基于改进 YOLOv5s 的苹果叶片病害检测研究论文

SCI论文（www.lunwensci.com）

　　摘 要 ：目前苹果叶片病害检测技术仍然存在检测精度低、效率低的问题。对此, 本文提出一种基于改进 YOLOv5s 的算 法进行病害识别。首先,增加小目标检测层改进漏检问题,提高检测精度 ;其次,引入双向特征金字塔结构加强特征提取,融 合多尺度特征扩大视野 ;最后,将损失函数替换为 SIoU, 解决了预测框和真实框方向不匹配问题。实验结果表明 ：改进后的算 法在 Original 数据集上 mAP0.5 为 95.4%,比传统的 YOLOv5s 提升了 3.3%。改进后的算法在复杂度没有发生很大变化的基 础上明显提升了算法性能。

　　【Abstract】：The current apple leaf disease detection technology still has the problems of low detection accuracy and low efficiency. In this regard, this paper proposes an algorithm based on improved YOLOv5s for disease identification. Firstly, the small target detection layer is added to improve the leakage detection problem and increase the detection accuracy; Secondly, the BiFPN is introduced to strengthen the feature extraction, and the multi-scale features are fused to expand the field of view; Finally, the loss function is replaced by SIoU, which solves the problem of mismatch between the prediction frame and the real frame direction. The experimental results show that the improved algorithm has a mAP0.5 of 95.4% on the Original dataset, which is 3.3% higher than the traditional YOLOv5s. The improved algorithm significantly improves the performance of the algorithm on the basis of no significant change in complexity.

　　【Key words】： leaf disease;BiFPN;object detection;YOLOv5

　　0引言

　　苹果叶片病害是指植物生长期间感染的病害,其有 些病害可造成植物的倒伏、死苗、斑点等。因此,及 时、准确地检测出苹果叶片病害是提高农业产量和保护 生态平衡的重要措施。我国目前主要采用的检测方法是 传统的人工视觉检测方法,该检测方法费时费力,检测 精度不高,主观性很强。近年来,随着计算机视觉技术 的不断更新和发展,国内外专家在病害检测领域中取得 了重大进展。宋怀波等 [1] 设计了一种 YOLOv5-MD 轻 量型网络用于重度黏连小麦籽粒检测,可为小麦籽粒检测嵌入式设备研发提供必要的技术支持。在农林业虫害 检测领域,钱蓉等 [2] 和张善文等 [3] 分别提出了两种基于 VGG-16 网络的检测算法,对田间害虫有较好的检测效 果。该方法对网络卷积层局部调整,优化模型参数,平 均检测都有一定的提升。王金 [4] 等提出了一种小目标储 粮害虫检测方法, 对 FasterR-CNN 网络进行改进, 将特 征金字塔融入 Faster R-CNN 网络,实现了 2.21% 的平 均检测精度提升。Bochkovshiy 等人 [5] 提出了 YOLOv4 模型, 融合了 FPN[6] 和 PAN[7], 大大提高了多尺度特征 提取能力,添加了 CSP[8] 模块,减少了计算量的同时可以保证准确率,取得了较好的成果。2021 年 Zia ur Rehman 等人以 Plant Village 数据集为研究对象, 基 于 MASK RCNN 与迁移学习技术对苹果叶片病害进行 识别,最佳识别准确率达 96.6%[9]。

　　综上所述,以上提出的方法仍然存在模型较大、 效率和精度不高问题,基于深度学习的病害检测还有 很多需要改进的问题。因此,本文中提了一种改进的 YOLOv5s 目标检测算法,以实现病害检测在智慧农业 中的应用。

　　1 YOLOv5 算法

　　Yolov5 有四个版本 ：YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x。文件中,这些模型的结构相同,但在模 型深度和模型宽度这两个参数上有所不同。YOLOv5 主 要分为输入端、Backbone、Neck 和 Head。本文采用 最简单的 YOLOv5s 模型。

　　在输入端,YOLOv5 采用 Mosaic 数据增强方式, 将任意四张图像进行拼接,并对图像进行随机缩放、裁 剪、排列,该方法可以提升模型的训练速度且降低模型 的内存需求。Backbone 部分是用来从输入图像中提取 特征的骨干网络。原始输入图像通过卷积神经网络进行 多层次特征提取,从低层次向高层次依次提取出不同的 图像特征,如边缘、纹理、形状等,最后生成一个高维 特征向量,用于以后在目标检测任务中应用。YOLOv5 在 Neck 部分主要采用了 FPN 特征金字塔结构。该结 构通过上采样和下采样操作将不同层次的特征图融合在 一起,形成最终的特征图用于目标检测。YOLOv5 的 检测头模块采用了多层级特征融合的方法,首先将骨干 网络输出的特征图经过一个 Conv 模块进行通道数的降 维和特征图的缩放,然后再将不同层级的特征图进行融 合,得到更加丰富的特征信息,从而提高检测性能。

