基于YOLOv5s的草莓病害識(shí)別系統(tǒng)設(shè)計(jì)

邱 菊，徐 燕

（北京物資學(xué)院信息學(xué)院，北京 101149）

草莓肉質(zhì)細(xì)韌，酸甜適口，營(yíng)養(yǎng)豐富，在國(guó)內(nèi)外市場(chǎng)上備受歡迎。但是，草莓種植過(guò)程中易受到20 多種病害威脅，制約了草莓的產(chǎn)業(yè)化發(fā)展。目前草莓病害識(shí)別仍以人工為主，耗時(shí)費(fèi)力，人工成本高，急需科技化手段提升草莓病害識(shí)別效果。

人工智能技術(shù)已被廣泛應(yīng)用于圖像識(shí)別、目標(biāo)追蹤等領(lǐng)域。很多學(xué)者嘗試?yán)萌斯ぶ悄芗夹g(shù)解決草莓病害識(shí)別方面的問(wèn)題[1]，牛沖等人運(yùn)用改進(jìn)的分水嶺圖像分割技術(shù)，通過(guò)特征提取對(duì)草莓病害進(jìn)行識(shí)別[2]。崔燦等人則是利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）進(jìn)行草莓病害識(shí)別[3]，CNN 是一種前向神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)方法，通過(guò)共享權(quán)值、局部連接和池化達(dá)到網(wǎng)絡(luò)更優(yōu)化并降低過(guò)擬合，利用多層卷積層和池化層提取圖像的分類特征[4]。張金慧等人提出了利用人工智能技術(shù)的草莓病害識(shí)別設(shè)備[5]。以上學(xué)者的研究雖在一定程度上提高了識(shí)別草莓病害的效率，但仍存在識(shí)別類型單一、操作復(fù)雜、識(shí)別效率較低等問(wèn)題。

因此，本文以草莓作為研究對(duì)象，采用YOLOv5s算法，針對(duì)目前人工識(shí)別草莓病害耗時(shí)費(fèi)力等問(wèn)題，構(gòu)建草莓病害識(shí)別模型，對(duì)于實(shí)現(xiàn)設(shè)施草莓遠(yuǎn)程實(shí)時(shí)病害識(shí)別、提高經(jīng)濟(jì)效益具有現(xiàn)實(shí)意義。

1 YOLO目標(biāo)檢測(cè)模型

YOLO 是Joseph Redmond 和Ali Farhadi 等 人 在 借 鑒Google Net基礎(chǔ)上提出的采用單獨(dú)CNN 模型實(shí)現(xiàn)的目標(biāo)檢測(cè)系統(tǒng)。它的核心思想是利用整張圖作為輸入后直接在輸出層回歸邊界框（Bounding box）的位置和類別。隨著時(shí)間的推移，YOLO 算法也在不斷提升和優(yōu)化，相繼出現(xiàn)YOLOv2、YOLOv3、YOLOv4、YOLOv5模型。

YOLOv5 的核心包括輸入端、主干網(wǎng)絡(luò)（Backbone）、頸部（Neck）、和輸出端4 部分，它在YOLOv4 算法的基礎(chǔ)上做了進(jìn)一步的改進(jìn)，檢測(cè)性能方面得到很大的提升。YOLOv5 對(duì)原始圖像自適應(yīng)添加最少的黑邊，圖像高度上兩端的黑邊減少了，使得相比之前推理速度提升了37%，同時(shí)YOLOv5的精確度相對(duì)于YOLOv4 也有顯著提高。官方給出的YOLOv5 目標(biāo)檢測(cè)網(wǎng)絡(luò)的4 個(gè)模型分別為YOLOv5s，YOLOv5m，YOLOv5l，YOLOv5x。本文選擇的是YOLOv5s 模型，YOLOv5s[6]模型是YOLOv5 系列中深度最小且特征圖寬度最小的模型，優(yōu)點(diǎn)是簡(jiǎn)潔、快速、易部署。

2 實(shí)驗(yàn)過(guò)程與分析

2.1 實(shí)驗(yàn)平臺(tái)

本系統(tǒng)開(kāi)發(fā)的硬件環(huán)境為字長(zhǎng)是64 位的計(jì)算機(jī)。軟件操作系統(tǒng)為Windows 10，基于python 3.6版本在anaconda搭建了一個(gè)虛擬環(huán)境，利用云端GPU 在Google colab 平臺(tái)上訓(xùn)練數(shù)據(jù)集，驗(yàn)證和測(cè)試的代碼在PyCharm中編譯和運(yùn)行。

