|本期目录/Table of Contents|

[1]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):74-82.
　Li Bingxin,et al.Identification method of calcium-deficient strawberry leaves based on YOLO v5 model[J].Jiangsu Agricultural Sciences,2024,52(20):74-82.
点击复制

基于YOLO v5模型的缺钙草莓叶片识别方法(PDF)
分享到：

《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:
74-82
栏目:
作物营养智能诊断
出版日期:
2024-10-20

文章信息/Info

Title:
Identification method of calcium-deficient strawberry leaves based on YOLO v5 model
作者:
李炳鑫;  宋涛;  高婕;  李冬;  高鹏;  李仁杰;  赵德傲
河北工业大学电子信息工程学院，天津 300401
Author(s):
Li Bingxin; et al
关键词:
YOLO v5; 小目标; 目标检测; 轻量化模型; 缺钙; 草莓
Keywords:
-
分类号:
TP391.41
DOI:
-
文献标志码:
A
摘要:
针对缺钙草莓叶片病害特征较小、病害尺度特征变换较大、传统的卷积神经网络模型对小目标的检测效果不佳等问题，提出一种基于YOLO v5模型的缺钙草莓叶片识别方法。该方法首先以YOLO v5模型为基础从其Backbone、Neck、损失函数等方面进行优化，提高其对缺钙草莓叶片病害特征的检测能力，并将优化后的网络模型命名为YOLO v5-Smix，再采用多种数据增强手段对已有数据集进行扩充，以保障后续卷积神经网络模型的训练。该方法将原有Backbone骨骼中的CSPDarknet53主干网络替换为以C2F模块为核心的Darknet-53网络，保留缺钙草莓叶片的小目标特征；在Neck特征融合层添加BiFPN结构，有效解决缺钙草莓叶片图像尺度特征变换较大的问题，同时增强网络多尺度特征融合能力；更换原本的损失函数CIoU为WIoU，进一步提高模型的检测效率及检测能力。依据模型评价指标，通过试验将YOLO v5-Smix网络与经典的Faster-RCNN、YOLO v3、YOLO v4、YOLO v5等4种卷积神经网络进行对比。结果表明，YOLO v5-Smix的识别精确度达89.1%，召回率达81.0%，平均精确度达78.8%，与Faster RCNN、YOLO v3、YOLO v4、YOLO v5相比，识别精确度均有提高，能够较精确地识别缺钙草莓叶片病害特征，完成小目标病害特征的检测任务。
Abstract:
-

参考文献/References:

