基于改进ATSS模型的水稻叶片病害检测

针对传统水稻病害诊断方法依赖人工、容易误判等缺点,提出一种基于ATSS的水稻叶片病害检测模型。首先收集白叶枯病、胡麻斑病、叶瘟病这三种病害图像,构建水稻叶片病害图像数据集。然后在原ATSS模型的基础上,网络Neck部分采用FPN-CARAFE模块代替特征金字塔网络FPN,以减少上采样过程中的信息损失。同时,为提升模型的检测效果,回归分支的损失函数采用CIoU损失函数代替GIoU。改进ATSS模型的平均精度均值可达74.0%,相比于原ATSS模型提升了3.5%。与模型Retinanet、Faster R-CNN、Cascade R-CNN、FCOS、TOOD相比,改进ATSS模型取得了最高的检测精度,且在检测精度和速度上取得了最高的权衡。实验结果表明,改进后的模型能对水稻叶片病害有效检测。

改进YOLOv5的水稻叶片病害检测算法研究

针对水稻病害的复杂特征、多尺度和低效率问题,使用深度学习构建了DEFFN-YOLOv5水稻叶病害算法,研究了水稻白叶枯病、稻瘟病和褐斑病。为了提高病害检测精度,改进了原始YOLOv5算法,引入了PixelShuffle上采样模块以还原图像细节。此外,增强了特征提取能力,引入了可变形卷积和轻量的ECA通道注意力模块。通过采用BiFPN来改进PAN模块,增强了信息交互,提高了模型的理解和定位能力。实验证明,改进后的DEFFN-YOLOv5算法在目标检测中的平均精度(mAP)达到86%,比原YOLOv5算法提高了3%。与此同时,计算需求减少了4.6GFLOPs,比原YOLOv5算法减少了27.85%。这些改进使得DEFFN-YOLOv5在水稻病害检测中表现更出色。

基于改进SPP-x的YOLOv5神经网络水稻叶片病害识别检测

针对YOLOv5模型在水稻病害叶片检测计算复杂度高,计算速度慢的问题,提出一种基于改进SPP-x的YOLOv5模型水稻病害叶片识别检测方法。首先,将原主干网中SPP模块中3个不同尺寸(5×5、9×9、13×13)的MaxPool层替换为3个尺寸相同的5×5 MaxPool层连接,后面通过1×1卷积层来调整输出特征维数,再将YOLOv5网络中优化器替换为Adam,从而构建新的YOLOv5网络结构。通过试验比较SGD和Adam优化器在训练集上的收敛速度,结果表明:改进后的SPP-x模块在运算时间上仅是原SPP的50%,计算精度值达到97%,mAP_0.5和mAP_0.5:0.95两项指标分别收敛于0.983和0.822。试验发现改进SPP-x的YOLOv5模型单张图像检测速度0.34 s,效果良好,能够有效地辅助水稻病害识别。