基于改进YOLOv5s的咖啡叶病虫害识别方法.pdf
《基于改进YOLOv5s的咖啡叶病虫害识别方法.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv5s的咖啡叶病虫害识别方法.pdf(9页珍藏版)》请在咨信网上搜索。
1、山东农业大学学报(自然科学版),2023,54(5):691-699VOL.54 NO.5 2023Journal of ShandongAgricultural University(Natural Science Edition)doi:10.3969/j.issn.1000-2324.2023.05.008基于改进基于改进 YOLOv5s 的的咖啡叶病虫害咖啡叶病虫害识别方法识别方法刘金涛,李 双,李佳骏,蔺 瑶,曾晏林,贺壹婷,杨 毅*云南农业大学大数据学院,云南 昆明 650201摘摘 要要:为了提高咖啡的质量和产量,实现咖啡叶病虫害高效精准检测,本文提出了一种基于改进 YOLOv5
2、s 的咖啡叶病虫害识别方法。利用 CARAFE 上采样模块替换原始模型中的上采样模块,减少上采样过程中特征信息的损失,提升特征金字塔网络性能;在检测头前端引入 GAM 全局注意力机制,提取空间和通道不同维度的交互信息,增强病虫害的识别能力;用高效解耦头(Decoupled Head)替换原始耦合头区分回归和分类,加快模型收敛和提高检测精度;结果显示,改进后的模型准确率、召回率和平均精度均值分别为 91.6%、86.0%、91.4%;比原始 YOLOv5s 平均精度均值提升了 2.9%,精确度和召回率分别提升了 3.1%、2.7%;与当前主流的 Faster R-CNN、SSD、YOLOv4-t
3、iny、YOLOX和 YOLOv7 等模型相比,平均精度均值分别提升了 8.2%、20.2%、37.7%、5.9%、9.7%。本文的方法对咖啡叶病虫害检测具有较高的准确率,可以为咖啡叶病虫害检测提供参考和依据。关键词关键词:咖啡;病虫害;YOLOv5s中图法分类号中图法分类号:TP391.4文献文献标识码标识码:A文章编号文章编号:1000-2324(2023)05-0691-09Coffee Leaf Diseases and Insect Pests Identification Method Basedon Improved YOLOv5sLIUJin-tao,LI Shuang,LI
4、Jia-jun,LINYao,ZENGYan-lin,HEYi-ting,YANGYi*College of Big Data/Yunnan Agricultural University,Kunming 650201,ChinaAbstract:In order to improve the quality and yield of coffee and detect coffee leaf pests and diseases efficiently andaccurately,we studied the method based on improved YOLOv5s.CARAFE u
5、p-sampling module is used to replace theup-sampling module in the original model to reduce the loss of feature information in the sampling process and improve theperformance of the feature pyramid network.The GAM global attention mechanism was introduced at the front end of thedetection head to extr
6、act the interactive information of different dimensions of space and channel to enhance the pests anddiseases identification ability.The efficient decoupling head replaced the original coupling head to distinguish regression andclassification to improve model convergence and detection accuracy.The r
7、esults show that the average accuracy,recall andaverage accuracy of the improved model are 89.6%,86.0%and 91.4%,respectively.Compared with the average accuracy ofthe original YOLOv5s,the average accuracy is increased by 2.9%,and the accuracy and recall rate are increased by 3.1%and2.7%,respectively.
8、Compared with the current mainstream models such as Faster R-CNN,SSD,YOLOv4-tiny,YOLOX andYOLOv7,the average accuracy is increased by 8.2%,20.2%,37.7%,5.9%and 9.7%,respectively.Our method has a highaccuracy rate for coffee leaf diseases and insect pests detection,and can provide a reference and basi
