基于改進的YOLOv5對棉花枯萎病的識別算法

張嘉鎬　楊濟東　趙俊杰　張旋　易峻峰　李梓銘

關鍵詞：YOLOv5; 棉花; 枯萎??；小目標檢測；病害檢測

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2023）20-0051-03

0 引言

在農業產業中，如何通過計算機視覺技術進行作物病害的識別和監測已經引起了廣泛關注[1]。作物病害的快速準確識別是農業產業提高產量、減少損失的關鍵。而針對棉花作物的病害識別也是非常重要的，因為棉花是世界上最重要的紡織原料之一。據統計，全球每年因棉花病害而導致的經濟損失高達數十億美元。為了減少棉花病害造成的損失，許多研究人員和專家們致力于開發和應用各種基于計算機視覺技術的棉花病害識別方法[2]。其中，目標檢測技術是一種非常有效的方法，它可以自動檢測圖像中的目標并將其分類。

1 研究內容

1.1 研究背景及意義

棉花枯萎病是一種棉花生產中常見且危害嚴重的病害。它主要影響棉花的莖稈和維管束，導致棉株萎蔫、枯死、缺株、減產等問題。因此，對于棉花生產而言，棉花枯萎病的預防和治療非常重要。

利用無人機拍攝并使用圖像識別技術解決棉花枯萎病問題，具有非常重要的意義。通過使用人工智能技術對圖像進行分析，可以自動檢測并識別出患有棉花枯萎病的棉株，大大提高了棉花病害的診斷效率和準確性。同時，這也有助于節省人力和時間成本，降低農藥使用量和環境污染，提高棉花產量和品質。

因此，將無人機與圖像識別技術結合使用，不僅可以幫助農民及時發現和治療棉花枯萎病，還可以提高棉花的生產效率和質量，這對于棉花生產來說具有非常重要的意義。

1.2 研究方法

在進行檢測識別時，為了快速并且大范圍地采集圖片，需要利用無人機拍攝棉花的病蟲害圖片。然而，由于棉花枯萎病形狀多樣，無人機拍攝的目標相對來說比較小，圖像比較模糊，采用原來的模型準確率較低。

針對這一問題，首先要對圖片進行預處理：為了更好地顯示棉花枯萎病的特征，本文構建了一個圖像處理模塊，其功能是將圖片的RGB格式轉換成HSV 顏色空間，來提取患病區域的顏色特征，并且通過圖像增強來進一步優化圖像質量。

此外，還需對YOLOv5的算法進行優化。首先，為了解決小目標檢測效果不佳的問題，增加了小目標檢測層對較淺特征圖與深特征圖拼接后進行檢測。其次，引入了注意力機制，并對小目標檢測進行了優化，提高檢測準確率。

本文的主要工作可歸納為以下兩點：①構建一個圖像處理模塊，以更好地顯示棉花枯萎病的特征；②優化以YOLOv5算法為核心的識別模型，提高了其對棉花枯萎病的識別率。

2 設計方案

2.1 流程圖設計

如圖1所示，首先將采集的圖像輸入圖像預處理模塊，由于棉花枯萎病的自身特性，經過該模塊處理后，病害區域的顏色相較于未處理的圖片更為明顯。隨后將圖片送至改進的YOLOv5算法模型中，改進后的算法模型針對無人機拍攝的圖片進行了特別優化，使得對小目標可以進行更準確的檢測，對圖片中的棉花區域進行病害識別，如果存在病害，則進行受災分析，最終將結果反饋至遠程服務器。

2.2 圖像采集

影像平臺使用大疆mini2，該機型部分影像參數如表1。圖像采集地點位于新疆維吾爾自治區奎屯市。

3 改進模型

3.1 構建圖像預處理模塊

在本研究中，采用了以下步驟對圖片進行預處理。首先，將圖片的RGB格式轉換成HSV顏色空間。HSV顏色空間包含色相（H） 、飽和度（S） 和明度（V） 三個維度，與RGB顏色空間相比，由于更接近人類感知顏色的方式，HSV更容易提取出圖像中的顏色特征。本文使用HSV顏色空間來提取患病區域的顏色特征，以便區分正常區域和病變區域。然后進行圖像增強來進一步優化圖像質量。對于拍攝的圖片，由于存在一些噪點和模糊等問題，需利用圖像的腐蝕和膨脹去除圖片上較小的噪點，并利用直方圖均衡化增強圖片的對比度。通過圖像增強，將圖片的對比度提高了20%，將圖片的清晰度提高了15%。最后，對圖像進行裁剪和縮放，將圖片的大小統一為640×640像素。以上所有的圖像處理方法都是旨在增強圖像中的患病區域，以便更好地展示棉花枯萎病的特征。圖2是預處理前后圖片的對比。

