文献类型：期刊文章

作　　者：苏俊楷[1] 段先华[1] 叶赵兵[1]

SU Junkai;DUAN Xianhua;YE Zhaobing(College of Computer Science,Jiangsu University of Science and Technology,Zhenjiang,Jiangsu 212100,China)

机构地区：[1]江苏科技大学计算机学院,江苏镇江212100

出　　处：《计算机科学与探索》

基　　金：国家自然科学基金(61806087);江苏省研究生科研与实践创新计划项目(KYCX21_3489)。

年　　份：2023

卷　　号：17

期　　号：4

起止页码：933-941

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、DOAJ、IC、JST、ZGKJHX、核心刊

摘　　要：为了解决玉米叶部病害识别技术落后、效率不高、精度不够的问题,提出一种改进的YOLOv5算法识别玉米病害。在保持模型的较低计算量的情况下,同时提升检测速度和算法性能,将传统的YOLOv5s网络的特征提取结构进行改进,在主干网络中添加CA注意力机制,改善目标漏检问题,帮助模型更加精准地定位和识别;在颈部使用BiFPN替代原有的PANet,通过双向的特征融合提升多尺度语义特征的利用,加强对图像深层特征的提取,添加小目标监测层,加强对小物体的检测效果;改进损失函数,引入Focal-EIOU Loss损失函数,提高BBox的回归精度。改进后的YOLOv5算法和传统的YOLOv5s相比,Recall提升了4.61个百分点,平均精度AP上升了4.5个百分点,mAP@0.5提高了2.14个百分点,检测速度上升了4.5 FPS。实验结果表明,改进后的YOLOv5算法在增加极少复杂度的情况下明显提升了算法的效率和性能,并且效果优于传统的YOLOv5s算法。

关 键 词：玉米病害 YOLOv5  特征金字塔  注意力机制  EIOU  目标检测

分 类 号：TP391]