基于改进的YOLOv5s的Litchi疾病和害虫实时检测方法

科学领域:

• 计算机视觉 计算机视觉
• 农业技术 农业技术
• 机器学习 机器学习

背景情况:

• 传统的手动检测Litchi害虫和疾病是低效和昂贵的.
• 可持续的果园管理需要准确的实时监控解决方案.
• 现有的深度学习模型可能对嵌入式平台来说过于计算密集.

研究的目的:

• 开发一个改进的YOLOv5s模型,以有效地实时检测Litchi害虫和疾病.
• 优化模型在资源受限的嵌入式平台上部署.
• 为了提高检测准确度和减少计算开销.

主要方法:

• 用ShuffleNetV2修改了YOLOv5s骨干,以减少参数和计算.
• 在检测头中集成深度卷积 (DWConv) 和C3Ghost模块.
• 集成的注意力机制 (SE,CBAM,CoordAtt) 和EIoU损失函数.

主要成果:

• 在Litchi害虫和疾病检测方面实现了96.7%的平均平均精度 (mAP).
• 与原来的YOLOv5s相比,计算成本降低了87.5%,参数降低了86.7%,模型大小降低了55.6%.
• 在Raspberry Pi 4B上实现了3.3 FPS的推理速度,提高了57.1%,满足了实时要求.

结论:

• YOLOv5s-SNV2-GSE模型提供了一个实用和高效的解决方案,用于实时检测Litchi害虫和疾病.
• 该模型的优化使其适合在资源有限的环境中部署,以实现可持续农业.
• 显著降低计算成本和模型大小,使得先进的人工智能在果园中得到更广泛的应用.