摘要
桃作为我国的重要经济作物之一，其产业的长远稳定发展对增长农民收入和提高我国国民经济都具有重要意义。桃在生长过程中产生的病害不仅会使桃的品质和产量下降,还会影响到人们的饮食健康。因此及时有效地对桃的病害进行识别是实现病害防治继而提高桃品质的关键。本文以桃叶与桃果实病害识别为研究目标，基于深度学习构建了桃叶与果实病害识别模型，设计并实现了桃病害识别系统，该系统能够实现对桃叶与果实病害的有效识别，具体研究内容如下: (1)基于M-YOLOv5s的桃叶病害识别研究 针对以往深度学习模型对桃叶小目标病害区域识别精度较低、占用内存资源过多,稳定性相对较差等问题，本文提出了一种基于M-YOLOv5s的桃叶病害识别方法以实现对桃叶缩叶病、炭疽病、细菌性穿孔病以及褐斑性穿孔病的有效识别。首先对采集的桃叶数据集进行数据增强扩充数据量，之后将Mobileone网络模块替换YOLOv5s的骨干网络部分以减少网络模型复杂度并加快模型的推理速度。接着对于小目标病害漏检错检问题，通过添加注意力机制加强通道间的学习，提高识别的准确率。最后提出阈值梯度下降法以提高模型的收敛速度和模型的稳定性。试验结果表明，M-YOLOv5s网络模型准确率达到98.3％,mAP@0.5∶0.95达到0.742,该模型能够实现对小目标病害的有效识别。 (2)基于MG-YOLOv5s的桃果实病害识别研究 为了平衡桃果实病害模型的识别精度与识别速度，针对桃果实病害的轮廓形状等特点，本文建立了MG-YOLOv5s和MC-YOLOv5s两种桃果实病害识别模型以实现对桃果实炭疽病、褐腐病以及疮痂病的有效识别。首先对采集的桃果实数据进行数据扩充并进行数据压缩去除冗余信息。为降低模型复杂度和加快推理速度，使用Mobileone网络替换YOLOv5s骨干网络以对图像进行特征提取。其次，为实现有效特征的进一步融合，分别利用Gnconv和ConvNeXt结构加强空间的信息交互，之后使用CA注意力模块加强表征能力，提高模型的精度，最后提出了MG-YOLOv5s模型和MC-YOLOv5s模型。试验结果显示，两种模型的准确率分别为98.3％和98.1％,MG-YOLOv5s模型略优于MC-YOLOv5s模型,MG-YOLOv5s模型的mAP@0.5达0.984,mAP@0.5∶0.95达0.742,模型参数量为16.2MB,平均检测速度0.012s/张,可准确快速地对桃果实病害进行识别。 (3)桃病害识别系统研发 为实现桃叶与桃果实病害的智能化识别，本文基于PyQt5框架搭建桃病害识别系统,使M-YOLOv5s桃叶病害识别模型和MG-YOLOv5s桃果实病害识别模型得到进一步应用。该系统包括数据采集上传、识别设置、识别结果展示三个模块，同时系统具有界面简洁，操作简单等优点，能够准确的识别桃叶与桃果实的病害，实现了信息技术与桃产业的有效结合。
NETL