［1］成玉波，包成友，成玉富. 草莓缺素症及其防治方法［J］. 现代农业科技，2007(3)：34.
［2］孙圆龙，徐晓辉，宋涛，等. 高效运算网络在作物叶部病害识别中的研究［J］. 中国农机化学报，2021，42(7)：156-161.
［3］刘庆飞，张宏立，王艳玲. 基于深度可分离卷积的实时农业图像逐像素分类研究［J］. 中国农业科学，2018，51(19)：3673-3682.
［4］丁常宏，王守宇，高鹏. 基于SSD－MobileNet v1深度学习算法的药用植物叶片识别方法［J］. 江苏农业科学，2020，48(22)：222-228.
［5］Hariri M，Avar E. Tipburn disorder detection in strawberry leaves using convolutional neural networks and particle swarm optimization［J］. Multimedia Tools and Applications，2022，81(8)：11795-11822.
［6］林铭捷. 基于深度学习的春石斛生长状态识别的研究［D］. 广州：华南理工大学，2021.
［7］袁磊，唐海，陈彦蓉，等. 改进YOLO v5的复杂环境道路目标检测方法［J］. 计算机工程与应用，2023，59(16)：212-222.
［8］许璧麒，马志强，宝财吉拉呼，等. 基于YOLO v5的高速公路小目标车辆逆行检测模型［J］. 国外电子测量技术，2022，41(11)：146-153.
［9］王寅凯，曹磊，钱佳晨，等. 一种改进YOLO v5的多尺度像素林火识别算法［J］. 林业工程学报，2023，8(2)：159-165.
［10］张利红，蔡敬菊. 基于轻量化YOLO v5算法的目标检测系统［J］. 计算机技术与发展，2022，32(11)：134-139.
［11］杨文姬，胡文超，赵应丁，等. 基于改进YOLO v5植物病害检测算法研究［J］. 中国农机化学报，2023，44(1)：108-115.
［12］朱香元，聂轰，周旭. 基于TPH-YOLO v5和小样本学习的害虫识别方法［J］. 计算机科学，2022，49(12)：257-263.
［13］刘思诚，李嘉琛，邓皓，等. 基于YOLO v5改进的小目标检测算法［J］. 兵工自动化，2022，41(12)：78-82，94.
［14］马宏兴，张淼，董凯兵，等. 基于改进YOLO v5的宁夏草原蝗虫识别模型研究［J］. 农业机械学报，2022，53(11)：270-279.
［15］Zhu P C，Chen B L，Liu B S，et al. Object detection for hazardous material vehicles based on improved YOLO v5 algorithm［J］. Electronics，2023，12(5)：1257.
［16］Li J F，Lian X Q. Research on forest fire detection algorithm based on improved YOLO v5［J］. Machine Learning and Knowledge Extraction，2023，5(3)：725-745.
［17］Jiang T Y，Li C，Yang M，et al. An improved YOLO v5s algorithm for object detection with an attention mechanism［J］. Electronics，2022，11(16)：2494.
［18］周绍发，肖小玲，刘忠意，等. 改进的基于YOLO v5s苹果树叶病害检测［J］. 江苏农业科学，2023，51(13)：212-220.
［19］Sun C，Zhang S W，Qu P Q，et al. MCA-YOLO v5-light：a faster，stronger and lighter algorithm for helmet-wearing detection［J］. Applied Sciences，2022，12(19)：9697.
［20］Guo G G，Zhang Z Y. Road damage detection algorithm for improved YOLO v5［J］. Scientific Reports，2022，12(1)：15523.
［21］Sun Z J，Yang H，Zhang Z F，et al. An improved YOLO v5-based tapping trajectory detection method for natural rubber trees［J］. Agriculture，2022，12(9)：1309.
［22］丰玉华，魏怡，刘力手，等. 面向跌倒行人的MP-YOLO v5检测模型［J］. 重庆邮电大学学报(自然科学版)，2023，35(5)：960-970.

相似文献/References:

[1]杜鹏程,蒋笃忠,向阳,等.基于YOLO v5s目标检测算法的烤烟鲜叶成熟度识别方法[J].江苏农业科学,2023,51(19):158.
　Du Pengcheng,et al.Identification method for fresh leaf maturity of flue-cured tobacco based on YOLO v5s target detection algorithm[J].Jiangsu Agricultural Sciences,2023,51(20):158.
[2]刘忠意,魏登峰,李萌,等.基于改进YOLO v5的橙子果实识别方法[J].江苏农业科学,2023,51(19):173.
　Liu Zhongyi,et al.Orange fruit recognition method based on improved YOLO v5[J].Jiangsu Agricultural Sciences,2023,51(20):173.
[3]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.
　Li Bin,et al.Classification of rice pests based on YOLO v5[J].Jiangsu Agricultural Sciences,2024,52(20):175.
[4]蔡易南,肖小玲.基于改进YOLO v5n的葡萄叶病虫害检测模型轻量化方法[J].江苏农业科学,2024,52(7):198.
　Cai Yinan,et al.Lightweight method of grape leaf diseases and insect pests detection model based on improved YOLO v5n[J].Jiangsu Agricultural Sciences,2024,52(20):198.
[5]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(20):217.
[6]吴坚,秦玉广.基于改进YOLO v5的农田苗草检测方法[J].江苏农业科学,2024,52(13):197.
　Wu Jian,et al.Detection of seedlings and weeds in farmland based on an improved YOLO v5 algorithm[J].Jiangsu Agricultural Sciences,2024,52(20):197.
[7]王博,胡蓉华.基于轻量化神经网络的桃树叶片病害检测方法[J].江苏农业科学,2025,53(5):138.
　Wang Bo,et al.A peach leaf disease detection method based on lightweight neural network[J].Jiangsu Agricultural Sciences,2025,53(20):138.

备注/Memo

备注/Memo:
收稿日期：2023-10-10
基金项目：河北省科技计划(编号：22370701D)。
作者简介：李炳鑫(1999—)，男，河北唐山人，硕士研究生，主要从事人工智能与机器学习研究。E-mail：291750154@qq.com。
通信作者：宋涛，博士，高级实验师，硕士生导师，主要从事智能传感器与物联网技术研究。E-mail：songtao@hebut.edu.cn。
更新日期/Last Update: 2024-10-20