基于改进的SPPFCSPC-G YOLOv5网络的病识别研究

科学领域:

• 农业科学 农业科学
• 计算机视觉 计算机视觉
• 机器学习 机器学习

背景情况:

• 空间金字塔聚合 (SPP) 对于在像素级预测任务中捕获上下文信息至关重要,特别是用于现场分辨率检测病.
• 现有的SPP方法对于具有统一目标大小的数据集可能不是最佳的,需要专门的聚合结构.

研究的目的:

• 提出和评估一个新的聚合结构,SPPFCSPC-G,旨在有效检测病.
• 将SPPFCSPC-G集成到YOLOv5模型中,以提高其在识别病的性能.

主要方法:

• 开发了SPPFCSPC-G,这是一个聚合结构,将特征向量分成两个通道,用于使用分组卷积和并行MaxPool过器进行并行处理.
• 将SPPFCSPC-G模块集成到YOLOv5架构的骨干中.
• 在使用NVIDIA Tesla T4 GPU的病数据集上训练了修改后的YOLOv5模型.

主要成果:

• 使用SPPFCSPC-G增强的YOLOv5模型显示了改进的精度,回忆和mAP (平均精度).
• 在模型参数,GFLOPs (每秒千兆浮点运算) 和整体模型大小中观察到显著的减少.
• 经过训练的模型在Intel Core i5 CPU上实现了更快的预推理和实际推理速度,并最大限度地减少了计算资源的消耗.

结论:

• 该SPPFCSPC-G的聚合结构有效地提高了YOLOv5的性能,用于检测水疾病.
• 拟议的方法提供了一个计算效率高的解决方案,用于实时识别农业疾病.
• SPPFCSPC-G有助于更准确,更快速地检测大米疾病,有助于作物管理.