电子测量技术

作者：金婷婷，房建东，赵于东

单位：1.内蒙古工业大学信息工程学院 呼和浩特 010080; 2.内蒙古自治区感知技术与智能系统重点实验室 呼和浩特 010080; 3.内蒙古自治区智慧农牧业感知技术协同创新中心 呼和浩特 010080

关键词：YOLOv5s;番茄早期病斑;GSConv和slimneck;注意力机制;特征融合

基金：内蒙古自治区直属高校基本科研业务费资助项目（JY20220012）、内蒙古自治区科技计划项目（2023YFJM0002，2022YFSJ0034）资助

番茄产量受到病害、天气等因素的影响，其中番茄生长过程中叶片的病害问题是影响番茄产量的最关键因素。然而，在叶片病害检测领域，现有模型普遍存在泛化能力不足以及小病斑漏检率高等问题。提出一种改进的番茄病害早期检测算法，通过对YOLOv5s网络进行多方面的优化来改善这些问题，同时保持模型轻量化。首先，采用Mosaic 9数据增强技术，强化了模型对小病斑的检测能力，增加了图像背景的复杂度，提高了模型的泛化能力；其次，使用GSConv和Slim-Neck网络，在保持模型准确性的前提下轻量化模型，降低计算负担；同时，使用SimAM注意力机制更准确地捕捉叶片上的小病斑特征，从而降低漏检率；此外，为了进一步增强多尺度目标的检测能力，引入自适应空间特征融合，有效地整合不同尺度的特征，提升了多尺度目标，特别是小目标的检测准确性。实验结果表明：该模型在叶片病害早期检测方面表现出色，对叶霉、早疫、晚疫以及健康叶片四种番茄病害的早期平均识别准确率、召回率、F1分数及mAP分别达到了0.951%、0.918%、0.934%、0.948%。可见该方法对于小病斑具有较好的检测性能，改善了模型泛化能力不足及小病斑检测过程中的漏检问题，进一步提高了检测效果。

来源：2024年第4期

《电子测量技术》期刊编辑部

查看电子测量技术杂志2024年第4期