3.2 改進的YOLOv5模型

YOLOv5是一種目標檢測算法，由Ultralytics公司在2020年發布。相對于其前身YOLOv4，YOLOv5在速度和準確度方面都有所提升。YOLOv5的核心是一個基于骨干網絡（圖3） 的輕量級Feature Pyramid Net?work（FPN） 特征提取器，其采用了新穎的特征聚合策略，能夠更好地捕捉物體的特征[4]。此外，YOLOv5還引入了Spatial Pyramid Pooling（SPP） 模塊，用于提高模型的感受野和特征表達能力。

在本研究中，針對棉花病蟲害的特點和實際應用中的場景，對基于YOLOv5的算法進行了優化。首先，為了解決YOLOv5小目標檢測效果不佳的問題[5]，本文增加了小目標檢測層對較淺特征圖與深特征圖拼接后進行檢測，通過增加小目標檢測層，可以利用較淺特征圖中保留的小目標信息來提高檢測精度。同時，引入注意力機制，對小目標檢測進行了優化。注意力機制是指通過對模型內部特征的加權處理，使模型在處理輸入數據時能夠更加關注重要的部分，從而提高模型的性能[5]。YOLOv5注意力機制可以捕獲跨通道和位置敏感的信息，從而提高目標定位和識別的準確性。為此，在本研究中，引入了Squeeze-and-Excitation Network（SENet） 注意力模塊，將其嵌入目標檢測網絡中。

SENet注意力模塊分為兩個部分，squeeze部分和excitation部分[7]。在squeeze部分中，全局平均池化操作被用于壓縮通道特征，將每個通道的特征圖壓縮成一個標量，用于描述該通道的重要性。在excitation部分中，通過兩個全連接層對每個通道進行加權處理，得到每個通道的重要性權重，用于對特征圖進行調整。這樣，模型就可以在特征提取過程中自適應地調整不同通道的權重，從而更加關注重要的特征，提高小目標檢測的精度[8]。如圖4是SENet注意力模塊的示意圖。

本文將SENet注意力模塊嵌入YOLOv5的FPN特征提取器中，對小目標進行優化。實驗結果表明，引入SENet注意力機制后，模型在小目標檢測任務上的精度得到了一定的提升。

4 實驗內容

4.1 實驗環境說明

在本研究中，硬件配置是關鍵因素之一。為了保證算法的高效運行和準確性，本文選擇了一臺高性能的計算機，并配備了適合本研究需求的硬件組件。下面詳細介紹硬件配置，實驗平臺具體配置參數見表2。

訓練使用的圖片經過預處理后，統一為640×640 像素，使用超參數訓練，這種訓練方法可以控制訓練進程，提高平臺利用率和檢測效率，部分超參數見表3。

4.2 實驗結果對比

本文對采集的數據進行300輪次訓練迭代，從圖5的對比圖可以看出，模型預測的和原來標注的基本重合，預測出的棉花枯萎病區域覆蓋面積和實際標注的面積相近，說明本文所提出的方法具有較好的棉花枯萎病檢測效果。為了對比了不同模型的實驗結果，本文選取了Mask R-CNN、原始的YOLOv7s和原始的YOLOv5s三種目標檢測算法進行對比實驗，并通過準確率、召回率和mAP_0.5等指標對它們進行了評估。結果見表4，改進的YOLOv5算法在準確率和mAP_0.5 方面均表現出色，其準確率相比之前提升了7.55%，mAP_0.5提升了11.48%。而原始的YOLOv7s在準確率上不及本方案，Mask R-CNN在召回率與mAP_0.5 數值上不及本方案。這表明，本文提出的算法能夠有效地提高目標檢測的精度和效率，未來有望在最新的算法平臺中取得更好的效果。

5 結論

本研究針對棉花病害的自動識別問題，提出了一種基于圖像處理和深度學習算法的解決方案。該方案主要分為兩個部分，首先是對采集的棉花病害圖像進行預處理，包括顏色空間轉換和圖像增強等操作，以便更好地提取圖像特征。其次是基于YOLOv5算法和注意力機制對預處理后的圖像進行目標檢測，從而實現對棉花病害的高精準度的識別。在實驗中，首先采集了大量的棉花病害圖像，并將其分為訓練集和測試集進行模型訓練和評估。實驗結果表明，所提出的解決方案在識別準確率優于其他對比算法，具有較高的實用價值。未來，將繼續探索如何進一步提高識別精度和速度，并將該方案應用于實際的棉花種植中，以提高農業生產的效益和質量。