基于YOLOv5改進(jìn)模型的雜交稻芽種快速分級(jí)檢測(cè)

鐘海敏，馬 旭，李澤華,3，王曦成，劉賽賽，劉偉文，王承恩，林泳達(dá)

(1 華南農(nóng)業(yè)大學(xué) 數(shù)學(xué)與信息學(xué)院,廣東 廣州 510642；2 華南農(nóng)業(yè)大學(xué) 工程學(xué)院,廣東 廣州 510642；3 農(nóng)業(yè)農(nóng)村部華南熱帶智慧農(nóng)業(yè)技術(shù)重點(diǎn)實(shí)驗(yàn)室,廣東 廣州 510642；4 華南農(nóng)業(yè)大學(xué) 電子工程學(xué)院,廣東 廣州 510642)

雜交稻種子活力是雜交稻育種和育秧中的重要指標(biāo)。育種中，選用高活力的水稻種子進(jìn)行雜交，有利于選育出高品質(zhì)的新品種[1]。機(jī)械化育秧中，種子出芽率和出芽整齊性是影響機(jī)械化育秧播種量調(diào)節(jié)和播種質(zhì)量的重要參數(shù)指標(biāo)[2]。出芽率高且出芽整齊的種子有利于培育高質(zhì)量的秧苗，而雜交稻種子的出芽率和出芽整齊性與種子的活力息息相關(guān)。因此，快速評(píng)估雜交稻種子活力具有非常重要的實(shí)際意義。傳統(tǒng)的種子活力檢測(cè)方法主要是采用標(biāo)準(zhǔn)的種子發(fā)芽試驗(yàn)法，即在一定的條件下，對(duì)被檢測(cè)的種子進(jìn)行發(fā)芽試驗(yàn)并統(tǒng)計(jì)發(fā)芽率[3]。該方法僅將催芽種子分為發(fā)芽和未發(fā)芽?jī)深?，并未進(jìn)行種子活力細(xì)化分級(jí)，分類相對(duì)粗糙；對(duì)出芽整齊性的評(píng)估也主要是通過評(píng)價(jià)者主觀評(píng)價(jià)，沒有統(tǒng)一的標(biāo)準(zhǔn)。種子發(fā)芽試驗(yàn)法是一種有損檢測(cè)方法，且檢測(cè)過程復(fù)雜。種子活力無損檢測(cè)方法主要有X光、近紅外光譜、高光譜、多光譜、可調(diào)諧半導(dǎo)體激光吸收光譜和色選技術(shù)等光學(xué)檢測(cè)方法，檢測(cè)對(duì)象為未催芽的種子，但這些技術(shù)目前基本上還處于實(shí)驗(yàn)室研究階段，尚未形成可商用的種子活力光學(xué)檢測(cè)裝備。在育種和機(jī)械播種等實(shí)際工作中需要知道種子發(fā)芽后的發(fā)芽率和發(fā)芽勢(shì)，對(duì)經(jīng)過光學(xué)技術(shù)檢測(cè)后的種子仍需進(jìn)行催芽后的分級(jí)分選[4]。隨著雜交稻育種技術(shù)和機(jī)械化育秧技術(shù)的快速發(fā)展，對(duì)大規(guī)模種子活力的精細(xì)判別提出了新的要求，例如，雜交稻機(jī)械化精量播種中，要求每穴播1～2粒芽種且芽長不超過3 mm，因此，迫切需要對(duì)發(fā)芽后的水稻種子活力進(jìn)行多級(jí)別精細(xì)化檢測(cè)，加強(qiáng)對(duì)種子質(zhì)量和幼苗強(qiáng)壯程度的預(yù)判，以適應(yīng)育種和機(jī)械化育秧技術(shù)發(fā)展的需求。

