改进的基于YOLOv5s苹果树叶病害检测_周绍发.pdf
《改进的基于YOLOv5s苹果树叶病害检测_周绍发.pdf》由会员分享,可在线阅读,更多相关《改进的基于YOLOv5s苹果树叶病害检测_周绍发.pdf(9页珍藏版)》请在咨信网上搜索。
1、杨 坚,钱 振,张燕军,等 采用改进 的复杂环境下番茄实时识别 农业工程学报,():,:,:袁自然,叶 寅,武 际,等 基于高光谱成像技术的辣椒叶片叶绿素含量估算 江苏农业科学,():,:,:金松林,来纯晓,郑 颖,等 基于特征选择和 模型的小麦抗寒性识别方法 江苏农业科学,():陕西省统计局,国家统计局陕西调查总队 陕西统计年鉴:北京:中国统计出版社,周绍发,肖小玲,刘忠意,等 改进的基于 苹果树叶病害检测 江苏农业科学,():改改进进的的基基于于 苹苹果果树树叶叶病病害害检检测测周绍发,肖小玲,刘忠意,鲁 力(长江大学计算机科学学院,湖北荆州)摘要:针对目前在复杂环境下苹果树叶病害检测准确
2、度低、鲁棒性差、计算量大等问题,提出一种改进的基于 苹果树叶病害的检测方法。首先,该方法在 网络基础上,选择考虑方向性的 边框损失函数替代 边框损失函数,使网络训练和推理过程更快,更准确。其次,在特征图转换成固定大小的特征向量的过程中,使用了简单化的快速金字塔池化()替换快速金字塔池化()模块,在不影响效率的情况下丢失的信息更少。最后在主干网络中使用()注意力机制,使网络准确的学习到每种病害的独有特征,并且使网络收敛更快。结果表明,相比于基准网络,改进后的 网络 精度为 ,计算量为,模型权重大小为 ,相对于基准,平均精度提升了 百分点、计算量降低了.、模型权重压缩了 。并适用于遮挡、阴影、强光
3、、模糊的复杂环境。本研究所提出的方法,在降低了网络大小、权重、计算量的情况下提高了复杂环境下苹果树叶病害的检测精度,且对复杂环境具有一定的鲁棒性。在预防和治理苹果树叶病害上有较高的实际应用价值,在后续研究上,会扩充更多类别的病害数据集,部署到无人机等物联网设备,从而为实现智能果园种植提供技术参考。关键词:苹果树叶病害;目标检测;中图分类号:文献标志码:文章编号:()收稿日期:基金项目:国家自然科学基金(编号:)。作者简介:周绍发(),男,湖北武汉人,硕士研究生,研究方向为深度学习与目标检测。:。通信作者:肖小玲,博士,教授,研究方向为智能信息处理、网络安全、云计算和无线网络。:。据国家统计局
4、年全国果园数据,苹果园的占比达到了,在所有种植水果种类中,是仅次于柑橘的第二大果类,其产量已经达到了 万。苹果产量受到气候、土壤地质、灌溉、病害等多种因素的影响。在众多因素中,苹果病害是影响产量的最重要因素之一,而树叶的病害是最常见的。苹果树叶病害的特点是种类多且某些病害表现相似,用肉眼难以区分,导致无法准确定位病害,最终导致产量下降。因此,准确识别出苹果树叶病害的类别,是防治病害与对症下药的重要前提。传统的病害检测方法主要为对含有病害的图片进行分析,一般是基于图片的机器学习方法,其代表方法有基于支持向量机()和图片 特性分析,以及利用优化算法提高其他机器学习方法组合类方法。但是以上方法表现的
5、好坏太依赖于特征提取的方法以及原本数学方法的局限。深度学习法对于图像的特征提取与整合有着较大的进步,已被用于各种植物病害检测。根据网络结构的不同,等使用改进的 (卷积江苏农业科学 年第 卷第 期神经网络)实现了对稻叶的常见病害检测并具有高精度实现效果;王超学等使用 来检测葡萄的病虫害并实现了实际部署;等使用 实现了低时延的玉米病害检测;等使用 实现了蔬菜病害检测,提高了对小范围病害的检测和定位效果;雷建云等使用改进的残差网络实现了多种类的水稻害虫识别,并实现了 的高准确率和强鲁棒性。上述方法大多数都能对研究目标实现较为准确的检测,但是很少考虑所提出方法在面对不同环境下的苹果树叶病害是否能够实现
6、高准确率、更小计算量的检测。为解决此类问题,本研究提出一种以网 络 为 基 础,加 入 注意力机制,并使用简单化后的快速金字塔池化()代替原有的快速金字塔池化()网络,以期实现在复杂环境下高准确率的苹果树叶病害检测。材料与方法 数据集来源本研究的苹果树叶病害数据是自建数据集,一部分来自 ,为收集不同环境下的苹果病害图片,使用网络爬虫、谷歌搜索等技术获取另外一部分,总计 张,图片格式为,像素为 。为防止数据集过少产生过拟合和泛化性差的现象,通过旋转、平移、等比例缩放、垂直和水平翻转等数据增强方法,数据集总量为 张。叶片病害的种类有 类:蛙眼病()、白粉病()、锈叶病()、斑点病(),具体见图。数
7、据预处理及分析收集到的数据是没有标注或者标注不准确的。使用 对全部苹果树叶做病害标注。采用最大矩形框标注明显病害处,标注格式为 的 格式。每张图片至少有 个病害标注。叶片标注示例与标签分布见图。网络 网络是在 的基础上改进的 阶段()目标检测方法,相较于生成候选区域(),再通过卷积神经网络预测目标的分类与定位的 阶段()检测方法更加简洁有效。具体的改进是增加了自适应锚框和 算法聚类,并采用遗传算法在训练过程中调整锚框。使得整个训练过程可以找到更好的先验框,提高检测准确率。根据不同 的 使 用 场 景 目 的 有、等版本,为保证算法的实时性和大小可控,本研究选择了 版本,具体结构见图。江苏农业科
8、学 年第 卷第 期 网络结构大致分成 个部分:输入()、主干网络()、颈部()及预测头()。首先输入部分是对图像进行预处理,如 增强。主干网络通过卷积神经网络提取图片特征信息,颈部负责将信息上采样,不同网络层的特征信息融合并将图像特征传递到预测层。预测头对图像特征进行预测,生成边界框并预测类别。网络的改进 边界框回归损失是评价目标检测算法准确度的重要评判标准之一,而最常用的计算指标是交并比(),即目标检测中预测框与真实框的重叠程度,具体见式。值越高说明 框与 框重合程度越高,代表模型预测越准确。()式中:代表预测框;代表真实框。但是 对尺度不敏感,如果 个框没有相交,根据定义,不能反映 个框的
9、距离大小,会造成 没有梯度回传,无法进行学习训练。随着目标检测技术的不断改进,随后出现不同的 改进算法:在 的基础上,解决边界框不重合时的问题的;在 和 的基础上,考虑边界框中心点距离信息的;在 的基础上,考 虑 边 界 框 宽 高 比 尺 度 信 息 的。默认使用。()是 在 年提出的新边界框回归损失函数,重新定义了惩罚指标,极大改进了目标检测算法的训练和推理速度。通过在损失函数代价中引入方向性,与现有方法 损失相比,训练阶段的收敛速度更快,推理性能更好。主要由角度损失()、距离损失()、形状损失()、损失()个损失函数组成。的目的是如果 就最小化,反之最小化 。具体见图 和式()。|()(
- 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:
- 改进 基于 YOLOv5s 苹果 树叶 病害 检测 周绍发
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。