文献类型：期刊文章

作　　者：孙丰刚[1,2] 王云露[1,2] 兰鹏[1,2] 张旭东[1,2] 陈修德[2] 王志军[1,2]

Sun Fenggang;Wang Yunlu;Lan Peng;Zhang Xudong;Chen Xiude;Wang Zhijun(College of Information Science and Engineering,Shandong Agricultural University,Tai’an 271018,China;National Apple Engineering and Technology Research Center,Tai’an 271018)

机构地区：[1]山东农业大学信息科学与工程学院,泰安271018 [2]国家苹果工程技术研究中心,泰安271018

出　　处：《农业工程学报》

基　　金：山东省重大科技创新工程项目(2019JZZY010706);山东省重点研发计划项目(2019GNC106106);山东省自然科学基金面上项目(ZR2019MF026)。

年　　份：2022

卷　　号：38

期　　号：11

起止页码：171-179

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、EAPJ、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型:GHTR2-YOLOv5s(YOLOv5s with Ghost structure and TR2 module),并通过迁移学习策略对其进行优化。在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块(Convolutional Block Attention Module,CBAM)和加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BIFPN)提高模型精度,使用TR2(Two Transformer)作为检测头增强模型对全局信息的获取能力。改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值(mAP0.5)达到0.909,能快速准确地识别苹果果实病害。研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5%。试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别。

关 键 词：病害 图像识别 YOLOv5s  轻量化 迁移学习  

分 类 号：TP391.4]