|本期目录/Table of Contents|

[1]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):147-154.
　Wang Yuanyuan,et al.An early rice disease recognition method based on YOLOv4-tiny model[J].Jiangsu Agricultural Sciences,2023,51(16):147-154.
点击复制

基于YOLOv4-tiny模型的水稻早期病害识别方法(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16期
页码:
147-154
栏目:
农业工程与信息技术
出版日期:
2023-08-20

文章信息/Info

Title:
An early rice disease recognition method based on YOLOv4-tiny model
作者:
王圆圆;  林建;  王姗
福建农林大学机电工程学院，福建福州 350108
Author(s):
Wang Yuanyuan; et al
关键词:
轻量化模型; YOLOv4-tiny; 水稻病虫害; 目标检测; 精准农业
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
针对现有的卷积神经网络模型过于依赖设备的计算和存储能力、水稻病虫害形状大小不一、遮挡造成的病害特征显著性弱、漏检率高等问题，采用轻量化、易部署的YOLOv4-tiny模型检测和识别水稻病虫害。首先收集831张4种不同的水稻病害叶片图像样本，为了使模型具有更好的泛化能力，对已有数据进行数据增强，将样本数量扩增到了5 320张。然后构建YOLOv4-tiny轻量化模型，与经典的YOLOv4算法模型相比，其主干特征提取网络CSPDarkNet53模块替换为CSPDarkNet53_tiny，使用CPSnet进行通道的分割，实现了网络模型的压缩并提高了训练速度；添加了FPN结构，对有效特征层进行特征融合；依据模型评价指标，通过试验将YOLOv4-tiny轻量化网络与经典的YOLOv4网络、Faster-RCNN网络、YOLOv4-MobileNet系列轻量化网络、YOLOv4-GhostNet轻量化网络和SSD轻量化网络进行对比。结果表明，YOLOv4-tiny的平均准确率可以达到81.79%，检测速度可以达到90.03帧/s，模型权重大小为22.4 MB，能够比较精准地识别水稻胡麻斑病、白叶枯病、稻瘟病和窄条斑病，保证在轻量化计算成本的基础上获得较好的检测精度，可以为水稻病虫害识别方法提供参考。
Abstract:
-

参考文献/References:

［1］王忠培，张萌，董伟，等. 基于迁移学习的多模型水稻病害识别方法研究［J］. 安徽农业科学，2021，49(20)：236-242.
［2］鲍文霞，邱翔，胡根生，等. 基于椭圆型度量学习空间变换的水稻虫害识别［J］. 华南理工大学学报(自然科学版)，2020，48(10)：136-144.
［3］范春全，何彬彬. 基于迁移学习的水稻病虫害识别［J］. 中国农业信息，2020，32(2)：36-44.
［4］王映龙，戴香粮. 图像处理技术在水稻虫害系统中的应用［J］. 微计算机信息，2007，23(26)：274-275，256.
［5］姚青，张超，王正，等. 分布式移动农业病虫害图像采集与诊断系统设计与试验［J］. 农业工程学报，2017，33(增刊1)：184-191.
［6］房若民，沈凯文，李浩伟. MobileNet算法的嵌入式农业病虫害识别系统［J］. 单片机与嵌入式系统应用，2020，20(5)：61-63.
［7］燕斌，周鹏，严利. 基于迁移学习的小样本农作物病害识别［J］. 现代农业科技，2019(6)：87-89.
［8］蒋丰千，李旸，余大为，等. 基于Caffe的生姜病害识别系统研究与设计［J］. 中国农机化学报，2019，40(1)：126-131.
［9］蒲秀夫，宁芊，雷印杰，等. 基于二值化卷积神经网络的农业病虫害识别［J］. 中国农机化学报，2020，41(2)：177-182.
［10］杨颖，文小玲，章秀华. 基于方向梯度直方图和局部二值模式混合特征的水稻病虫害识别方法研究［J］. 河南农业大学学报，2021，55(6)：1089-1096.
［11］胡嘉沛，李震，黄河清，等. 采用改进YOLOv4-Tiny模型的柑橘木虱识别［J］. 农业工程学报，2021，37(17)：197-203.
［12］权龙哲，夏福霖，姜伟，等. 基于YOLO v4卷积神经网络的农田苗草识别研究［J］. 东北农业大学学报，2021，52(7)：89-98.
［13］王立舒，秦铭霞，雷洁雅，等. 基于改进YOLOv4-Tiny的蓝莓成熟度识别方法［J］. 农业工程学报，2021，37(18)：170-178.
［14］东辉，陈鑫凯，孙浩，等. 基于改进YOLOv4和图像处理的蔬菜田杂草检测［J］. 图学学报，2022，43(4)：559-569.
［15］钟志峰，夏一帆，周冬平，等. 基于改进YOLOv4的轻量化目标检测算法［J］. 计算机应用，2022，42(7)：2201-2209.
［16］赵家琪，高贵，黄晓峰，等. 一种改进的YOLOv4-tiny车辆目标检测方法［J］. 电子产品世界，2021，28(9)：39-43.
［17］严开忠，马国梁，许立松，等. 基于改进YOLOv3的机载平台目标检测算法［J］. 电光与控制，2021，28(5)：70-74.
［18］杨蜀秦，刘杨启航，王振，等. 基于融合坐标信息的改进YOLO V4模型识别奶牛面部［J］. 农业工程学报，2021，37(15)：129-135.
［19］Xiao Z T，Yin K，Geng L，et al. Pest identification via hyperspectral image and deep learning［J］. Signal，Image and Video Processing，2022，16(4)：873-880.
［20］Liu Y W，Zhang X，Gao Y X，et al. Improved CNN method for crop pest identification based on transfer learning［J］. Computational Intelligence and Neuroscience，2022，2022：9709648.
［21］王明吉，陈秋梦，任福深，等. 基于yolov4的垃圾检测系统［J］. 工业仪表与自动化装置，2021(5)：20-23，72.

相似文献/References:

[1]郑超杰,李少波,蒲睿强,等.基于轻量化卷积神经网络的番茄叶片病害识别[J].江苏农业科学,2024,52(11):225.
　Zheng Chaojie,et al.Tomato leaf disease recognition based on lightweight convolutional neural network[J].Jiangsu Agricultural Sciences,2024,52(16):225.
[2]李炳鑫,宋涛,高婕,等.基于YOLO v5模型的缺钙草莓叶片识别方法[J].江苏农业科学,2024,52(20):74.
　Li Bingxin,et al.Identification method of calcium-deficient strawberry leaves based on YOLO v5 model[J].Jiangsu Agricultural Sciences,2024,52(16):74.
[3]蔡国庆,吴建军,祝玉华,等.基于知识蒸馏的棉花病害分类轻量化算法改进[J].江苏农业科学,2025,53(5):195.
　Cai Guoqing,et al.Improvement of a lightweight cotton disease classification algorithm based on knowledge distillation[J].Jiangsu Agricultural Sciences,2025,53(16):195.

备注/Memo

备注/Memo:
收稿日期：2022-11-19
基金项目：国家重点研发计划(编号：2016YFD0300508)。
作者简介：王圆圆(1999—)，女，山东枣庄人，硕士研究生，主要研究方向数字图像处理与病虫害目标检测。E-mail：1729734824@qq.com。
通信作者：林建，博士，副教授，硕士生导师，主要研究方向逆向设计、数字图像处理。E-mail：1827740@qq.com。
更新日期/Last Update: 2023-08-20