傳統(tǒng)的圖像處理方法和機(jī)器視覺技術(shù)結(jié)合不同硬件實(shí)現(xiàn)了特定任務(wù)的檢測(cè)及分級(jí)[5-6]。將深度學(xué)習(xí)算法與現(xiàn)有的光學(xué)成像和檢測(cè)技術(shù)結(jié)合，已成為探索種子活力檢測(cè)的重要途徑?；诮t外光譜圖像和光譜信息，Yang等[7]結(jié)合遷移學(xué)習(xí)構(gòu)建深度學(xué)習(xí)模型，對(duì)水稻種子活力進(jìn)行評(píng)估，最高識(shí)別準(zhǔn)確率達(dá)99.50%；Ma等[8]采用卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)方法對(duì)日本芥菜種子活力檢測(cè)的準(zhǔn)確率達(dá)90%左右；Nie等[9]利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)雜交秋葵種子和絲瓜種子的品種進(jìn)行鑒別，分類準(zhǔn)確率大于95%?；诟吖庾V和卷積神經(jīng)網(wǎng)絡(luò)，Pang等[10]對(duì)玉米種子活力進(jìn)行檢測(cè)，模型的識(shí)別準(zhǔn)確率可達(dá)99.96%。目前，圖像分級(jí)檢測(cè)存在各具特色的目標(biāo)檢測(cè)網(wǎng)絡(luò)，如Faster RCNN、YOLO系列和SSDMobileNet等，其中，YOLO系列的卷積神經(jīng)網(wǎng)絡(luò)具有檢測(cè)準(zhǔn)確率高、模型占用內(nèi)存小和模型易于移植手機(jī)端等特點(diǎn)，已成功應(yīng)用于各種目標(biāo)檢測(cè)和分級(jí)研究。例如，張秀花等[11]提出了一種基于改進(jìn)的YOLOv3-Tiny 番茄穴盤苗分級(jí)檢測(cè)方法，為番茄穴盤苗的自動(dòng)化檢測(cè)和分選提供參考。王立舒等[12]對(duì) YOLOv4-Tiny 網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，提出一種含有注意力模塊的目標(biāo)檢測(cè)網(wǎng)絡(luò)，實(shí)現(xiàn)自然環(huán)境下藍(lán)莓果實(shí)成熟度的精確快速識(shí)別，為藍(lán)莓采摘機(jī)器人和早期產(chǎn)量預(yù)估提供快速精準(zhǔn)的目標(biāo)識(shí)別。宋懷波等[13]設(shè)計(jì)了一種YOLOv5-MD輕量型網(wǎng)絡(luò)用于重度粘連的小麥籽粒檢測(cè)，可為小麥籽粒檢測(cè)嵌入式設(shè)備研發(fā)提供必要的技術(shù)支持。駱潤玫等[14]提出一種基于YOLOv5-C的復(fù)雜背景下廣佛手病蟲害的識(shí)別方法，能快速準(zhǔn)確地識(shí)別目標(biāo)。殷獻(xiàn)博等[15]提出一種基于多注意力機(jī)制改進(jìn)的YOLOXNano智能識(shí)別模型，實(shí)現(xiàn)了柑橘梢期長勢(shì)的智能識(shí)別，為果園實(shí)時(shí)感知和智能監(jiān)測(cè)提供了可行的數(shù)據(jù)和技術(shù)方案。YOLO算法在目標(biāo)檢測(cè)中表現(xiàn)出旺盛的生命力，其算法也在不斷完善[16]。Yang等[7]基于近紅外光譜圖像和深度學(xué)習(xí)模型對(duì)水稻種子活力進(jìn)行檢測(cè)，獲得較好的識(shí)別準(zhǔn)確率，但相對(duì)于可見光成像的RGB圖像，其圖像獲取更復(fù)雜、成本也更高；此外，YOLOv5應(yīng)用于雜交稻芽種分級(jí)檢測(cè)中，雖然檢測(cè)速度相對(duì)較快，但檢測(cè)精度相對(duì)較低，速度仍可提升。為提高雜交稻芽種快速分級(jí)檢測(cè)的精度和速度，基于可見光成像，本文提出了一種基于YOLOv5改進(jìn)模型的雜交稻芽種快速分級(jí)檢測(cè)方法，以期為水稻育種和機(jī)械化育秧技術(shù)裝備研發(fā)提供智能化技術(shù)支持。