　　2 改进 YOLOv5s

　　为了提升苹果叶片病害的检测精度和效率,降低 漏检率,本文主要从三个方面对 YOLOv5s 进行改进优 化 ：增加小目标检测层、采用 BiFPN 网络、引入损失 函数 SIoU。

　　2.1 增加小目标检测层

　　小目标检测旨在精准检测出图像中可视化特征非常 少的小目标,本文所采用的数据集中,部分苹果叶片 病害面积较小且密集,因此通过增加小目标检测层让 神经网络更加关注小目标的检测。增加后的小目标检测 头如图 1 所示。如果输入图像的尺寸为 640×640.则 #P3/8、#P4/16、#P5/32 分 别 用 来 检 测 大 小 在 8×8、 16×16、32×32 以上的特征图。本文中新增加了大小为 160×160 的检测特征图,用来检测 4×4 以上的目 标。增加检测层后,计算量和检测速度增加,但是明显 提升了小目标检测精度。

　　2.2 网络结构改进

　　YOLOv5s 算法的特征提取网络是在 FPN 的基础上 增加了一个额外的自下而上的路径聚合到 PAN,但依 旧对不同特征的输入融合处理效果不佳,会出现信息丢 失和其余问题,结构如图 2 所示。因此本文采用简单有 效的加权双向特征金字塔网络 BiFPN,通过引入双向 流动的特征信息,学习不同输入特征的贡献,同时反复 应用自上而下和自下而上的多尺度特征融合,有效解决 了存在的这些问题。

　　BiFPN 结构如图 3 所示。最终的特征图结合了双向 尺度链接和权重归一化融合。以 P6td 和 P6out 为例,计算公式如式 (1)、式 (2) 所示 ：

　　其中, P6td 是自上向下路径中第六层的中间特征层, P6out 是第六层对应的输出特征, Conv 代表特征处理操作, Resize 代表上下采样操作。加入 BiFPN 并添加小 目标检测层后,虽然会带来少许计算量的增加,但是改 进的网络在目标密集、特征简单的数据集上能够取得良 好的效果 [10]。

　　2.3 损失函数改进

　　目标检测的有效性在很大程度上取决于对损失函数 的定义。然而,迄今为止提出和使用的方法都没有考虑 到真实框和预测框之间的方向性差异。这一缺陷导致收 敛速度慢、效率低。

　　本文采用了一种新的损失函数 SIoU,该损失函数 引入真实框和预测框之间的向量角度,重新定义了惩 罚指标和相关损失函数。如图 4 所示为 SIoU 参数示意 图。SIoU 包括角度损失、距离损失、形状损失和 IoU 损失。

　　角度损失最大限度地减少与距离有关的变量数量, 模型首先会让预测框移动到距离最近的坐标轴,然后沿 着相关轴继续接近即可。计算公式如式 (3) 所示 ：

　　θ 的值定义的每个数据集及其值是唯一的,它控制 着对形状损失的关注程度。参数范围一般设置在 2~6之间。

　　2.4 改进后的网络结构

　　综上所述,通过添加小目标检测层使模型的定位和 识别更加准确, 采用 BiFPN 网络加强对输入图像的特 征提取。改进后的网络总体结构如图 5 所示。红线表示 新增加的流动方向,红框表示替换为 BiFPN 的位置。

　　3 试结果和分析

　　3.1 试验环境及数据集介绍

　　本文中所使用的环境搭建在远程服务器 Autodl 上, 试验环境为 NVIDIA RTX 3060. CUDA11.3 版本, 深度 学习框架为 PyTorch1.10.0 版本, 环境为 Python3.8. 试验数据来源于苹果叶部病害图像数据集 Original,该 数据集包含四种常见的苹果叶部病害 ：花叶病、锈病、 灰斑病、褐斑病。本文中试验使用 Labelimg 工具对数 据集图像进行标注,标记叶片病害感染区域和分类信 息。最终选取数据集中的 4146 张图片进行训练,其中 以 8 ：2 的比例随机划分训练集和验证集。

　　3.2 参数设置及评价指标

　　本文将 YOLOv5s 作为基础网络,使用官方提供的权 重文件进行初始化,初始学习率设置为 0.01.迭代 200 伦次,批次大小为 16.训练完成后在测试集上进行测试, 使用模型精度(Precision)、模型召回率(Recall) 和均 值平均精度(mAP)作为模型最终评价指标。计算公 式如式 (12) 所示 ：

　　其中, TP 指模型识别病害类别正确的数量, FP 指 模型识别病害类别错误的数量, FN 指模型遗漏识别病 害种类的数量, N 代表模型能检测出目标的种类数量。

