基于改进YOLOv5n模型的农作物病虫害识别方法

• 全文链接
• 请求原文

作   者：

承达瑜;  赵伟;  何伟德;  武择鹏;  王建东; 

作者机构：

中国农业科学院农业环境与可持续发展研究所;  河北工程大学矿业与测绘工程学院; 

关键词：

注意力机制;  目标检测;  轻量级模型;  农业病虫害; 

期刊名称：

江苏农业学报

i s s n：

1000-4440

年卷期：

2024 年 40 卷 011 期

页   码：

2021-2031

摘   要：

针对模型对复杂场景下农作物病虫害的识别精度低、模型参数量大的问题，本研究对轻量级YOLOv5n模型进行改进。首先，在YOLOv5n模型的骨干网络中加入坐标注意力模块，使模型关注检测目标及其位置，减少复杂背景对模型的影响。其次，引入加权的双向特征融合金字塔网络(BiFPN),减少小目标信息丢失，提高了模型的特征学习能力。最后，用损失函数SIoU代替损失函数CIoU,在不改变模型参数量的情况下，提升了目标检测精度。在无人机采集到的玉米病虫害数据集上，本研究提出的AgriPest-YOLOv5n模型的mAP@0.50达81.32%,在Jetson Xavier开发板上检测速度达到77 FPS,模型大小为1.63 MB。改进后的YOLOv5n模型能够满足轻量化的要求，能够实时、准确地识别复杂背景下的农作物病虫害，本研究结果可为病虫害精准防治提供技术支持。