|本期目录/Table of Contents|

[1]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.
　Zhou Shaofa,et al.Improved apple leaf disease detection based on YOLOv5s[J].Jiangsu Agricultural Sciences,2023,51(13):212-220.
点击复制

改进的基于YOLOv5s苹果树叶病害检测(PDF)
分享到：

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第51卷
期数:
2023年第13期
页码:
212-220
栏目:
农业工程与信息技术
出版日期:
2023-07-05

文章信息/Info

Title:
Improved apple leaf disease detection based on YOLOv5s
作者:
周绍发; 肖小玲; 刘忠意; 鲁力
长江大学计算机科学学院，湖北荆州 434000
Author(s):
Zhou Shaofa; et al
关键词:
苹果树叶病害; 目标检测; YOLOv5s; bottleneck transformers; SIoU
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
针对目前在复杂环境下苹果树叶病害检测准确度低、鲁棒性差、计算量大等问题，提出一种改进的基于YOLOv5s苹果树叶病害的检测方法。首先，该方法在YOLOv5s网络基础上，选择考虑方向性的SIoU边框损失函数替代CIoU边框损失函数，使网络训练和推理过程更快，更准确。其次，在特征图转换成固定大小的特征向量的过程中，使用了简单化的快速金字塔池化(SimSPPF)替换快速金字塔池化(SPPF)模块，在不影响效率的情况下丢失的信息更少。最后在主干网络中使用BoTNet(bottleneck transformers)注意力机制，使网络准确的学习到每种病害的独有特征，并且使网络收敛更快。结果表明，相比于基准网络YOLOv5s，改进后的YOLOv5s网络mAP精度为86.5%，计算量为15.5GFLOPs，模型权重大小为13.1 MB，相对于基准YOLOv5s，平均精度提升了6.3百分点、计算量降低了03GFLOPs、模型权重压缩了1 MB。并适用于遮挡、阴影、强光、模糊的复杂环境。本研究所提出的方法，在降低了网络大小、权重、计算量的情况下提高了复杂环境下苹果树叶病害的检测精度，且对复杂环境具有一定的鲁棒性。在预防和治理苹果树叶病害上有较高的实际应用价值，在后续研究上，会扩充更多类别的病害数据集，部署到无人机等物联网设备，从而为实现智能果园种植提供技术参考。
Abstract:
-

参考文献/References:

［1］李会宾，史云. 果园采摘机器人研究综述［J］. 中国农业信息，2019，31(6)：1-9.
［2］李书琴，陈聪，朱彤，等. 基于轻量级残差网络的植物叶片病害识别［J］. 农业机械学报，2022，53(3)：243-250.
［3］Bari B S，Islam M N，Rashid M，et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework［J］. Peer J Computer Science，2021，7：e432.
［4］王超学，祁昕，马罡，等. 基于YOLOv3的葡萄病害人工智能识别系统［J］. 植物保护，2022，48(6)：278-288.
［5］Richey B，Shirvaikar M V. Deep learning based real-time detection of northern corn leaf blight crop disease using YOLOv4［C］//Real-Time Image Processing and Deep Learning. 2021：39-45.
［6］Haque M E，Rahman A，Junaeid I，et al. Rice leaf disease classification and detection using YOLOv5［EB/OL］. (2022-09-04)［2022-10-10］. https：//arxiv.org/pdf/2209.01579.pdf.
［7］雷建云，陈楚，郑禄，等. 基于改进残差网络的水稻害虫识别［J］. 江苏农业科学，2022，50(14)：190-198.
［8］Ultralytics.YOLOv5［EB/OL］. (2020-06-26)［2022-02-22］. https：//github.com/ultralytics/YOLOv5.
［9］Rezatofighi H，Tsoi N，Gwak J Y，et al. Generalized intersection over union：a metric and a loss for bounding box regression［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019：658-666.
［10］Zheng Z，Wang P，Liu W，et al. Distance-IoU loss：faster and better learning for bounding box regression［C］//Proceedings of the AAAI Conference on Artificial Intelligence. 2020：12993-13000.
［11］Zheng Z H，Wang P，Ren D W，et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics，2022，52(8)：8574-8586.
［12］Gevorgyan Z.SIoU loss：more powerful learning for bounding box regression［EB/OL］. (2022-05-25)［2022-10-10］. https：//arxiv.org/abs/2205.12740.
［13］He K M，Zhang X Y，Ren S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37(9)：1904-1916.
［14］Guo M H，Xu T X，Liu J J，et al. Attention mechanisms in computer vision：a survey［J］. Computational Visual Media，2022，8(3)：331-368.
［15］Srinivas A，Lin T Y，Parmar N，et al. Bottleneck transformers for visual recognition［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville：IEEE，2021：16514-16524.
［16］Shaw P，Uszkoreit J，Vaswani A.Self-attention with relative position representations［EB/OL］. (2018-04-12)［2022-09-10］. https：//arxiv.org/pdf/1803.02155.pdf.

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(13):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(13):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(13):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(13):187.
[5]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(13):205.
[6]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(13):147.
[7]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(13):221.
[8]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(13):175.
[9]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(13):192.
[10]温彬彬,张华,孟祥龙.基于改进YOLO v5的轻量化苹果检测方法[J].江苏农业科学,2024,52(12):217.
　Wen Binbin,et al.A lightweight apple detection method based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(13):217.

备注/Memo

备注/Memo:
收稿日期：2022-10-15
基金项目：国家自然科学基金(编号：61771354)。
作者简介：周绍发(1998—)，男，湖北武汉人，硕士研究生，研究方向为深度学习与目标检测。E-mail：2021710595@yangtzeu.edu.cn。
通信作者：肖小玲，博士，教授，研究方向为智能信息处理、网络安全、云计算和无线网络。E-mail：xxl@yangtzeu.edu.cn。
更新日期/Last Update: 2023-07-05