基于改进YOLOv5s算法的虾脊兰炭疽病识别

摘要

虾脊兰(Calanthe discolor Lindl.)炭疽病严重影响作物品质，必须在种植区进行海量植株的快速准确识别。然而由于背景环境复杂、种植密集与病叶形态的多样，传统的人工及机器学习识别均难于在精度与速度上满足要求。针对这一问题，本文提出了一种改进的虾脊兰炭疽病识别方法。本方法 YOLOv5s (You Only Live Once v5s)网络作为基础，引入注意力机制以提升病变部位的识别能力，利用样本变换方法适应多叶片形态的多样性，并针对改进了冗余的边界框的消除机制降低了误判与漏判。在实验中，本文构建了虾脊兰样本数据集作为测试数据，并将本方法与传统的深度目标识别方法进行对比，在测试数据集上平均准确率最高达95.4%，模型存储空间为13.78MB，每秒传输帧数为91f/s。平均准确率比FasterR-CNN、YOLOv3、YOLOv4、YOLOv5l、YOLOv5s分别高出0.97%、8.06%、1.82%、0.58%、1.81%。结果表明本文提出的方法在识别精度、识别速度上均获得了较大的提升，并仅需较小的模型部署，以上特征使得本方法更加适用于虾脊兰炭疽病识别的实际工作。

关键词

炭疽病 / 机器学习 / YOLOv5s / 注意力