基于改进YOLO v5的水稻害虫识别方法  

Identification method for rice pests based on improved YOLO v5

作　　者：何泽糰 黄操军[1] 许善祥[1] 袁鑫宇 高学文 赵清 He Zeshen

机构地区：[1]黑龙江八一农垦大学信息与电气工程学院,黑龙江大庆163319

出　　处：《江苏农业科学》2025年第5期223-230,共8页Jiangsu Agricultural Sciences

基　　金：黑龙江省现代农业产业技术系统创新推广体系项目。

摘　　要：在水稻生长过程中,及时识别害虫种类在虫情监测环节至关重要。由于害虫种类繁多,人工识别效率低且主观性强,传统的水稻害虫识别模型易受环境因素影响,因此提高水稻害虫识别的准确性是亟待解决的问题。以水稻试验田中获取的害虫图像为对象,提出了一种基于MSRCP算法的图像增强和改进YOLO v5网络的水稻害虫识别模型。在图像预处理部分,采用MSRCP算法和双边滤波算法来增强因光照不均而受到影响的害虫图像。在改进YOLO v5网络部分,在骨干网络中引入了SE注意力机制,增强模型对害虫特征的理解能力,从而提升模型对各个通道害虫特征的辨别能力;引入α-IoU损失函数优化检测边界框,提高模型精度;并采用迁移学习策略训练模型,提升模型的学习效率和鲁棒性。通过消融试验可知,改进后的模型在水稻害虫图像识别上的精确率为95.17%,召回率为86.34%,平均精度均值为91.30%,较原YOLO v5模型分别提高了6.09、5.04、7.10百分点。与其他模型相比,改进后的模型平均精度均值较Faster R-CNN、原YOLO v5模型、YOLO v7分别提高了21.45、7.10、3.06百分点。改进算法明显优于其他算法,能更好地适应水稻害虫的特殊形态和农田复杂环境,对水稻害虫的防控具有重要意义。

关 键 词：农田复杂环境 YOLO v5模型 害虫种类识别 害虫防治 深度学习 

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]