针对传统的YOLOv5算法对叶片中小尺度及密集黑斑病辨识精度不高的问题,提出一种用于黑斑病检测的改进YOLOv5算法。首先,增加小尺度检测层,提升网络对小尺度目标的辨识能力,以此来增加对小尺度叶片黑斑病的检测正确率;其次,加入注意力机...针对传统的YOLOv5算法对叶片中小尺度及密集黑斑病辨识精度不高的问题,提出一种用于黑斑病检测的改进YOLOv5算法。首先,增加小尺度检测层,提升网络对小尺度目标的辨识能力,以此来增加对小尺度叶片黑斑病的检测正确率;其次,加入注意力机制,提升网络的特征提取能力,从而提升对叶片黑斑病的检测正确率;最后,将YOLOv5算法的非极大值抑制(Non-Maximum Suppression,NMS)改为DIoU_NMS,提升网络对重叠目标的检测效果,以便对叶片中密集的黑斑病进行识别。实验结果表明:相比于传统的YOLOv5方法,改进后的YOLOv5算法的精准率(Precision,P)和召回率(Recall,R)分别由86.4%、77.8%提升至93.5%、80.0%,平均精度均值(mean Average Precision,mAP)也由85.1%提升到88.7%。展开更多
文摘针对传统的YOLOv5算法对叶片中小尺度及密集黑斑病辨识精度不高的问题,提出一种用于黑斑病检测的改进YOLOv5算法。首先,增加小尺度检测层,提升网络对小尺度目标的辨识能力,以此来增加对小尺度叶片黑斑病的检测正确率;其次,加入注意力机制,提升网络的特征提取能力,从而提升对叶片黑斑病的检测正确率;最后,将YOLOv5算法的非极大值抑制(Non-Maximum Suppression,NMS)改为DIoU_NMS,提升网络对重叠目标的检测效果,以便对叶片中密集的黑斑病进行识别。实验结果表明:相比于传统的YOLOv5方法,改进后的YOLOv5算法的精准率(Precision,P)和召回率(Recall,R)分别由86.4%、77.8%提升至93.5%、80.0%,平均精度均值(mean Average Precision,mAP)也由85.1%提升到88.7%。
