| 摘 要： | 针对YOLO v5检测模型存在的漏检率和误检率问题，改进目标检测技术，提升苹果叶部病害早期发现及定位的准确性和速度，从而减少经济损失。先采用加权双向特征金字塔网络(BiFPN)特征融合方法，有效改善PANet对多尺度特征融合的不良影响，并引入Transformer机制，有效改进原始网络结构，使其专注于有用的信息，并增强特征融合效果。再使用ATCSP模块和自上而下的特征融合方法，增强模型对多尺度疾病的检测效果，并将强大的语义信息传达至模型底层，进一步提高检测精度。使用数据集由实验室采集的苹果树叶样本构成，包含3 331张标记图像的矩形位置来标记病害。由于图像亮度分布不均匀，采用直方图均衡化和改进的直方图均衡化处理，使图像对比度得到增强，大幅降低后续图像特征提取的计算量。在训练和测试过程中，还对原始病害图像进行旋转、随机亮度增强、随机色度增强、随机对比度增强和锐化等数据增强操作。结果表明，改进的YOLO v5检测算法可以显著提高苹果叶部病害检测的精度，对比原始算法，平均精度mAP@0.5提高20.8%。改进YOLO v5苹果叶部病害检测算法能够及时发现和定位苹果叶部病害，进而为深度学习技术...
|
