基于YOLOv5的烟草叶部病害智能识别

作     者：刘春菊 刘延鑫 李斐 王俊峰 刘中庆 聂威 王大海 刘洋 田海东 罗政刚 孙松 杜玉海 马强 姜红花 LIU Chunju;LIU Yanxin;LI Fei;WANG Junfeng;LIU Zhongqing;NIE Wei;WANG Dahai;LIU Yang;TIAN Haidong;LUO Zhenggang;SUN Song;DU Yuhai;MA Qiang;JIANG Honghua

作者机构：山东潍坊烟草有限公司山东潍坊261061 山东农业大学信息科学与工程学院山东泰安271018 

出 版 物：《中国烟草科学》 (Chinese Tobacco Science)

年 卷 期：2024年第45卷第3期

页      面：93-101页

学科分类：09[农学] 0904[农学-植物保护] 090401[农学-植物病理学] 090402[农学-农业昆虫与害虫防治] 

基　　金：山东潍坊烟草有限公司科技项目(2023-45) 

主　　题：烟草 叶部病害 检测 YOLOv5 深度学习 

摘      要：为提高烟草病害的智能识别精度和判别效率,提出基于YOLOv5网络改进的烟草病害识别模型,针对原模型对小目标病斑特征提取能力弱的问题提出改进模型,分别为添加多尺度增强模块的YOLOv5-ME、添加小目标检测层的YOLOv5-LT和同时添加小目标检测层和多尺度增强模块的YOLOv5-ME-LT,对从田间采集的赤星病、黄瓜花叶病、普通花叶病、气候斑点病和野火病等5874幅病害图像进行识别验证。结果表明,3种改进模型的检测精度均优于原始模型,YOLOv5-ME的mAP为88.7%;YOLOv5-LT的mAP为88.1%;YOLOv5-ME-LT的mAP为91%,远高于原模型的78%。本文改进的烟草叶部病害识别算法相对原模型性能有明显提高,但研究中仍存在相似病害难区分等问题,后续研究将结合生命化学指标和多光谱技术,对早期烟草病害进行检测。