农业机械学报

作者：韩鑫，徐衍向，封润泽，刘天旭，白京波，兰玉彬

单位：山东理工大学,山东理工大学,山东理工大学,山东理工大学,山东思远农业开发有限公司,山东理工大学,

关键词：红外热成像;深度学习;病害早期识别;YOLO v5

基金：山东省引进顶尖人才“一事一议”专项（鲁政办字［2018］27号）、山东临淄设施蔬菜科技小院项目（教育部教研厅函［2022］?7号）、山东理?工大学研究生教育质量提升计划项目（研究生函［2022］26号）和山东理工大学本科教学研究与改革项目（教务函［2022］80号）

为实现作物病害早期识别，本文提出一种基于红外热成像和改进YOLO v5的作物病害早期检测模型，以CSPD-arknet为主干特征提取网络，YOLO v5 stride-2卷积替换为SPD-Conv模块，分别为主干网络中的5个stride-2卷积层和Neck中的2个stride-2卷积层，可以提高其准确性，同时保持相同级别的参数大小，并向下阶段输出3个不同尺度的特征层；为增强建模通道之间的相互依赖性，自适应地重新校准通道特征响应，引入SE机制提升特征提取能力；为减少模型计算量，提高模型速度，引入SPPF。经测试，改进后YOLO v5网络检测性能最佳，mAP为95.7%，相比YOLO v3、YOLO v4、SSD和YOLO v5网络分别提高4.7、8.8、19.0、3.5个百分点。改进后模型相比改进前对不同温度梯度下的作物病害检测也有提高，5个梯度mAP分别为91.0%、91.6%、90.4%、92.6%和94.0%，分别高于改进前3.6、1.5、7.2、0.6、0.9个百分点。改进YOLO v5网络内存占用量为13.755MB，低于改进前基础模型3.687MB。结果表明，改进YOLO v5可以准确快速地实现病害早期检测。

来源：2023年第12期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2023年第12期