基于YOLOv5s-STP的复杂背景下茶叶病害检测与应用

作     者：蒋钰 

作者单位：安徽农业大学 

学位级别：硕士

导师姓名：张友华;李军

授予年度：2023年

学科分类：08[工学] 09[农学] 080203[工学-机械设计及理论] 0904[农学-植物保护] 090401[农学-植物病理学] 0802[工学-机械工程] 090402[农学-农业昆虫与害虫防治] 

主      题：茶叶病害 目标检测 YOLOv5s Swin Transformer Block SPA attention 

摘      要：中国是茶叶生产和出口大国,茶叶病害的防治对茶叶的产量和质量有着重要意义。目前依靠茶农经验识别茶叶病害存在较多的误判,漏判情况。近些年来,随着深度学习的发展,目标检测技术推动着农作物病害检测的发展,但是针对茶叶病害检测,现有的研究基本建立在单一背景下的单一病害检测。因此,研究一种复杂背景下多叶片茶叶病害识别算法,对茶叶病害的防治具有重要意义。为了弥补自然环境中茶叶病害检测的空缺,本文以目标检测技术为基础,使用卷积神经网络方法,针对自然环境下的复杂背景、多叶片,小目标病害等问题,本文提出了一种YOLOv5s-STP茶叶病害检测方法。具体工作内容和试验结果如下:(1)构建了茶叶病害数据集。本文采集了3种茶树的5种病害图像,共2492张,并通过位置变换、色彩抖动、Auto Contrast、Cutout、Sharpness等数据增强方式将数据集扩充到7287张。接着对数据集进行归一化处理,然后使用Lable Img图像标注软件完成图像标注工作,最后按比例随机划分数据集。(2)提出了基于YOLOv5s-STP的茶叶病害检测算法。首先使用Faster R-CNN、SSD和YOLOv5s算法分别训练自建的茶叶病害数据集,结果表明YOLOv5s在三种算法中的表现最好,该算法的m AP达到了83.2%,FPS达到了59.6f/s,模型大小仅14.3M。其次针对YOLOv5s算法对部分病害检测效果差、数据集中的复杂背景干扰检测效果等问题,提出了将Swin Transformer Block(STB)融合到YOLOv5s网络中的C3模块以及融合带残差结构的SPA注意力机制这两种方法对YOLOv5s算法进行优化,构建了YOLOv5s-STP算法,以提升网络的特征提取能力,降低复杂背景等干扰因素的影响。优化后的算法在几乎不影响模型大小和检测速度的情况下精确率和召回率实现了同向增长,分别达到了91.2%和82.4%,比原YOLOv5s算法分别提升了6.6%和0.8%;F1的值提升了3.5%,达到了86.6%;m AP提升了3.5%,达到了86.7%;FPS达到了56.3f/s。结果证实了本文提出的YOLOv5s-STP算法在自建的茶叶病害数据集上可以较好地识别复杂背景下的多叶片茶叶病害。(3)设计并开发了一款茶叶病害检测系统。使用Flask框架对本文提出的算法进行部署,使用前后端分离的方式进行开发,实现茶叶病害检测系统的检测、历史记录管理,个人中心等功能,并对该系统进行测试,结果表明该检测平台具有可用性和实用性。