«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51卷

期数:

2023年第24期

页码:

175-183

栏目:

农业工程与信息技术

出版日期:

2023-12-20

文章信息/Info

Title:

Study on a detection method for crop diseases and insect pests based on YOLO v5s improved model

作者:

施杰; 林双双; 罗建刚; 杨琳琳; 张毅杰; 顾丽春

云南农业大学机电工程学院，云南昆明 650201

Author(s):

Shi Jie; et al

关键词:

玉米作物病虫害; YOLO v5s改进模型; 注意力机制; EIOU; 目标检测

Keywords:

-

分类号:

S126；TP391.41

DOI:

-

文献标志码:

A

摘要:

针对玉米作物病虫害目标检测中由于图像背景复杂、无关因素干扰较多而导致的对病虫害目标检测效果不理想等问题，采用深度学习技术，提出一种基于YOLO v5s改进模型的玉米作物病虫害检测方法。该方法通过引入无参SimAM注意力机制对YOLO v5s模型进行改进，利用该机制能更全面地评估模型特征权重，以增强玉米病虫害的特征，削弱复杂背景和无关信息的干扰，从而提高模型的检测性能。同时，将模型的损失函数由CIOU替换为EIOU，可使病虫害预测框更加接近真实框，以提升模型检测的准确率。通过自建的玉米病虫害数据集对模型进行试验对比，结果表明，YOLO v5s(EIOU+SimAM)改进模型的精确率为94.6%，召回率为83.4%，平均精度均值为90.1%。经比较发现，改进模型比原始模型在上述3个指标方面分别提升了5.4、0.5、1.9百分点，说明YOLO v5s(EIOU+SimAM)模型对玉米病虫害检测具有较强的鲁棒性和泛化性。

Abstract:

-

参考文献/References:

［1］代瑞熙，徐伟平. 中国玉米增产潜力预测［J］. 农业展望，2022，18(3)：41-49.
［2］安艳丽. 玉米常见病害的识别与防治［J］. 农业与技术，2017，37(18)：44.
［3］王文明. 玉米常见病虫害防治措施探讨［J］. 农业开发与装备，2017(12)：149，151.
［4］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39(6)：1137-1149.
［5］Liu W，Anguelov D，Erhan D，et al. SSD：single shot multibox detector［C］//European Conference on Computer Vision 2016. Cham：Springer International Publishing，2016：21-37.
［6］陈桂珍，龚声蓉. 计算机视觉及模式识别技术在农业生产领域的应用［J］. 江苏农业科学，2015，43(8)：409-413.
［7］周维，牛永真，王亚炜，等. 基于改进的YOLO v4-GhostNet水稻病虫害识别方法［J］. 江苏农业学报，2022，38(3)：685-695.
［8］Woebbecke D M，Meyer G E，Von Bargen K，et al. Color indices for weed identification under various soil，residue，and lighting conditions［J］. Transactions of the ASAE，1995，38(1)：259-269.
［9］El-Faki M S，Zhang N，Peterson D E. Weed detection using color machine vision［J］. Transactions of the ASAE，2000，43(6)：1969-1978.
［10］毛文华，王辉，赵博，等. 基于株心颜色的玉米田间杂草识别方法［J］. 农业工程学报，2009，25(增刊2)：161-164.
［11］孟庆宽，张漫，杨晓霞，等. 基于轻量卷积结合特征信息融合的玉米幼苗与杂草识别［J］. 农业机械学报，2020，51(12)：238-245，303.
［12］徐会杰，黄仪龙，刘曼. 基于改进YOLO v3模型的玉米叶片病虫害检测与识别研究［J］. 南京农业大学学报，2022，45(6)：1276-1285.
［13］胡文泽，王宝聚，耿丽杰，等. 基于Cascade R-CNN的玉米幼苗检测［J］. 农机化研究，2023，45(5)：26-31.
［14］陈玉冲，龙梦玲，郭辉，等. 灰飞虱研究的文献计量分析［J］. 江苏科技信息，2021，38(15)：22-25，53.
［15］杨春媛. 玉米常见病害的发病症状及防治措施［J］. 乡村科技，2017(24)：63-64.
［16］路兴涛，吴翠霞，张勇，等. 玉米灰飞虱与粗缩病的发生规律及综合防治策略［J］. 安徽农业科学，2013，41(19)：8168-8169.
［17］Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-time object detection［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. Las Vagas：IEEE，2016：779-788.
［18］Zhai N. Detection using YOLO v5n and YOLO v5s with small balls［C］//International Conference on Computer Graphics，Artificial Intelligence，and Data Processing. SPIE，2022，12168：428-432.
［19］Bochkovskiy A，Wang C Y，Liao H Y M. YOLO v4：optimal speed and accuracy of object detection［J］. arXiv，2020，2004：10934.
［20］郭磊，王邱龙，薛伟，等. 基于改进YOLO v5的小目标检测算法［J］. 电子科技大学学报，2022，51(2)：251-258.
［21］范晓飞，王林柏，刘景艳，等. 基于改进YOLO v4的玉米种子外观品质检测方法［J］. 农业机械学报，2022，53(7)：226-233.
［22］王鹏飞，黄汉明，王梦琪. 改进YOLO v5的复杂道路目标检测算法［J］. 计算机工程与应用，2022，58(17)：81-92.
［23］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.
［24］李惠惠，范军芳，陈启丽.改进YOLO v5的遥感图像目标检测［J］. 弹箭与制导学报，2022，42(4)：17-23.
［25］彭红星，何慧君，高宗梅，等. 基于改进ShuffleNetV2模型的荔枝病虫害识别方法［J］. 农业机械学报，2022，53(12)：290-300.
［26］Yu J H，Jiang Y N，Wang Z Y，et al. Unitbox：an advanced object detection network［C］//Proceedings of the 24th ACM International Conference on Multimedia. New York：ACM，2016：516-520.
［27］Zhang Y F，Ren W，Zhang Z，et al. Focal and efficient IoU loss for accurate bounding box regression［J］. Neurocomputing，2022，506：146-157.

相似文献/References:

备注/Memo

备注/Memo:

收稿日期：2023-03-16
基金项目：国家自然科学基金(编号：32260438)；云南省教育厅科学研究基金(编号：2022J0307)。
作者简介：施杰(1981—)，男，云南昆明人，博士，副教授，硕士生导师，主要从事农业智能装备、机械故障诊断技术研究。E-mail：km_shijie@126.com。
通信作者：顾丽春，硕士，实验师，主要从事农业信息化研究。E-mail：307524527@qq.com。

常用功能

更新日期/Last Update: 2023-12-20