首页|基于改进轻量化YOLO v5n的番茄叶片病害识别方法

基于改进轻量化YOLO v5n的番茄叶片病害识别方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法.首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力.接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量.最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销.试验结果表明,改进后的YOLO v5n平均精度均值达到99.0％,参数量减少66.67％,计算量降低了 2.6 G,模型权重压缩了 2.23 MB.本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考.

王娜、陈勇、崔艳荣、胡蓉华

展开 >

长江大学计算机科学学院,湖北荆州 434000

YOLO v5n 番茄病害识别 轻量化 C3Ghost GSConv VOV-GSCSP PAGCP

国家自然科学基金面上项目

62077018

2024

10.15889/j.issn.1002-1302.2024.08.026

江苏农业科学
江苏省农业科学院

江苏农业科学

CSTPCD北大核心
影响因子：0.732
ISSN：1002-1302
年,卷(期)：2024.52(8)
  • 20