9、s for the detection ofcoffee leaf diseases and insect pests.Keywords:Coffee;diseases and pests;YOLOv5s咖啡树是一种经济价值极高的热带经济作物和饮料作物,位居世界三大饮料作物之首1,2。21 世纪以来,随着人们消费水平的提高,世界咖啡产业迅速发展,使得咖啡种植面积不断扩大。据黄家雄报道3,全球范围内共有 76 个国家和地区种植咖啡,总面积 1190.0 万 hm2。然而,咖啡生长过程中会受地理环境、气候条件等因素的影响,面临着受各种害虫和疾病感染的问题,严重影响到咖啡的质量和产量。因此,准确高效
10、地对咖啡叶病虫害进行识别和防治具有重要的实际应用价值。近年来,深度学习的迅速发展促使基于计算机视觉的目标检测技术在农业工程领域广泛应用,其中基于计算机视觉技术对农作物病虫害进行检测已经成为国内外一个重要的研究热点4-6。国内外已有很多学者将 Faster R-CNN7、SSD8、YOLO9系列等目标检测算法用于农作物病虫害检测,并收稿日期收稿日期:2023-01-12修回日期修回日期:2023-02-14基金项目基金项目:云南省重大科技专项:云果数字化关键技术研发与应用示范(202002AE09001002)第第 1 作者简介作者简介:刘金涛(1999-),女,在读硕士研究生,主要从事计算机视
11、觉方面研究.E-mail:*通讯作者通讯作者:Author for correspondence.E-mail:692山东农业大学学报(自然科学版)第 54 卷开展了相关研究,例如,宋中山等10基于二值化的 Faster R-CNN 区域检测神经网络模型对柑橘黑斑病、黄龙病和溃疡病等叶片进行检测,总平均准确率为 87.5%。胡凯等11在 SSD 的基础上用 ResNet50网络替换原有的 VGG16 网络和引入一种轻量高效的特征融合模块,对广佛手病虫害检测,相较原始的 SSD 算法提升 6.61%。徐会杰等12基于 YOLOv3 模型利用 K-means+聚类算法和增加检测头,用于玉米叶片病虫
12、害检测与识别,检测精度均值、召回率达到了 93.31%和 93.08%。王卫星等13集成了轻量化网络 GhostNet 模块、卷积 Ghost Module 和注意力机制 CBAM 模块,提出了 YOLO v4-GCF网络模型,用于荔枝病虫害检测模型,在测试集上精度达到 89.76%。孙丰刚等14利用 YOLOv5s 和迁移学习方法识别苹果果实病害,最终在 GHTR2-YOLOv5s 上准确率较原始模型提升了 8.5%。TassisLM15等提出一种集成框架,使用 MaskR-CNN 网络、UNet 和 PSPNet 网络分别进行实例分割和语义分割的深度学习方法,从田间图像中识别咖啡叶病虫害,
13、在实例分割任务中获得了 73.90%的准确率。Dong YZ 等16用旋转 YOLO 小麦检测(RYWD)网络和简单空间注意力(SSA)网络对小麦赤霉病检测,平均准确率达到 94.66%。Kumar VS 等17提出一种基于 YOLOv5 模型的双向特征注意力金字塔网络的水稻叶部病害检测,准确率达到了 94.87%。LI SF 等18基于 YOLOv5 算法提出 MTC-YOLOv5n 在自建的黄瓜病害数据集上进行了训练和验证,mAP 值达到了 84.9%。以上研究提出了多种用于农作物病虫害检测的算法,在该领域取得了重要的突破。然而,目前很少有人专注于咖啡叶病虫害的目标检测方法的研究。本文针对
14、现有目标检测模型在识别咖啡叶病虫害时存在精度较低等问题,提出一种基于改进 YOLOv5s 的咖啡叶病虫害检测方法。该方法将 Neck层中上采样模块替换为 CARAFE 上采样,减少特征信息的损失;引入 GAM 无参注意力机制对病虫害特征信息更加关注;替换解耦头,将检测头中分类问题和回归任务分开计算,加快模型收敛速度,进一步提升咖啡叶病虫害检测的性能。1材料与方法材料与方法1.1 实实验数据集验数据集实验数据集采集地为云南农业大学热带作物学院咖啡种植基地,使用智能手机对咖啡叶病虫害进行多角度拍摄,采集了最为常见且受害最严重的五种病虫害图像,包括咖啡煤污病、锈病、受潜叶蛾危害、盔蚧和绿蚧。其中煤污
15、病在受害叶片上形成黑色的煤状物;锈病为许多浅黄色水渍状小斑,病斑扩大后连成不规则形的大斑,病部变褐干枯;潜叶蛾以幼虫取食叶肉组织使叶片变为淡黄色,几天后连成 1 个大潜道;咖啡盔蚧为成虫,形似钢盔,黄褐至深褐色;绿蚧以成虫、幼虫呈浅绿色固定在叶背,尤以幼嫩部位受害较重。通过 LabelImg 标注软件对图像中病虫害特征信息进行人工标注,各类病虫害部分图像标注如图 1 所示。为保证模型训练效果和泛化能力,使用 OpenCV 工具对原始图像进行随机裁剪、旋转、颜色变换等处理,将图像数据集扩充到 3500 张,最后以 8:2 的比例划分为训练集和测试集。数据集分布如表 1 所示。图图 1 各类病虫害
16、部分图像各类病虫害部分图像Fig.1 Partial images of various pests and diseases第 5 期刘金涛等:基于改进 YOLOv5s 的咖啡叶病虫害识别方法693表表 1 各类病虫害图像分布各类病虫害图像分布Table 1 Image distribution of various pests and diseases名称Name原始样本数Number of original samples扩增后样本数Number of samples after amplification煤污病193772锈病187748受潜叶蛾危害166664盔蚧158632绿蚧17
