首页|基于改进YOLO v5s算法的大豆叶片虫洞的识别

基于改进YOLO v5s算法的大豆叶片虫洞的识别

Soybean leaf wormhole recognition based on improved YOLO v5s algorithm

扫码查看
原文链接
  • 国家科技期刊平台
  • NETL
  • NSTL
  • 维普
  • 万方数据
鉴于对大豆叶片虫洞进行识别有助于及时发现虫情并有针对性的防治虫害,提出了一种大豆叶片虫洞的识别方法:以YOLO v5s网络作为基础,在大豆叶片虫洞特征提取过程中引入空洞卷积代替3次池化处理,提取虫洞边缘不规则信息;将特征信息输入空间注意力机制,提取时空融合信息,进而捕获野外不同背景下的颜色信息;针对大豆叶片虫洞目标远近不一的问题,重构特征金字塔结构,增加了1层输出层,将80像素×80像素输出特征图经过上采样后得到160像素×160像素特征图,并将其与浅层同尺寸特征图进行拼接,提高虫洞目标识别定位的准确性;将融合后的总特征输入目标检测模块,输出单个对象的检测外框,得到大豆叶片虫洞识别模型.在大豆叶片虫洞样本数据集上对模型进行测试,结果对大豆叶片虫洞的平均识别准确率最高达95.24％,模型存储空间为15.1 MB,每秒传输91帧.所建立的方法与Faster R-CNN、YOLO v3、YOLO v5s对比,对大豆叶片虫洞识别的平均准确率分别提高2.50％、12.13％、2.81％.

方文博、郭永刚、关法春、张伟、刘倩倩、王树文、张正超、于皓然

展开 >

西藏农牧学院水利土木工程学院,西藏 林芝860000

吉林省农业科学院农村能源研究所,吉林 长春 130119

岭南师范学院电子与电气工程学院,广东 湛江 524048

大豆叶片虫洞 注意力机制 改进YOLO v5s 机器学习 识别准确率

国家重点研发计划项目广东省教育厅创新人才重点项目哈尔滨市创新创业人才项目

2018YFD10009052018KTSCX129HCX06

2023

10.13331/j.cnki.jhau.2023.01.018

湖南农业大学学报(自然科学版)
湖南农业大学

湖南农业大学学报(自然科学版)

CSTPCDCSCD北大核心
影响因子：0.868
ISSN：1007-1032
年,卷(期)：2023.49(1)
  • 2
  • 13