2.2 數(shù)據(jù)集簡(jiǎn)介與訓(xùn)練策略

在不同角度、不同距離和不同光線下拍攝采集草莓照片696張作為模型訓(xùn)練與測(cè)試的數(shù)據(jù)集。利用Mosaic數(shù)據(jù)增強(qiáng)方法，最終訓(xùn)練的標(biāo)簽數(shù)為1 926個(gè)。

2.3 數(shù)據(jù)集標(biāo)注

數(shù)據(jù)集中的圖片分別利用Make Sense 在線標(biāo)注工具逐一進(jìn)行標(biāo)注，在標(biāo)注前需要先創(chuàng)建分類標(biāo)簽，本文共創(chuàng)建4個(gè)分類標(biāo)簽，其名稱及含義見(jiàn)表1。

表1 標(biāo)簽分類情況Tab.1 The classification of labels

采用矩形模式進(jìn)行標(biāo)注，標(biāo)注后的圖片作為訓(xùn)練集。在PyCharm 中編寫代碼并以YOLOv5s 作為主干網(wǎng)絡(luò)，將編寫好的代碼壓縮后存到谷歌云盤中，連接Colab GPU 服務(wù)器，在Google Colab 上掛載云盤，解壓壓縮的代碼，更改運(yùn)行目錄，配置好環(huán)境后即可開(kāi)始訓(xùn)練，期間可以不斷刷新來(lái)觀察訓(xùn)練結(jié)果。訓(xùn)練結(jié)束后，導(dǎo)出訓(xùn)練完的模型，上傳到PyCharm 中。從訓(xùn)練集中隨機(jī)選取10%的草莓照片進(jìn)行測(cè)試，觀察結(jié)果并分析。

2.4 評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)的評(píng)價(jià)指標(biāo)為精確度（Precision）、召回率（Recall）和平均精度均值（mean average precision，mAP）。

精確度定義如式（1）所示：

召回率定義如式（2）所示：

平均精度均值定義如式（3）所示：

其中，TP——有病害的草莓?dāng)?shù)目，F(xiàn)N——漏檢的病害草莓?dāng)?shù)目，F(xiàn)P——誤報(bào)的病害草莓?dāng)?shù)目，P——精確度，R——召回率，P（R）——精確度和召回率曲線。

本實(shí)驗(yàn)訓(xùn)練100 個(gè)Epoch（Epoch，將所有訓(xùn)練樣本訓(xùn)練一次的過(guò)程）。輸入端的自適應(yīng)縮放的原始圖片尺寸為800像素×600 像素，經(jīng)過(guò)自適應(yīng)縮放后的圖片尺寸為640 像素×640像素，通過(guò)這種方式可以減少訓(xùn)練過(guò)程中的計(jì)算量，提高檢測(cè)結(jié)果的精度。

3 試驗(yàn)結(jié)果分析

從圖1可看出，迭代開(kāi)始時(shí)準(zhǔn)確度較低，平均精度均值較低，召回率較小，在訓(xùn)練20 個(gè)Epoch 時(shí)，精確度和召回率突增，之后呈緩慢上升趨勢(shì)，在訓(xùn)練100 個(gè)Epoch 時(shí)，召回率為80%。綜上所述，可以判斷出YOLOv5s 算法在草莓病害識(shí)別方面具有一定優(yōu)越性。

圖1 精確度、平均精確度和召回率折線圖Fig.1 Line chart of precision,average accuracy precision and recall

圖2 給出了采用本系統(tǒng)進(jìn)行草莓病害識(shí)別的3 個(gè)實(shí)例。其中圖2a 是識(shí)別出的已患病草莓，概率為0.82；圖2b 識(shí)別出的草莓類型為患病和未成熟型，概率分別為0.87 和0.78；圖2c 識(shí)別出了2 個(gè)未成熟和1 個(gè)成熟的草莓，概率分別是0.61、0.88和0.60。

圖2 模型識(shí)別結(jié)果Fig.2 The images of the recognition result of the model

4 結(jié)論

本文采用Python 語(yǔ)言作為開(kāi)發(fā)語(yǔ)言，自制數(shù)據(jù)集，基于YOLOv5s 網(wǎng)絡(luò)建立草莓病害識(shí)別系統(tǒng)，實(shí)驗(yàn)結(jié)果顯示，該系統(tǒng)對(duì)病害草莓識(shí)別效率較高，具有實(shí)際應(yīng)用價(jià)值。