基于特征交互的样本不均衡的玉米病害检测方法

摘要

【目的】解决复杂环境中玉米叶片病害数据样本不均衡、检测精度低的问题。【方法】设计一种改进的目标检测网络SF＿YOLOv5。首先，在YOLOv5的多尺度金字塔结构基础上，设计一种新的空间-特征金字塔结构(SPD-FPN)，增强网络对小目标病害特征在高分辨率层次上的识别能力，保留大目标在低分辨率层次上的信息，整体提升网络的检测精度和鲁棒性。其次，引入Focal Loss损失函数，通过增加难分类样本的权重，减少易分类样本的影响，确保模型能够更关注不平衡数据集中易被忽略的少量样本。此外，将迁移学习的思想应用于SF＿YOLOv5的设计中，将预训练得到的YOLOv5模型参数迁移到改进的SF＿YOLOv5网络上进行训练，利用已有的大规模数据集知识，提升网络对玉米病害检测的泛化能力。【结果】在构建的玉米病害数据集上验证SF＿YOLOv5模型的均值检测精度(mAP)达93.3%，召回率为89.6%，相比原始YOLOv5模型有显著提升。且模型体积较小，易部署于移动端设备。【结论】改进后的网络检测样本不均衡的玉米叶片病害效果优于原模型，可用于农田场景下样本不均衡的玉米病害的智能诊断，为农业领域实时监测玉米病害提供理论基础。

关键词

深度学习 / 玉米病虫害 / 特征交互 / 样本不均衡