1 圖像采集與數(shù)據(jù)集制作

雜交稻芽種圖像數(shù)據(jù)于2022年3月中旬在華南農(nóng)業(yè)大學(xué)工程學(xué)院北樓105實(shí)驗(yàn)室采集，雜交稻品種為‘五優(yōu)1179’。種子催芽成功后，芽長變化是一個(gè)連續(xù)的過程。為了對(duì)發(fā)芽后的種子活力進(jìn)行分級(jí)，本文根據(jù)機(jī)械化播種對(duì)芽長的要求將芽種分為4級(jí)(圖1)：未發(fā)芽、破胸露白、發(fā)芽(芽長小于3 mm)和長芽(芽長大于3 mm)，破胸露白和發(fā)芽的種子適合機(jī)械化精量播種育秧，未發(fā)芽和長芽種子不適合機(jī)械化播種育秧?？紤]到不同等級(jí)的圖像采集數(shù)量多、時(shí)間長，種子催芽成功后，為了控制種子生長速度，采用低溫調(diào)控，以確保獲取足夠多的樣本。試驗(yàn)期間，使用分辨率為8 168×4 592像素的安東星工業(yè)相機(jī)采集水稻芽種圖像，相機(jī)安裝在高度可調(diào)的臺(tái)架上，為減少光線變化對(duì)成像的影響，臺(tái)架上配備了補(bǔ)光設(shè)備；考慮到人工識(shí)別水稻種子發(fā)芽及芽長等級(jí)是逐粒進(jìn)行的，為簡(jiǎn)化模型的復(fù)雜度，將芽種盡可能不重疊地平放在試驗(yàn)臺(tái)架上；獲取的圖像保存為.jpg格式。共獲得雜交稻芽種圖像3 700 幅[包含單粒、多粒(2～7粒)及混合]，其中，未發(fā)芽、破胸、發(fā)芽和長芽圖像分別為900、980、1 180和640 幅。為增加圖像信息和擴(kuò)充數(shù)據(jù)集，對(duì)采集到的圖片進(jìn)行數(shù)據(jù)增強(qiáng)，同時(shí)使用平移、旋轉(zhuǎn)、添加噪聲、剪裁和HSV色域轉(zhuǎn)換方法生成包含5 550 幅圖像的數(shù)據(jù)集，數(shù)據(jù)集劃分如表1所示。

表1 雜交稻芽種圖像數(shù)據(jù)集的樣本數(shù)量Table 1 The number of data set samples of hybrid rice bud seeds

2 改進(jìn)的YOLOv5目標(biāo)分級(jí)檢測(cè)模型

2.1 YOLOv5網(wǎng)絡(luò)

深度學(xué)習(xí)目標(biāo)檢測(cè)網(wǎng)絡(luò)中，常見的算法主要有Faster-Rcnn[17]、R-CNN[17]、SPPNet[18]、YOLO[19]和SSD[20]等。YOLOv5是YOLO系列的第5代算法，其中，YOLOv5s的權(quán)重值最小、檢測(cè)網(wǎng)絡(luò)深度小且檢測(cè)速度快，但該方法對(duì)深層圖像特征的提取能力相對(duì)較低，在雜交稻芽種分級(jí)檢測(cè)中易出現(xiàn)漏檢和分類錯(cuò)誤，不能滿足雜交稻芽種分級(jí)檢測(cè)精度要求。本文通過引入SE(Squeeze-and-excitation)注意力機(jī)制，同時(shí)將GIoU(Generalized intersection over union)損失函數(shù)改進(jìn)為CIoU(Complete intersection over union)損失函數(shù)，對(duì)YOLOv5s進(jìn)行改進(jìn)和增強(qiáng)，提高了目標(biāo)檢測(cè)的特征提取和特征融合能力以及收斂速度。

2.2 YOLOv5目標(biāo)分級(jí)檢測(cè)模型改進(jìn)

2.2.1 引入SE注意力機(jī)制 注意力機(jī)制模仿了人類大腦的視覺注意力機(jī)制，通過瀏覽全局圖像對(duì)輸入信息進(jìn)行注意力分配，確定重點(diǎn)關(guān)注區(qū)域，從而快速獲取關(guān)鍵信息[21]。SE注意力機(jī)制是一種通道注意力機(jī)制[22]，可以嵌入到Y(jié)OLOv5s模型中，引進(jìn)SE注意力機(jī)制不會(huì)改變?cè)型ǖ佬畔⑻崛∧芰?，但能夠?qū)o用的背景信息進(jìn)行過濾，并重點(diǎn)關(guān)注特殊內(nèi)容和特殊位置的信息，從而有效地提高特征信息提取能力，進(jìn)一步提高檢測(cè)的準(zhǔn)確率。在雜交稻芽種分級(jí)檢測(cè)中，稻種發(fā)芽部位位于頭部的一側(cè)，其位置具有特殊性。本研究在YOLOv5s頸部結(jié)構(gòu)中添加SE注意力機(jī)制以增強(qiáng)特征通道間的關(guān)注度，擬合目標(biāo)通道相關(guān)特征信息并抑制無效信息，提高網(wǎng)絡(luò)模型對(duì)水稻芽種發(fā)芽部位的關(guān)注度，減少背景干擾，有效地提升了模型檢測(cè)精度。

