针对缺钙草莓叶片病害特征较小、病害尺度特征变换较大、传统的卷积神经网络模型对小目标的检测效果不佳等问题,提出一种基于YOLO v5模型的缺钙草莓叶片识别方法.该方法首先以YOLO v5模型为基础从其Backbone、Neck、损失函数等方面进行优化,提高其对缺钙草莓叶片病害特征的检测能力,并将优化后的网络模型命名为YOLO v5-Smix,再采用多种数据增强手段对已有数据集进行扩充,以保障后续卷积神经网络模型的训练.该方法将原有Backbone骨骼中的CSPDarknet53主干网络替换为以C2F模块为核心的Darknet-53网络,保留缺钙草莓叶片的小目标特征;在Neck特征融合层添加BiFPN结构,有效解决缺钙草莓叶片图像尺度特征变换较大的问题,同时增强网络多尺度特征融合能力;更换原本的损失函数CIoU为WIoU,进一步提高模型的检测效率及检测能力.依据模型评价指标,通过试验将YOLO v5-Smix网络与经典的Faster-RCNN、YOLO v3、YOLO v4、YOLO v5等4种卷积神经网络进行对比.结果表明,YOLO v5-Smix的识别精确度达89.1％,召回率达81.0％,平均精确度达78.8％,与Faster RCNN、YOLO v3、YOLO v4、YOLO v5相比,识别精确度均有提高,能够较精确地识别缺钙草莓叶片病害特征,完成小目标病害特征的检测任务.
万方数据
维普
