基于改进YOLOv5l的田间水稻稻穗识别

摘要

【目的】引入YOLOv5l算法模型并对其进行改进，以实现大田环境下水稻稻穗的精准、高效、无损检测。【方法】以田间水稻为研究对象，通过数码单镜反光相机采集水稻图像样本，人工标注后对原始图像进行离线数据增强扩充，构建田间水稻图像数据集；对YOLOv5l算法进行适应性改进，在空间金字塔池化(Spatial pyramid pooling,SPP)层前以及Cross-stage-sartial-connections (CSP)层中置入有效通道注意力(Efficient channel attention,ECA)机制，并进行对比试验。选取最优算法作为基准模型进行注意力机制和数据增强消融试验，并测试得到性能最优模型。将改进YOLOv5l与YOLOv5l、YOLOv5x、SSD和Faster R-CNN进行对比试验。【结果】在改进YOLOv5l的水稻识别框架中，将ECA置入网络SPP层前有更出色的性能。利用测试集图像检验模型，识别结果的平均精确率为93.63%，平均召回率为90.94%，总体平均精度可达95.05%。与未融合YOLOv5l算法相比，改进的YOLOv5l算法平均精度高3.03个百分点，图像的检测速率快8.20帧/ms；与YOLOv5x算法相比，改进的YOLOv5l算法平均精度提高0.62个百分点，图像的检测速率快5.41帧/ms，内存占用减少74.1MB，在田间水稻稻穗检测方面，改进YOLOv5l算法的综合性能优于其他算法。【结论】将改进后的YOLOv5l算法引入大田环境下的水稻稻穗检测是可行的，具有较高的精确率、较快的检测速度和较小的内存占用，能够避免传统人工检测的主观性，对稻穗检测和水稻的无损估产具有重要意义。

关键词

水稻 / 估产 / 稻穗检测 / YOLOv5l / ECA / 注意力机制