　　3.3 试验结果与分析

　　3.3.1 不同损失函数的对比试验

　　为了验证 SIoU 损失函数的有效性,将 SIoU 与其 他两种损失函数做对比。结果如表 1 所示,当损失函数 设置为 SIoU 时, mAP0.5 的值最高, 相比于 CIoU 和 EIoU 分别提升了 4.3%、3.2%,召回率也有所提升。 因此,YOLOv5s 采用 SIoU 损失函数检测性能最优。

　　3.3.2 消融试验

　　为了验证本文改进后算法的有效性,设计四组试验 来验证不同模块对模型性能的影响, “ √ ”表示采用了 对应的改进方法。如表 2 所示,可以看出,本文改进后 的方法与传统的 YOLOv5s 相比, mAP0.5 和召回率分别提升 3.3% 和 3%。添加小目标检测层后提升了模型检 测精度,改进损失函数后模型准确率和召回率均有所提 升, 替换为 BiFPN 网络可以提高网络检测的鲁棒性。因 此,本文改进后的方法检测性能优于传统的 YOLOv5s 算法。
　　3.3.3 不同算法对比

　　为了验证改进后 YOLOv5s 算法的性能,选择传统 的 YOLOv5 算法和本文改进后的算法进行对比。结果 如表 3 所示,改进后的算法相比于其他几种算法,在模 型大小变化不大的情况下, mAP0.5 和召回率均有所提 升,本文改进后的算法具有很大的优势。

　　3.3.4 检测效果可视化

　　将传统的 Yolov5s 和本文方法的检测图片做对比, 如图 6 所示,左边是基于本文提出方法的检测效果图, 右边是基于传统的 Yolov5s 的检测效果图。从图 6 中可 以看出,利用本文提出的方法检测精度提升,漏检率降低,可以检测出光线较暗的、被遮挡的病害。

　　4 结论

　　本文基于 YOLOv5s,从增加小目标检测层、替换 BiFPN 网络,改进损失函数三个方面进行改进。针对 病害面积较小且存在叶片之间的遮挡,提出增加小目 标检测层来提升检测精度。为了加强网络的特征提取 能力,使用高效的多尺度特征融合网络 BiFPN,改变 PANet 网络中平等对待不同尺度方式, 平衡了不同尺 度特征信息的融合 [11]。将损失函数替换为 SIoU,极大 地帮助了训练收敛过程和效果,有效减少了损失的自由 度。对于苹果叶片病害数据集 Original, mAP0.5 相比 传统模型提升 3.3%,试验结果表明,改进后的算法明 显提升了检测精度和效率,能够精准检测出叶片病害, 具有更好的检测性能。

　　参考文献

　　[1] 宋怀波,王云飞,段援朝,等.基于 YOLO v5-MDC 的重度粘 连小麦籽粒检测方法[J]. 农业机械学报,2022.53(4):245-253.
　　[2] 钱蓉,孔娟娟,朱静波,等.基于VGG-16卷积神经网络的水稻 害虫智能识别研究[J].安徽农业科学,2020.48(5):235-238.
　　[3] 张善文,许新华,齐国红,等.基于可形变VGG-16模型的田间 作物害虫检测方法[J].农业工程学报,2021.37(18):188-194.
　　[4] 王金,李颜娥,冯海林,等.基于改进的Faster R-CNN的小目 标储粮害虫检测研究[J].中国粮油学报,2021.36(9):164-171.
　　[5] BOCHKOVSHIY A,WANG C Y,LIAO H.Yolov4:Optimal speed and accuracy of object detection[J].arXiv preprint arXiv:2004.10934.2020:102-111.
　　[6] LIN T Y,DOLLÁR P,GIRSHICK R,et al.Feature Pyramid Networks for Object Detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017:2117-2125.
　　[7] LIU S,QI L,QIN H,et al.Path Aggregation Network for Instance Segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018:8759-8768.
　　[8] WANG C Y,LIAO H Y M,YEH I H,et al.CSPNet:A New Backbone that can Enhance Learning Capability of CNN[J]. arXiv preprint arXiv:1911.11929.2019.
　　[9] REHMAN Z,KHAN M A,AHMED F,et al.Recognizing Apple Leaf Diseases Using a Novel Parallel Real-time Qprocessing Framework Based on MASK RCNN and Transfer Learning:An Application for Smart Agriculture[J]. IET Image Processing,2021.15(10):2157-2168.
　　[10] 苏俊楷,段先华,叶赵兵.改进YOLOv5算法的玉米病害检测 研究[J].计算机科学与探索,2023.17(4):933-941.
　　[11] 周晴,谭功全,尹宋麟,等.改进YOLOv5s的道路目标检测算 法[J].液晶与显示,2023.38(5):680-690.
 
 
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！

文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/jisuanjilunwen/73902.html