Jiangsu Agricultural Sciences,2023,51(5):147.
[8]倪智涛,胡伟健,李宝山,等.一种基于图像分类与目标检测协同的番茄细粒度病害识别方法[J].江苏农业科学,2023,51(22):221.
　Ni Zhitao,et al.A novel method for tomato fine-grained disease recognition based on image classification and target detection[J].Jiangsu Agricultural Sciences,2023,51(5):221.
[9]施杰,林双双,罗建刚,等.基于YOLO v5s改进模型的玉米作物病虫害检测方法[J].江苏农业科学,2023,51(24):175.
　Shi Jie,et al.Study on a detection method for crop diseases and insect pests based on YOLO v5s improved model[J].Jiangsu Agricultural Sciences,2023,51(5):175.
[10]郑旭康,李志忠,秦俊豪.基于半监督学习的梨叶病害检测[J].江苏农业科学,2024,52(5):192.
　Zheng Xukang,et al.Study on pear leaf disease detection based on semi-supervised learning[J].Jiangsu Agricultural Sciences,2024,52(5):192.

备注/Memo

备注/Memo:

收稿日期：2024-01-06
基金项目：国家自然科学基金(编号：62266043)。
作者简介：刘嘉(1999—)，男，江苏徐州人，硕士研究生，研究方向为图像处理。E-mail：2505188345@qq.com。
通信作者：撒金海，高级工程师，研究方向为图像处理。E-mail：super_sjh@163.com。

常用功能

更新日期/Last Update: 2025-03-05