17、16841.2YOLOv5 算法结构算法结构YOLO 序列算法是一种在目标检测中得到广泛应用的深层神经网络模型8。这一系列算法的核心思想是将目标检测任务分为两个关键部分:目标分类和位置确认。YOLOv519(v6.2)根据配置网络的大小不同,一共有 n、s、m、l 和 x 5 个版本,其中,YOLOv5s 模型在检测性能和权重文件大小五种版本中相对较为均衡的,同时也能够胜任常规场景下的检测任务,因此本文以 YOLOv5s 为基础网络进行适应咖啡叶病虫害识别应用的改进。YOLOv5 算法包括四个部分,其网络结构如图 2 所示。首先是输入端,主要对输入的数据进行处理和增强,包含了自适应图片缩放、自
18、适应锚框计算和 Mosaic 图像增强。其次是主干网络(Backbone)部分,从输入图像中提取高级语义特征,以便更好地理解图像内容,包含了 C3 和 SPPF 结构,用于提取目标检测任务中所需的特征。然后是颈部网络(Neck),主要由 PANet20(Path Aggregation Network)组成,用于融合位置信息和语义信息,通过级联的方式将来自不同层级的特征图进行融合,以获取更全面和丰富的特征表示。最后是头部(Head),使用一系列卷积和全连接层,对特征图中的目标进行准确的位置定位和类别预测。这些部分相互配合,使得 YOLOv5 具备了优秀的性能和精度,适用于多种实际应用场景。图图
19、 2 YOLOv5s 网络结构网络结构Fig.2 YOLOv5s network structure1.3改进的改进的 YOLOv5s 网络网络1.3.1 CARAFE 上采样 在 YOLOv5 中,加强特征融合网络采用最近邻插值上采样的方式进行上采样操作,这种上采样方式只是简单地按照位置对所有特征点进行平均上采样,忽略了周围特征点的影响,从而可能降低上采样后特征图的质量。为了解决最近邻插值存在的不足,提出了一种轻量级通用上采样算子 CARAFE21(Content-Aware Reassembly of Features),用来替换最近邻插值并获得质694山东农业大学学报(自然科学版)第 5
20、4 卷量更高的上采样特征图。该算子主要由上采样核预测和特征重组两个模块构成。CARAFE 在进行上采样时,将特征图HWC 传入上采样核预测模块中压缩通道,通过一个 11 的卷积压缩为 HWCm,随后进行内容编码及上采样核预测,用 KencoderKencoder的卷积层预测上采样核,得到形状为HWK2up的上采样核,其中是上采样倍率,K2up是预测上采样核大小,最后使用 softmax 对预测结果归一化处理。在进行特征重组时,将归一化后的特征图传入特征重组模块,然后取出图中以该特征点为中心的大小为 KupKup的区域,上采样预测模块预测出的该点的上采样核与输入特征图上每一层的特征作点积,最终输
21、出特征图形状为HWC。CARAFE 模块结构图如图 3 所示。图图 3 CARAFE 模块结构图模块结构图Fig.3 CARAFE module structure1.3.2 GAM 注意力机制 由于咖啡叶病虫害图像均为人工拍摄采集,背景环境复杂多变,并且各种病虫害特征目标较小,难以完全检测。为了能够更好地捕捉目标的细节和特征,本研究引入了一种全局注意机制 GAM22(GlobalAttention Mechanism),通过减少信息损失和放大全局交互表示来提升深度神经网络的性能。GAM 引入了 3D 排列和多层感知机用于通道注意,同时还引入了卷积空间注意的子模块,整个过程如图 4 所示。输入
22、特征 F1经过通道注意力 Mc 后乘以其逐个单元,将该结果乘以通过空间注意 Ms 的输出,即 GAM 注意力的结果。F2和 F3分别表示通道注意力和全局注意力的输出,表达式为:112)(FFMFc,(1)223)(FFMFs。(2)图图 4 GAM 注意力结构注意力结构Fig.4 GAM attention structureGAM 通道注意力子模块使用三维排列作特征通道置换,然后用一个两层的 MLP(多层感知器)放大通道和空间依赖性。对于输入特征图 F1,首先进行维度转换后输入到 MLP,然后再将其转换成原始维度,最后经过 Sigmoid 激活后输出。GAM 通道注意子模块如图 5 所示。图
23、图 5 GAM 通道注意力子模块通道注意力子模块Fig.5 Channel attention submodule第 5 期刘金涛等:基于改进 YOLOv5s 的咖啡叶病虫害识别方法695GAM 空间注意力子模块使用两个卷积层进行聚焦空间信息,输入大小为 CHW 的特征图 F2,首先经过一个 77 的卷积,将通道数量减小以降低计算量,再经过一个 77 的卷积,将通道数量增加到和原始一致,最后经过 sigmoid 激活输出新的特征图 MS(F2)。GAM 空间注意力子模块如图 6。图图 6 GAM 空间注意力子模块空间注意力子模块Fig.6 Spatial attention submodule
24、1.3.3 Decoupled Head 解耦检测头 YOLOv5 算法中使用的是耦合预测头,该预测头将分类和回归任务在同一个检测头中进行,并共享参数。在训练过程中,分类分支更加关注所提取特征与已有类别的相似性,以确定物体的类别,而回归分支更加关注位置坐标,以进行边界框参数的修正,这两个任务之间会相互干扰影响模型收敛。为了解决这个问题,本文采用了解耦头(Decoupled Head)的结构替换 YOLOv5 中的耦合头。解耦头的结构采用一系列卷积运算对分类与回归任务进行去耦合。首先,通过使用一个 11 的卷积核进行降维操作,然后分别使用了两个 33 的卷积核来进行特征的提取。在分类分支中,为了
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 改进 YOLOv5s 咖啡 病虫害 识别 方法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。