基于改进YOLO v5算法的草莓缺素诊断方法  

Diagnosis for nutritional deficiency of strawberry based on improved YOLO v5 algorithm

作　　者：王克林 王成义[2] 郭冰 李志勇 李军台 丁筱玲 Wang Kelin

机构地区：[1]山东农业大学机械与电子工程学院/山东省园艺机械与装备重点实验室,山东泰安271018 [2]山东农业大学信息科学与工程学院,山东泰安271018

出　　处：《江苏农业科学》2024年第20期83-91,共9页Jiangsu Agricultural Sciences

基　　金：山东省农机装备研发创新计划(编号:2015YF103);山东省自然科学基金(编号:ZR2018MF025);山东省重点研发计划(编号:2017GNC12103)。

摘　　要：为解决实际生产中草莓因缺素而导致经济损失的问题,提出一种基于YOLO v5算法的草莓叶片无损缺素检测方法,可针对4种常见的缺素(缺氮、缺磷、缺钾、缺钙)草莓叶片及正常草莓叶片进行识别。由于草莓的种植环境较为复杂,因此对YOLO v5算法进行改进,包括在骨干网络中添加CBAM注意力机制、使用Focal-EIoU损失函数替换默认的CIoU损失函数,以及引入Soft-NMS非极大值抑制算法并加入P2检测头,这些改进着重增加了算法在复杂背景下针对重叠目标及小目标的检测能力。经过改进所建立的YOLO v5-CFPS模型的准确率(P)、召回率(R)、平均精度均值(mAP值)分别为97.05%、95.71%、97.03%,相较于原始YOLO v5模型分别提升了6.47、6.01、7.73百分点,并通过NCNN框架将模型移植至安卓平台,验证了其实际应用的可行性。说明YOLO v5-CFPS模型对于草莓叶片缺素检测具有检测精度高、速度快、可靠性强等优点,为草莓缺素检测提供了一种更优的解决方案,有助于实现及时施肥追肥,并减少因不科学用肥所导致的经济损失和资源浪费。

关 键 词：缺素诊断 草莓叶片 机器视觉 改进YOLO v5算法 注意力机制 

分 类 号：S126[农业科学—农业基础科学] TP391.41[自动化与计算机技术—计算机应用技术]