注意力特征融合的番茄叶部早期病斑诊断算法

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。

改进YOLOv5s的番茄钵苗分类识别模型

番茄钵苗分类识别对自动移栽机精准和高效完成钵苗移栽作业具有重要意义,目前钵苗检测存在精度较低,检测实时性较差,有误检和漏检的问题。为建立番茄钵苗监测系统,保证检测实时性,提高钵苗识别精准度,基于改进YOLOv5s目标检测算法提出一种番茄钵苗分类识别模型。研究工作包括构建番茄钵苗数据集;引入全局注意力机制(global attention mechanism,GAM)注意力机制;采用动态非单调聚焦机制损失函数(wise IoU,WIOU)损失函数策略;运用可变形卷积DCN V3;采用上下文信息模块(context augmentation module,CAM)模块。改进后模型平均检测速度约为12 ms,平均精度(average precision,AP)较基础模型上升3.8个百分点,MAP@0.5提高1.9个百分点,召回率提升3.2个百分点。相同实验条件下,将改进后YOLOv5s模型与当下常用模型对比,其检测速度更快,符合钵苗检测要求,精度更高,总体效果更优,保证实时性的基础上有效提高番茄钵苗的识别精度。