基于YOLOv5s改进模型的小白菜虫害识别方法
小白菜是中国种植面积较广、深受大众喜爱的蔬菜，真实菜地环境中虫害往往出现在叶片的特定区域，且受环境因素如光照和背景干扰较大，影响对其的智能检测。为提高小白菜虫害的检测效率和准确率，该研究提出一种基于YOLOv5s网络框架改进的YOLOPC(YOLO for Pak Choi)小白菜虫害识别模型。首先，引入CBAM(convolutional block attention module)注意力机制，将其放在CBS（卷积层Convolution+归一化层Batch normalization+激活函数层SILU）的输入端构成CBAM-CBS的结构，动态调整特征图中各个通道和空间位置的权重；使用上采样和1×1卷积操作来调整特征图的尺寸和通道数，实现不同层次特征的融合，增强模型的特征表示能力。同时，改进损失函数，使其更适合边界框回归的准确性需求；利用空洞卷积的优势提高网络的感受野范围，使模型能够更好地理解图像的上下文信息。试验结果表明，与改进前的YOLOv5s模型相比，YOLOPC模型对小白菜小菜蛾和潜叶蝇虫害检测的平均精度均值（mean average precision, mAP）达到91.4%，提高了12.9%；每秒传输帧数（Frame Per Second, FPS）为58.82帧/s，增加了11.2帧/s，增加幅度达23.53%；参数量仅为14.4 M，降低了25.78%。与经典的目标检测算法SSD、Faster R-CNN、YOLOv3、YOLOv7和YOLOv8相比，YOLOPC模型的平均精度均值分别高出20.1%、24.6%、14%、13.4%和13.3%，此外，其准确率、召回率、帧速率和参数量均展现出显著优势。该模型可为复杂背景下小白菜虫害的快速准确检测提供技术支持。
相关知识
基于改进YOLOv5s的储粮害虫检测方法研究
基于改进YOLOv5s的农田辣椒病害图像识别
基于多尺度数据集的虫害检测模型
基于深度学习的植物病虫害识别方法与流程
基于卷积神经网络的花卉识别方法
一种基于花蕊局部特征的花卉识别方法与流程
基于改进烟花算法在虫害预测上的应用研究
改进的LeNet
基于 CNN 和迁移学习的农作物病害识别方法研究
基于超轻量级全卷积神经网络的花卉识别方法
网址: 基于YOLOv5s改进模型的小白菜虫害识别方法 https://m.huajiangbk.com/newsview548061.html
| 上一篇: 预测预报时,将某种害虫的发生期与 |
下一篇: 基于粗糙集和人工神经网络的虫害预 |