首先，SE模塊對(duì)輸入特征圖X做全局平均池化，生成長為H、寬為W、通道為C的通道特征圖像，然后對(duì)通道特征圖像的長、寬求和再取平均值生成空間注意力特征。擠壓(Squeeze，F(xiàn)sq)操作算法如下：

式中，Z表示通道特征圖的平均特征值，u(i,j)表示特征圖上的單個(gè)特征值。

然后，激勵(lì)(Excitation，F(xiàn)ex)操作將H×W×C的特征圖壓縮為1×1×C特征圖，在Fex操作中使用2層全連接自適應(yīng)學(xué)習(xí)生成權(quán)重(S)，算法如下：

式中，w1、w2分別為2個(gè)全連接層的權(quán)重值，δ為連接層使用的Relu激活函數(shù)，σ表示Sigmoid函數(shù)。

Sigmoid函數(shù)歸一化操作構(gòu)建各個(gè)注意力特征通道之間的關(guān)系，把每個(gè)通道的數(shù)值限制在0～1之間，抑制無用特征通道信息，激活重點(diǎn)關(guān)注區(qū)域特征通道。圖2為SE注意力模塊的結(jié)構(gòu)示意圖。

圖2 SE注意力機(jī)制模塊結(jié)構(gòu)示意圖Fig.2 The schematic diagram of SE attention mechanism module

2.2.2 改進(jìn)損失函數(shù) 目標(biāo)檢測(cè)算法的損失函數(shù)一般由位置回歸損失和分類損失組成。通常，位置回歸損失的評(píng)價(jià)指標(biāo)為交并比(Intersection over Union，IoU)，該指標(biāo)用于衡量2個(gè)形狀之間的相似性。IoU的計(jì)算方法如下：

式中，A表示真實(shí)框，B表示預(yù)測(cè)框，A∩B表示預(yù)測(cè)框和真實(shí)框的重疊區(qū)域，A∪B表示預(yù)測(cè)框和真實(shí)框的并集。

當(dāng)預(yù)測(cè)框和真實(shí)框沒有重疊區(qū)域時(shí)，IoU損失函數(shù)不僅無法衡量?jī)蛇吔缈蛑g的距離，也無法進(jìn)行梯度計(jì)算[11]。YOLOv5s模型中則采用GIoU損失函數(shù)[23]作為位置回歸損失的評(píng)價(jià)指標(biāo)。GIoU損失函數(shù)是IoU的推廣，計(jì)算公式如下：

式中，C表示包含A和B的最小凸集。

雖然GIoU損失函數(shù)能解決兩框不相交時(shí)的問題，但采用GIoU損失函數(shù)檢測(cè)水稻芽種時(shí)，存在無法確認(rèn)效果最佳的預(yù)測(cè)框情形。如圖3所示，圖中3種情況為預(yù)測(cè)框都在真實(shí)框里面，但預(yù)測(cè)框位置不同。此時(shí)，雖然計(jì)算得到的GIoU損失函數(shù)值是相同的，但無法確定哪個(gè)預(yù)測(cè)框是最佳預(yù)測(cè)框。為解決該問題，本研究引入CIoU損失函數(shù)[24]替代原GIoU損失函數(shù)，優(yōu)化兩個(gè)框中心點(diǎn)之間距離，有效提高預(yù)測(cè)框的回歸效果。圖4為IoU和CIoU的示意圖，實(shí)線框?yàn)檎鎸?shí)框，虛線框?yàn)轭A(yù)測(cè)框。CIoU損失函數(shù)計(jì)算公式如下：

圖3 GIoU損失函數(shù)值一致的不同情況Fig.3 Different cases of consistent GIoU loss function values

