在玉米病害的影响下,玉米产量下降,其中大部分病害症状均反映在玉米的叶片上.针对人工识别叶片费时、费力、准确率低的问题提出了一种基于改进YOLOX-S网络的玉米病害识别模型,并将该模型部署到Atlas 200DK开发板中.该研究在YOLOX-S的基础上添加了4个CBAM注意力机制模块,其中3个注意力机制模块添加到网络的Backbone与Neck之间,第4个注意力机制模块添加到SPPBottleneck的2次上采样结果后,通过使用不同的权重来调整不同病害特征细节的重要程度,能够提高模型收敛速度,有效提升模型的识别精度,并基于Atlas 200DK开发板的特性及相关属性,将改进后的模型部署到开发板当中,实现了算法的移植.结果表明,改进后的YOLOX-S网络模型与YOLO v3、YOLO v4、Faster R-CNN模型相比,在识别率与精确性方面有着显著的优势,与原模型相比,识别准确率(mAP值)提高0.2百分点,改进后的YOLOX-S网络模型对玉米病害的识别准确率高达98.75％,并且部署到Atlas 200DK开发板的模型仍然发挥良好的检测性能,可以为识别玉米病害提供参考.
万方数据
维普
