[1]高泉,刘笠溶,张洁,等.基于ActNN-YOLO v5s-RepFPN的番茄病害识别及系统设计[J].江苏农业科学,2024,52(20):220-227.
　Gao Quan,et al.Tomato disease identification and system design based on ActNN-YOLO v5s-RepFPN[J].Jiangsu Agricultural Sciences,2024,52(20):220-227.
点击复制

基于ActNN-YOLO v5s-RepFPN的番茄病害识别及系统设计()

《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:
220-227
栏目:
病虫害智能检测
出版日期:
2024-10-20

文章信息/Info

Title:
Tomato disease identification and system design based on ActNN-YOLO v5s-RepFPN
作者:
高泉1;  刘笠溶2;  张洁2;  高颜军1;  叶荣3
1.云南省作物生产与智慧农业重点实验室，云南昆明 650201； 2.云南农业大学大数据学院，云南昆明 650201； 3.云南农业大学食品科学技术学院，云南昆明 650201
Author(s):
Gao Quan; et al
关键词:
病害检测; ActNN; YOLO v5s; RepFPN
Keywords:
-
分类号:
TP391.41；S126
DOI:
-
文献标志码:
A
摘要:
作物病害的早期检测可以提高农作物的质量和生产力，为解决番茄病害识别模型在真实复杂场景中的泛化能力弱，易受作物品种、颜色特征、叶斑形状、疾病周期和环境因素干扰，对存储和计算资源依赖性强的问题，提出1个轻量化改进模型ActNN-YOLO v5s-RepFPN来研究多个区域场景中的番茄疾病，使用Mosaic数据增强方法来扩展数据，结合使用模型参数压缩技术ActNN来替换YOLO v5s网络中的组件模块，保留重要激活参数的同时不影响精确度，然后在YOLO v5s颈部网络内构建RepFPN特征金字塔，增加特征信息流通，实现计算和内存平衡的硬件神经网络设计。结果表明，改进的ActNN-YOLO v5s-RepFPN模型在番茄病害检测精度上达到了93.6%，检测速率为 29.0帧/s，满足实时监测的要求，模型整体性能高于YOLO v5s、YOLO v4、Faster R-CNN等模型，在训练1 000轮后精确率、召回率、mAP分别较YOLO v5s原模型高10.0、9.8、4.9百分点。最后，设计并实现了基于YOLO v5s模型的智能化番茄病害检测系统，为病害智能检测系统提供了可视工具。
Abstract:
-

参考文献/References:

［1］米国全，唐艳领，牛莉莉，等. 危害我国番茄的重要病毒病及防控措施［J］. 中国瓜菜，2021，34(10)：8-14.
［2］张瑞花，兰超杰，刘雯，等. 生物炭对反季节露地樱桃番茄生长及产量品质的影响［J］. 分子植物育种，2019，17(14)：4831-4839.
［3］郭小清，范涛杰，舒欣. 基于改进Multi-Scale AlexNet的番茄叶部病害图像识别［J］. 农业工程学报，2019，35(13)：162-169.
［4］李君明，项朝阳，王孝宣，等. “十三五” 我国番茄产业现状及展望［J］. 中国蔬菜，2021(2)：13-20.
［5］牛学德，高丙朋，南新元，等. 基于改进DenseNet卷积神经网络的番茄叶片病害检测［J］. 江苏农业学报，2022，38(1)：129-134.
［6］胡志伟，杨华，黄济民，等. 基于注意力残差机制的细粒度番茄病害识别［J］. 华南农业大学学报，2019，40(6)：124-132.
［7］Amara J，Bouaziz B，Algergawy A.A deep learning based approach for banana leaf diseases classification［M］//Mitschang B.Lecture notes in informatics(LNI).Bonn：Gesellschaft Für Informatik，2017：79-88.
［8］Vaswani A，Shazeer N，Parmar N，et al. Attention is all you need［C］//31st Conference on Neural Information Processing Systems(NIPS). Long Beach，2017：5998-6008.
［9］Brahimi M，Boukhalfa K，Moussaoui A.Deep learning for tomato diseases：classification and symptoms visualization［J］. Applied Artificial Intelligence，2017，31(4)：299-315.
［10］刘拥民，刘翰林，石婷婷，等. 一种优化的Swin Transformer番茄叶片病害识别方法［J］. 中国农业大学学报，2023，28(4)：80-90.
［11］左昊轩，黄祺成，杨佳昊，等. 基于改进YOLO v5s的番茄黄化曲叶病检测方法［J/OL］. 农业机械学报，2023：1-11(2023-09-15)［2023-10-02］. http：//kns.cnki.net/kcms/detail/11.1964.S.20230914.1408.025.html.
［12］王瑜，毕玉，石健彤，等. 基于注意力与多级特征融合的YOLO v5算法［J］. 郑州大学学报(工学版)，2024，45(3)：38-45，95.
［13］范天浩，顾寄南，王文波，等. 基于改进YOLO v5s的轻量化金银花识别方法［J］. 农业工程学报，2023，39(11)：192-200.
［14］Dai G W，Hu L，Fan J C. DA-ActNN-YOLO v5：hybrid YOLO v5 model with data augmentation and activation of compression mechanism for potato disease identification［J］. Computational Intelligence and Neuroscience，2022，2022：6114061.
［15］Chakrabarti A，Moseley B.Backprop with approximate activations for memory-efficient network training［EB/OL］. (2019-10-28)［2023-10-02］. http：//arxiv.org/pdf/1901.07988 .
［16］Fu F C，Hu Y Z，He Y H，et al. Dont waste your bits！ Squeeze activations and gradients for deep neural networks via Tinyscript［EB/OL］. ［2023-10-02］. http：//proceedings.mlr.press/v119/fu20c/fu20c.pdf.
［17］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.
［18］Lin T Y，Dollár P，Girshick R，et al. Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu：IEEE，2017：936-944.
［19］王兵，李文璟，唐欢. 改进YOLO v3算法及其在安全帽检测中的应用［J］. 计算机工程与应用，2020，56(9)：33-40.
［20］熊恩杰，张荣芬，刘宇红，等. 面向交通标志的Ghost-YOLO v8检测算法［J］. 计算机工程与应用，2023，59(20)：200-207.
［21］晏朋，李遇鑫，李治林，等. 基于改进YOLO v7的高铁异物入侵检测算法［J］. 无线电工程，2024，54(5)：1099-1109.
［22］郭明镇，汪威，申红婷，等. 改进型YOLO v4-tiny的轻量级目标检测算法［J］. 计算机工程与应用，2023，59(23)：145-153.
［23］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.

