英文论文（sci）解读复现【NO.12】YOLO-Tea: YOLOv5改进的茶叶病害检测模型

news2024/10/5 17:20:42

此前出了目标检测算法改进专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读发表高水平学术期刊中的 SCI论文，并对相应的SCI期刊进行介绍，帮助大家解答疑惑，助力科研论文投稿。解读的系列文章，本人会进行 创新点代码复现，有需要的朋友可关注私信我获取。

一、摘要

茶叶病虫害每年给茶叶产业造成巨大的经济损失，准确识别病虫害具有重要意义。卷积神经网络
(Convolutional neural network, CNNs)可以自动从茶叶病虫害图像中提取特征。然而，在自然环境下拍摄的茶树叶片照片存在叶片遮光、光照、物体尺寸小等问题。受这些问题的影响，传统的 cnn识别性能不佳。为了应对这一挑战，我们提出了 YOLO-Tea，这是一个基于 You Only Look Once
version 5 (YOLOv5)的改进模型。首先，我们将自注意与卷积(ACmix)和卷积块注意模块(CBAM)集
成到YOLOv5中，使我们提出的模型能够更好地聚焦于茶树叶片病虫害。其次，为了增强模型的
特征提取能力，我们将原YOLOv5中的空间金字塔池化(spatial pyramid pooling fast, SPPF)模块替换为接受域块(RFB)模块。最后，我们通过合并全球上下文网络(GCNet)来减少模型的资源消耗。这是非常重要的，特别是当模型在资源受限的边缘设备上运行时。与 YOLOv5s 相比，我们建议的
YOLO-Tea 在所有测试数据上提高了 0.3%-15.0%。YOLO-Tea 报道 0.5 美联社 TLB，美联社 GMB 比Faster R-CNN和SSD分别高出5.5%、1.8%、7.0%和7.7%、7.8%、5.2%。YOLO-Tea在现实世界的树木病害检测系统中显示出了巨大的应用潜力。

二、网络模型及核心创新点

（1）自注意卷积(ACmix)和卷积块注意模块(CBAM)集成到YOLOv5s 模型

（2）空间金字塔池快速(SPPF)模块替换为接受田块(RFB)模块

（3）加入了GCnet结构

三、数据集

本研究所用的茶树病虫害照片均在自然环境下野外拍摄。中国江苏省镇江市句容茅山茶园拍摄了茶叶病虫害照片。茶叶病虫害图像采集于 2022年7月1日下午。我们在晴朗、光线充足的天气和良好的采集环境下进行图像采集。由于我们的图像是在自然环境中拍摄的，所以我们不仅拍摄了目标密集的茶，也拍摄了目标稀疏的茶。在树叶密集的照片中，会出现树叶遮蔽、树叶重叠等现象。树叶上的倒影和阴影也出现在照片中，因为它们是在阳光灿烂的下午拍摄的。
我们使用了一架无人机(DJI Mavic Air 2)和一款手机，在茶树上方约 50厘米处拍摄了茶叶病害和虫害的图像。我们的图像包括一片病叶和一片害虫叶的图像，即茶叶枯萎病和绿盲蝽。绿盲蝽的学名为绿盲蝽(Meyer-Dür)。这种害虫，绿盲蝽，用被绿盲蝽咬过的茶叶图像来表示。我们的数据集的一些代表性样本如图1所示。

四、实验效果（部分展示）

（1）消融实验

本文的实验过程如下:首先，利用训练集和验证集对模型进行训练。然后，我们使用测试集对训练后的模型进行测试，得到评估模型所需的数据。消融实验的详细数据如表5所示。

（2）比较试验

我们将我们提出的 YOLO-Tea模型与 Faster RCNN 和 SSD 进行了比较。在这些实验中，我们感兴趣的主要实验数据是AP0.5、APTLB和APGMB。对比实验的详细结果如表6所示。

为了验证 CSP1GCNet 融合GCNet 后可以减少模型的资源消耗，我们将融合 GCNet后的YOLOv5的参数个数和模型大小与原YOLOv5进行比较。此外，我们比较了未融合GCNet (YOLOv5 + CBAM + ACmix + RFB)的YOLO-Tea 和YOLO-Tea 的参数数量和模型尺寸。详细的实验数据见表7。

比较实验表明，YOLO-Tea 的 AP0.5、APTLB 和 APGMB 不仅比原生YOLOv5s 分别提高了 7.6%、4.4%和 8.5%，而且比Faster R-CNN模型和SSD模型都有提高。其中，Faster R-CNN 作为两阶段目标检测模型，AP0.5、APTLB和APGMB分别比YOLOv5s 高 2.1%、2.6%和 1.5%，而 YOLO-Tea 的 AP0.5、APTLB 和 APGMB 分别比Faster R-CNN高 5.5%、1.8%和7.0%。这些对比实验的结果也验证了我们所提出的YOLO-Tea模型的设计。

（3）消融实验和对比实验结果的精度-召回曲线如图8所示。

五、实验结论

DL和ML技术极大地改善了作物和植物虫害的检测和管理。图像识别技术的发展使复杂的病虫害识别成为可能。本文基于2015年至2022年的出版物，探讨了使用ML和DL技术进行植物病害识别的最新进展。它展示了这些技术在提高疾病检测的准确性和效率方面的好处，但也承认了挑战，例如数据可用性，成像质量以及区分健康植物和患病植物。研究发现，DL和ML的使用显着提高了识别和检测植物病害的能力。这项研究的新奇在于其全面分析了最近的发展，使用ML和DL技术进行植物病害识别，沿着提出的解决方案，以解决与其实施相关的挑战和限制。通过探索各种方法的优点和缺点，并为研究人员和行业专业人士提供有价值的见解，这项研究有助于植物病害检测和预防的进步。

注：论文原文出自YOLO-Tea: A Tea Disease DetectionModel Improved by YOLOv5本文仅用于学术分享，如有侵权，请联系后台作删文处理。