科研之友
微信
新浪微博
Facebook
分享链接
摘要
为了提高番茄穴盘苗分级检测精度，该研究提出了改进YOLOv5s目标检测模型，并通过迁移学习对番茄穴盘病苗识别精度进行优化。采用轻量级网络EfficientNetv2的Backbone部分作为特征提取网络，保留YOLOv5s中的SPPF空间金字塔池化模块，压缩模型参数数量以减少计算量；更改模型Neck部分原始上采样模块为CARAFE轻量级上采样模块，在引入很少参数量的情况下提高模型精度；同时将PANet替换为BiFPN，引入特征权重信息，增强不同尺度特征融合能力；引入有效多尺度注意力机制(efficient multi-scale attention,EMA)，提高对番茄苗的关注，减少背景干扰；替换CIoU损失函数为SIoU损失函数，考虑真实框与预测框之间的方向匹配，提高模型收敛效果。试验结果表明，改进的YOLOv5s目标检测模型经过迁移学习训练后，平均精度均值达到95.6%，较迁移学习前提高了0.7个百分点；与原YOLOv5s模型相比，改进YOLOv5s模型平均精度均值提升2.6个百分点；改进YOLOv5s模型的参数量、计算量和权重大小分别为原YOLOv5s模型的53.1%、20.0%和53.6%，便于后期将模型部署到边缘设备中；与Faster-RCNN、CenterNet及YOLO系列目标检测模型相比，改进YOLOv5s模型在检测精度和检测速度方面均有明显优势，该研究成果可以为穴盘苗的分级检测提供依据。
- 出版日期2023
- 单位石河子大学