圖4 IoU和CIoU示意圖Fig.4 The schematic diagrams of IoU and CIoU

式中，α表示權(quán)衡參數(shù)，通過對(duì)α值調(diào)制，更容易用于改進(jìn)檢測(cè)器的效果；ρ2(A，B)表示兩框中心點(diǎn)間距離；v表示長寬比一致性，c表示預(yù)測(cè)框和目標(biāo)框的最小矩形框的對(duì)角線距離。

2.2.3 YOLOv5-1目標(biāo)分級(jí)檢測(cè)算法 YOLOv5s改進(jìn)后的檢測(cè)網(wǎng)絡(luò)命名為“YOLOv5-I”，其網(wǎng)絡(luò)結(jié)構(gòu)如圖5a所示。主要包括Input端、Backbone網(wǎng)絡(luò)端、Neck端和Prediction端4個(gè)部分。

圖5 YOLOv5-I網(wǎng)絡(luò)結(jié)構(gòu)以及CSP1_X和CSP2_X模塊Fig.5 YOLOv5-I network structure,and CSP1_X and CSP2_X modules

1) Input端：包括圖片輸入、自適應(yīng)錨框和馬賽克數(shù)據(jù)增強(qiáng)。首先，對(duì)圖像進(jìn)行預(yù)處理，即將輸入圖像縮放至像素為608×608的圖像，然后進(jìn)行灰度處理。為提高檢測(cè)速度，在自適應(yīng)錨框訓(xùn)練前對(duì)數(shù)據(jù)進(jìn)行標(biāo)注；為提高目標(biāo)檢測(cè)精度，在網(wǎng)絡(luò)訓(xùn)練過程中進(jìn)行馬賽克數(shù)據(jù)增強(qiáng)。

2) Backbone網(wǎng)絡(luò)端：包括CSP1_X模塊和Focus模塊。CSP1_X模塊的作用是對(duì)2個(gè)分支結(jié)構(gòu)分別進(jìn)行卷積操作生成Concat模塊，經(jīng)BN(Batch normalization)操作和Leaky Relu激活函數(shù)歸一化處理最終生成CBL模塊，如圖5b所示。CBL模塊輸出的特征圖大小與CSP1_X模塊相同，保證了圖像的完整性。Focus模塊的作用是對(duì)特征圖進(jìn)行切片操作，目的是在無特征參數(shù)下將輸入維度進(jìn)行下采樣操作，大幅縮減對(duì)圖片提取特征梯度的計(jì)算量，從而加快訓(xùn)練速度。

3) Neck端：使用FPN(Feature pyramid network)和PAN(Path aggregation network)結(jié)構(gòu)實(shí)現(xiàn)信息高維度和信息低維度的融合。FPN采用自上向下的特征金字塔方式，將上采樣信息融合成新的特征信息得到預(yù)測(cè)的特征圖。PAN 采用自下而上的特征金字塔方式，對(duì)雜交稻芽種特征進(jìn)行局部特征和全局特征的融合。CSP2_X 對(duì)卷積層數(shù)量進(jìn)行調(diào)整，如圖5c所示。

4) Prediction端：給出模型的預(yù)測(cè)結(jié)果和推斷結(jié)果，該網(wǎng)絡(luò)應(yīng)用錨框(Anchor box)輸出檢測(cè)目標(biāo)特征圖的類別概率、包圍框位置和目標(biāo)得分。YOLOv5-I網(wǎng)絡(luò)預(yù)測(cè)端由3個(gè)檢測(cè)層組成，輸出80×80×255、40×40×255和20×20×255的特征圖，每個(gè)檢測(cè)層最終輸出4種不同芽種類別、1種判斷類別得分和1個(gè)包圍框位置坐標(biāo)，實(shí)現(xiàn)目標(biāo)對(duì)象的檢測(cè)。

3 模型訓(xùn)練與結(jié)果

3.1 模型訓(xùn)練

3.1.1 訓(xùn)練參數(shù) 硬件環(huán)境：主板是微星B450M MORTAR MAX，CPU為AMD Ryzen 5 5600X，GPU為10 GB顯存的GeForce RTX 3 080，配置CUDA toolkit 11.1和Cudnn 8.05版本深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)加速庫，DDR4 3200MHZ內(nèi)存條；軟件環(huán)境：在Ubuntu 20.04系統(tǒng)下，基于Pytorch 1.10.0 構(gòu)建總體框架，采用Python 3.8進(jìn)行編程，使用Pycharm進(jìn)行編譯。按Pascal Voc數(shù)據(jù)的格式，使用標(biāo)注工具LabelImg軟件對(duì)雜交稻芽種圖像進(jìn)行標(biāo)注，生成 .xml格式文件，圖6顯示了標(biāo)注過程。

