基于改进的YOLOv5s的花生腐烂的分类
Yu Liu1, Xiukun Li1,2, Yiming Fan1
1Hebei Agricultural University, Baoding, China.
Frontiers in plant science
|April 30, 2024
概括
这项研究引入了一种改进的YOLOv5s模型,用于分类花生烂,增强抗病能力. 机器视觉系统准确地识别和分类腐烂的花生,有助于选择耐药品种.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 花生烂对作物产量和质量产生重大影响,需要有效的控制和育种策略.
- 手动分类花生烂是低效的,劳动密集型,容易出现不准确,阻碍了育种计划.
- 开发疾病评估的自动化方法对于推进花生育种的疾病耐药性至关重要.
研究的目的:
- 开发和验证基于机器视觉的花生腐烂分级系统.
- 为了提高花生腐烂分类的准确性和效率,用于育种应用.
- 提供技术支持,用于选具有高抗腐的花生品种.
主要方法:
- 使用了改进的YOLOv5s (你只看一次版本5小) 模型,其中包含了Shuffle Attention模块.
- 为了提高识别准确性,完整的交叉点在欧盟 (CIoU) 损失函数被取代为增强的交叉点在欧盟 (EIoU).
- 集成了一个分级分类模块来处理RGB图像和输出PodRot数据.
主要成果:
- 增强的YOLOv5s模型实现了93.8%的精度和92.4%的平均平均精度 (mAP).
- 非腐烂和腐烂花生的识别准确率分别达到95.7%和90.8%.
- 改进后的模型与基线YOLOv5s和YOLOv8模型相比,显示出显著的性能提升.
结论:
- 拟议的机器视觉系统为分类花生烂提供了一个准确而有效的方法.
- 这项技术为旨在开发具有增强烂抵抗力的花生品种的育种计划提供了宝贵的支持.
- 该研究强调了先进的计算机视觉技术在农业疾病管理和作物改善方面的潜力.
