典型文献
基于YOLOv5s和Android的苹果树皮病害识别系统设计
文献摘要：
[目的]针对果园多种苹果树皮病害实时检测的需求,设计基于Android的苹果树皮病害识别APP以便进行果园精准管理.[方法]通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病3种病害的图片数据,经扩增和标注后按照8:2比例进行训练集和测试集的划分.使用YOLOv5s算法训练苹果树皮病害识别网络模型,对训练得到的轻量级网络模型进行Android端部署,并设计相应APP界面,实现对轮纹病、腐烂病、干腐病的快速诊断.[结果]训练后得到的深度学习网络模型识别效果良好,准确率稳定在88.7％,召回率稳定在85.8％,平均精度值稳定在87.2％.其中腐烂病准确率为93.5％,干腐病准确率为88.2％,轮纹病准确率为84.3％.将其在Android端部署后,每张病害图片处理时间均小于1 s,检测置信度为87.954％.该轻量级识别系统不仅实现了3种病害的快速检测,也保证了较高的识别精度.[结论]YOLOv5s网络权重模型小,能够轻松实现Android端的部署,且基于YOLOv5s设计的APP操作简单、检测精度高、识别速度快,可以有效辅助果园精准管理.
文献关键词：
苹果树皮病害;YOLOv5s;移动端;Android;多目标识别;识别系统
中图分类号：
作者姓名：
周逸博;马毓涛;赵艳茹
作者机构：
西北农林科技大学机械与电子工程学院,陕西杨凌 712100;农业农村部农业物联网重点实验室/陕西省农业信息感知与智能服务重点实验室,陕西杨凌 712100
文献出处：
引用格式：
[1]周逸博;马毓涛;赵艳茹-.基于YOLOv5s和Android的苹果树皮病害识别系统设计)[J].广东农业科学,2022(10):155-163
A类：
苹果树皮病害
B类：
YOLOv5s,Android,病害识别,识别系统,果园,实时检测,精准管理,轮纹病,腐烂病,干腐病,图片数据,训练集,测试集,算法训练,识别网络,练得,轻量级网络,端部,快速诊断,深度学习网络,模型识别,召回率,平均精度值,每张,图片处理,处理时间,置信度,快速检测,识别精度,轻松,检测精度,移动端,多目标识别
AB值：
0.260947
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。
