典型文献
基于改进YOLOv5s和迁移学习的苹果果实病害识别方法
文献摘要：
为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型:GHTR2-YOLOv5s(YOLOv5s with Ghost structure and TR2 module),并通过迁移学习策略对其进行优化.在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块(Convolutional Block Attention Module,CBAM)和加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BIFPN)提高模型精度,使用TR2(Two Transformer)作为检测头增强模型对全局信息的获取能力.改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值(mAP0.5)达到0.909,能快速准确地识别苹果果实病害.研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5％.试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别.
文献关键词：
病害;图像识别;YOLOv5s;轻量化;迁移学习
中图分类号：
作者姓名：
孙丰刚;王云露;兰鹏;张旭东;陈修德;王志军
作者机构：
山东农业大学信息科学与工程学院,泰安 271018;国家苹果工程技术研究中心,泰安 271018
文献出处：
引用格式：
[1]孙丰刚;王云露;兰鹏;张旭东;陈修德;王志军-.基于改进YOLOv5s和迁移学习的苹果果实病害识别方法)[J].农业工程学报,2022(11):171-179
A类：
GHTR2,BIFPN
B类：
YOLOv5s,苹果果实,果实病害,病害识别,快速准确,准确识别,识别模型,Ghost,structure,module,迁移学习策略,幻影,特征图,体宽,基线模型,卷积块注意力模块,Convolutional,Block,Attention,Module,CBAM,加权双向特征金字塔网络,Bidirectional,Feature,Pyramid,Network,模型精度,Two,Transformer,检测头,头增强,增强模型,全局信息,MB,IoU,平均精度均值,mAP0,图像增强,收敛速度,有效优化,模型训练,训练过程,少计,计算资源,图像识别
AB值：
0.392971
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
