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(yè)產業(yè)中，如何通過計算機視覺技術進行作物病害的識別和監(jiān)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(yè)產業(yè)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(tǒng)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(fā)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(jié)省人力和時間成本，降低農藥使用量和環(huán)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(fā)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(qū)域的顏色特征，并且通過圖像增強來進一步優(yōu)化圖像質量。

此外，還需對YOLOv5的算法進行優(yōu)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(yōu)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(yōu)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(qū)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(yōu)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(qū)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(qū)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(qū)域的顏色特征，以便區(qū)分正常區(qū)域和病變區(qū)域。然后進行圖像增強來進一步優(yōu)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(tǒng)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(qū)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(fā)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(yōu)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(yōu)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(yōu)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(huán)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(tǒng)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(qū)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(yōu)于其他對比算法，具有較高的實用價值。未來，將繼續(xù)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(yè)生產的效益和質量。