圖6 雜交稻芽種圖像標(biāo)注Fig.6 Image annotation of hybrid rice bud seeds

3.1.2 評(píng)價(jià)指標(biāo) 采用準(zhǔn)確度(Precision,P/ %)、召回率(Recall,R/%)、AP(Average precision，AP/%)和mAP(Mean average precision，mAP/%)4個(gè)指標(biāo)對(duì)模型進(jìn)行性能評(píng)估。計(jì)算公式如下：

式中，TP和FP分別表示真實(shí)的正樣本和虛假的正樣本，F(xiàn)N為虛假的負(fù)樣本，M為檢測(cè)目標(biāo)的類別總數(shù)，AP(k)為第k類 AP 值。

3.2 網(wǎng)絡(luò)改進(jìn)前后的檢測(cè)結(jié)果比較

訓(xùn)練前，網(wǎng)絡(luò)輸入圖像像素為608×608，批量設(shè)置為36，動(dòng)量設(shè)置為0.937，初始學(xué)習(xí)率為0.000 1，權(quán)值衰減設(shè)置為0.000 5。模型迭代次數(shù)為300次，訓(xùn)練過程中使用隨機(jī)梯度下降法優(yōu)化學(xué)習(xí)率，訓(xùn)練過程如圖7所示。由圖7可知，YOLOv5-I損失曲線始終位于YOLOv5s損失曲線下方，表明YOLOv5-I模型的擬合效果優(yōu)于YOLOv5s模型；對(duì)YOLOv5s損失曲線而言，當(dāng)訓(xùn)練次數(shù)超過100次后，在第140次和240次左右出現(xiàn)明顯的2次斷崖式衰減，表明模型的穩(wěn)定性欠佳；對(duì)YOLOv5-I損失曲線而言，當(dāng)訓(xùn)練次數(shù)達(dá)到50次左右時(shí)，損失曲線開始趨于收斂，曲線也非常光滑，表明模型的穩(wěn)定性較好。說明基于CIoU損失函數(shù)的YOLOv5-I模型比基于GIoU損失函數(shù)的YOLOv5s模型具有更快的收斂速度和更好的穩(wěn)定性。

圖7 YOLOv5-I和YOLOv5s模型訓(xùn)練損失曲線Fig.7 Training loss curves of YOLOv5-I and YOLOv5s models

圖8給出了不同情形(未發(fā)芽、破胸露白、發(fā)芽、長芽和混合芽種)下YOLOv5s和YOLOv5-I目標(biāo)檢測(cè)模型的測(cè)試結(jié)果。由圖8可見，檢測(cè)未發(fā)芽種子時(shí)，YOLOv5s出現(xiàn)漏檢情況，YOLOv5-I均能檢測(cè)出未發(fā)芽種子；對(duì)于破胸芽種的檢測(cè)情況，YOLOv5s算法檢測(cè)時(shí)出現(xiàn)分級(jí)錯(cuò)誤，即檢測(cè)出1粒破胸芽種時(shí)出現(xiàn)2個(gè)預(yù)測(cè)框，分別為“破胸”和“未發(fā)芽”，而YOLOv5-I能夠準(zhǔn)確識(shí)別破胸芽種；檢測(cè)發(fā)芽種子時(shí)，YOLOv5s準(zhǔn)確檢測(cè)出圖片上所有芽種，但平均置信度為54.25%，遠(yuǎn)遠(yuǎn)低于YOLOv5-I檢測(cè)發(fā)芽種子的平均置信度95.50%；對(duì)于長芽芽種情況，YOLOv5s出現(xiàn)漏檢且分級(jí)錯(cuò)誤，而YOLOv5-I準(zhǔn)確檢測(cè)芽種狀況并成功分類；對(duì)于混合芽種檢測(cè)情況，YOLOv5s雖然平均置信度達(dá)到92%，但發(fā)生漏檢現(xiàn)象，而YOLOv5-I均能準(zhǔn)確分級(jí)。綜上所述，YOLOv5-I檢測(cè)效果優(yōu)于YOLOv5s。

