随着深度学习在图像识别领域的广泛应用,目标检测算法已取得显著进展.然而,在农业病害检测特别是马铃薯叶病害检测方面,仍面临诸多挑战,如自然光影响和数据不平衡问题等.为此,提出一种改进YOLOX的马铃薯叶病害检测方法.首先以轻量化MobileNet v3网络作为骨干替换原有的CSPDarkNet53网络,以提高模型在特征提取上的效率,同时减少计算量.其次引入V通道网络,增加模型对复杂光照环境的适应性,更精确地捕获纹理信息.最后设计一种自适应的交叉熵损失函数,以解决样本不平衡的问题,确保模型的鲁棒性和准确性.在公开数据集PlantVillage上进行试验验证,结果表明,改进模型平均准确率、浮点运算次数、内存和FPS分别为98.55％、14.63 × 109次、49.35 MB、125.92帧/s.相比原始YOLOX模型,平均准确率和单帧识别速度分别提高4.38百分点、36.65％;浮点运算次数和内存分别降低43.23％、34.33％.此外,与不同模型对比试验以及嵌入式平台上的试验结果均表明,本研究提出的改进YOLOX模型在准确率、计算效率和速度方面均具有明显的优势,为农作物叶片病害检测提供了一种有效的解决方案.
万方数据
维普
