Mejora del modelo YOLOv5 en la optimización del algoritmo de reconocimiento de la enfermedad de manchas marrones en frijoles kidney
Autores: Su, Pengyan; Li, Hao; Wang, Xiaoyun; Wang, Qianyu; Hao, Bokun; Feng, Meichen; Sun, Xinkai; Yang, Zhongyu; Jing, Binghan; Wang, Chao; Qin, Mingxing; Song, Xiaoyan; Xiao, Lujie; Sun, Jingjing; Zhang, Meijun; Yang, Wude
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Mejora del modelo YOLOv5 en la optimización del algoritmo de reconocimiento de la enfermedad de manchas marrones en frijoles kidney
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Botánica
Palabras clave
Frijol rojo
Enfermedad de manchas marrones
BiFPN
Módulo SE
Modelo YOLOv5
Precisión de detección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 10
Citaciones: Sin citaciones
El frijol rojo es un cultivo comercial importante cuyo crecimiento y rendimiento se ven gravemente afectados por la enfermedad de manchas marrones. Los modelos tradicionales de detección de objetivos no pueden filtrar eficazmente las características clave, lo que resulta en un sobreajuste del modelo y una débil capacidad de generalización. En este estudio, se añadieron una Red de Pirámide de Características Bidireccional (BiFPN) y un módulo de Compresión y Excitación (SE) a un modelo YOLOv5 para mejorar la fusión de características a múltiples escalas y las capacidades de extracción de características clave del modelo mejorado. Los resultados muestran que los módulos BiFPN y SE muestran mayor calor en la región de ubicación del objetivo y prestan menos atención a la información ambiental irrelevante en la región no objetivo. La Precisión, el Recall y la Precisión media promedio (mAP@0.5) del modelo YOLOv5 mejorado son del 94.7%, 88.2% y 92.5%, respectivamente, lo que representa un aumento del 4.9% en Precisión, del 0.5% en Recall y del 25.6% en la Precisión media promedio en comparación con el modelo YOLOv5 original. En comparación con los modelos YOLOv5-SE, YOLOv5-BiFPN, FasterR-CNN y EfficientDet, la Precisión de detección mejoró en un 1.8%, 3.0%, 9.4% y 9.5%, respectivamente. Además, la tasa de detección errónea y de omisiones en el modelo YOLOv5 mejorado es solo del 8.16%. Por lo tanto, el modelo YOLOv5-SE-BiFPN puede detectar de manera más efectiva el área de manchas marrones en los frijoles rojos.
Descripción
El frijol rojo es un cultivo comercial importante cuyo crecimiento y rendimiento se ven gravemente afectados por la enfermedad de manchas marrones. Los modelos tradicionales de detección de objetivos no pueden filtrar eficazmente las características clave, lo que resulta en un sobreajuste del modelo y una débil capacidad de generalización. En este estudio, se añadieron una Red de Pirámide de Características Bidireccional (BiFPN) y un módulo de Compresión y Excitación (SE) a un modelo YOLOv5 para mejorar la fusión de características a múltiples escalas y las capacidades de extracción de características clave del modelo mejorado. Los resultados muestran que los módulos BiFPN y SE muestran mayor calor en la región de ubicación del objetivo y prestan menos atención a la información ambiental irrelevante en la región no objetivo. La Precisión, el Recall y la Precisión media promedio (mAP@0.5) del modelo YOLOv5 mejorado son del 94.7%, 88.2% y 92.5%, respectivamente, lo que representa un aumento del 4.9% en Precisión, del 0.5% en Recall y del 25.6% en la Precisión media promedio en comparación con el modelo YOLOv5 original. En comparación con los modelos YOLOv5-SE, YOLOv5-BiFPN, FasterR-CNN y EfficientDet, la Precisión de detección mejoró en un 1.8%, 3.0%, 9.4% y 9.5%, respectivamente. Además, la tasa de detección errónea y de omisiones en el modelo YOLOv5 mejorado es solo del 8.16%. Por lo tanto, el modelo YOLOv5-SE-BiFPN puede detectar de manera más efectiva el área de manchas marrones en los frijoles rojos.