圖8 YOLOv5-I(a)和YOLOv5s(b)模型的檢測(cè)結(jié)果對(duì)比Fig.8 Detection effect comparison between YOLOv5-I (a) and YOLOv5s (b) models

YOLOv5-I和YOLOv5s模型檢測(cè)結(jié)果的PR曲線如圖9所示，曲線與縱橫坐標(biāo)所形成的區(qū)域面積表示該模型檢測(cè)的準(zhǔn)確度。由圖9可知，對(duì)未發(fā)芽、破胸露白、發(fā)芽和長芽的芽種檢測(cè)，YOLOv5-I的P-R曲線均在YOLOv5s的外側(cè)，且曲線更靠近坐標(biāo)點(diǎn)(1,1)，表明YOLOv5-I檢測(cè)的準(zhǔn)確度高于YOLOv5s，性能更優(yōu)。

圖9 YOLOv5-I和YOLOv5s模型對(duì)4種芽種檢測(cè)結(jié)果的P-R曲線Fig.9 The P-R curves of detection effects of YOLOv5-I and YOLOv5s models for four types of bud seeds

3.3 YOLOv5-I模型與其他算法檢測(cè)結(jié)果比較

使用相同的數(shù)據(jù)集，采用其他4種算法YOLOv5s、Faster-RCNN、SSD和YOLOv4進(jìn)行訓(xùn)練，得到最佳權(quán)重之后，在同樣的測(cè)試集上進(jìn)行測(cè)試，對(duì)5種目標(biāo)檢測(cè)網(wǎng)絡(luò)在重合度閾值為0.5時(shí)進(jìn)行mAP、準(zhǔn)確率、召回率和檢測(cè)時(shí)間的計(jì)算，結(jié)果如表2所示。由表2可知，整體上，YOLOv5-I目標(biāo)檢測(cè)網(wǎng)絡(luò)在mAP、準(zhǔn)確率、召回率和檢測(cè)速度上均優(yōu)于其他目標(biāo)檢測(cè)算法。YOLOv5-I、YOLOv5s、Faster-RCNN、SSD和YOLOv4算法的mAP依次為97.52%、96.36%、94.42%、93.52%和92.90%，P依次為97.85%、95.88%、95.54%、90.01%和94.39%，R依次為98.27%、96.28%、96.14%、90.25%和95.35%，平均檢測(cè)時(shí)間依次為3.745、5.158、24.143、6.153和25.435 ms。YOLOv5-I算法的mAP分別比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法高1.16、3.10、4.00和4.62個(gè)百分點(diǎn)；YOLOv5-I算法的平均檢測(cè)時(shí)間分別比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法少1.413、20.398、2.408和21.690 ms。此外，YOLOv5-I模型占用內(nèi)存空間為13.7MB，相對(duì)較少，比YOLOv5s少了1.9 MB?？梢?，YOLOv5-I算法優(yōu)于現(xiàn)有的算法，實(shí)現(xiàn)了檢測(cè)精度和速度的提升，相關(guān)性能能夠滿足雜交稻芽種分級(jí)檢測(cè)的實(shí)用要求。

表2 不同目標(biāo)檢測(cè)網(wǎng)絡(luò)對(duì)4種芽種的檢測(cè)結(jié)果Table 2 Detection results of different object detection networks for four types of bud seeds

4 結(jié)論

基于YOLOv5s模型，通過引入SE注意力機(jī)制和優(yōu)化損傷函數(shù)，提出了一種雜交稻芽種快速分級(jí)檢測(cè)模型YOLOv5-I，實(shí)現(xiàn)了雜交稻芽種快速分級(jí)檢測(cè)。采用YOLOv5-I模型檢測(cè)雜交稻芽種分級(jí)時(shí)，平均精度為97.52%，平均準(zhǔn)確率為97.85%，平均召回率為98.27%，平均檢測(cè)時(shí)間為3.745 ms，能夠滿足雜交稻芽種快速分級(jí)檢測(cè)的實(shí)用要求。與YOLOv5s、Faster-RCNN、SSD和YOLOv4算法比較，YOLOv5-I算法無論是精度還是速度都有明顯提升，平均精度分別比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法高1.16、3.10、4.00和4.62個(gè)百分點(diǎn)，平均檢測(cè)時(shí)間分別比YOLOv5s、Faster-RCNN、SSD和YOLOv4算法少1.413、20.398、2.408和21.690 ms。