作物病害的早期检测可以提高农作物的质量和生产力,为解决番茄病害识别模型在真实复杂场景中的泛化能力弱,易受作物品种、颜色特征、叶斑形状、疾病周期和环境因素干扰,对存储和计算资源依赖性强的问题,提出1个轻量化改进模型ActNN-YOLO v5s-RepFPN来研究多个区域场景中的番茄疾病,使用Mosaic数据增强方法来扩展数据,结合使用模型参数压缩技术ActNN来替换YOLO v5s网络中的组件模块,保留重要激活参数的同时不影响精确度,然后在YOLO v5s颈部网络内构建RepFPN特征金字塔,增加特征信息流通,实现计算和内存平衡的硬件神经网络设计.结果表明,改进的ActNN-YOLO v5s-RepFPN模型在番茄病害检测精度上达到了 93.6％,检测速率为29.0帧/s,满足实时监测的要求,模型整体性能高于YOLO v5s、YOLO v4、Faster R-CNN等模型,在训练1 000轮后精确率、召回率、mAP分别较YOLO v5s原模型高10.0、9.8、4.9百分点.最后,设计并实现了基于YOLO v5s模型的智能化番茄病害检测系统,为病害智能检测系统提供了可视工具.
万方数据
维普