相似文献/References:

[1]马驰,吴华瑞,于会山.基于YOLOX的穴盘甘蓝病害检测方法[J].江苏农业科学,2023,51(8):193.
　Ma Chi,et al.Detection method of cabbage disease based on YOLOX[J].Jiangsu Agricultural Sciences,2023,51(20):193.
[2]邢鹏康,李久朋.基于小样本学习的马铃薯叶片病害检测[J].江苏农业科学,2023,51(15):203.
　Xing Pengkang,et al.Potato leaf disease detection based on small sample learning[J].Jiangsu Agricultural Sciences,2023,51(20):203.
[3]黄贻望,王国帅,毛志,等.KMeans++与注意力机制融合的苹果叶片病害识别方法[J].江苏农业科学,2024,52(20):190.
　Huang Yiwang,et al.Identification of apple leaf diseases in complex environments through integration of KMeans++ and attention mechanisms[J].Jiangsu Agricultural Sciences,2024,52(20):190.
[4]叶琪,王丽芬,马明涛,等.基于改进YOLO v8的草莓病害检测方法[J].江苏农业科学,2024,52(20):250.
　Ye Qi,et al.Strawberry disease detection method based on improved YOLO v8[J].Jiangsu Agricultural Sciences,2024,52(20):250.
[5]陈藜韦,古丽娜孜·艾力木江,伊力亚尔·加尔木哈买提,等.基于改进Swin Transformer的番茄和水稻植株病害检测[J].江苏农业科学,2025,53(10):222.
　Chen Liwei,et al.Detection of tomato and rice plant diseases based on improved Swin Transformer[J].Jiangsu Agricultural Sciences,2025,53(20):222.
[6]罗新磊,范菁.基于改进YOLO v8n的自然场景下苹果叶片病害检测[J].江苏农业科学,2025,53(20):288.
　Luo Xinlei,et al.Detection of apple leaf disease in natural environments based on improved YOLO v8n[J].Jiangsu Agricultural Sciences,2025,53(20):288.
[7]曾龙军,卢承方,陈勇,等.基于YOLOFBA的复杂环境下豆叶病害检测研究[J].江苏农业科学,2025,53(20):315.
　Zeng Longjun,et al.Detection of bean leaf disease in complex environment based on YOLOFBA[J].Jiangsu Agricultural Sciences,2025,53(20):315.
[8]江俊辉,龚程杰,陈中举.SATYOLO：复杂环境下的水稻病害轻量化检测模型[J].江苏农业科学,2025,53(23):235.
　Jiang Junhui,et al.SATYOLO：a lightweight detection model for rice diseases in complex environments[J].Jiangsu Agricultural Sciences,2025,53(20):235.

备注/Memo

备注/Memo:
收稿日期：2023-11-03
基金项目：[JP4]云南省重大科技专项(编号：202302AE090020、202002AE090010)；云南省基础研究计划(编号：202101AU070096)。
作者简介：高泉(1977—)，男，云南华坪人，硕士，副教授，研究方向为智慧农业。E-mail：312441310@qq.com。
通信作者：叶荣，博士，讲师，研究方向为食品安全信息化与数字农业。E-mail：307176152@qq.com。
更新日期/Last Update: 2024-10-20