Un algoritmo de detección de plagas en cultivos liviano basado en Yolov5s mejorado
Autores: Zhang, Jing; Wang, Jun; Zhao, Maocheng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Un algoritmo de detección de plagas en cultivos liviano basado en Yolov5s mejorado
Categoría
Ciencias Agrícolas y Biológicas
Subcategoría
Agronomía y Ciencia de los Cultivos
Palabras clave
Plagas de cultivos
Detección en tiempo real
ECMB-Yolov5
MobileNetV3
BiFPN
Función de pérdida SIoU
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 23
Citaciones: Sin citaciones
La detección en tiempo real de plagas en cultivos puede ayudar a detectar y controlar las plagas a tiempo. En este estudio, construimos un método ligero de identificación de plagas agrícolas basado en Yolov5s modificado y reconstruimos la red de base original junto con MobileNetV3 para reducir considerablemente el número de parámetros en el modelo de red. Al mismo tiempo, se introdujo el mecanismo de atención ECA en la red superficial de MobileNetV3 para mejorar efectivamente el rendimiento de la red al introducir un número limitado de parámetros. Se utilizó una red piramidal de características bidireccionales ponderada (BiFPN) para reemplazar la red de agregación de rutas (PAnet) en la red de cuello para potenciar la extracción de características de objetivos pequeños. Se utilizó la función de pérdida SIoU para reemplazar la función de pérdida CIoU para aumentar la velocidad de convergencia y la precisión del marco de predicción del modelo. El modelo actualizado se designó ECMB-Yolov5. En este estudio, se realizaron experimentos con ocho tipos de fotos de conjuntos de datos de plagas comunes y se realizaron experimentos comparativos con métodos comunes de identificación de objetivos. El modelo final se implementó en un dispositivo integrado, el Jetson Nano, para la detección en tiempo real, lo que sirvió de referencia para una futura aplicación en sistemas de detección en tiempo real de UAV o carros no tripulados. Los resultados experimentales indicaron que ECMB-Yolov5 redujo el número de parámetros en un 80.3% y el mAP en un 0.8% en comparación con el modelo Yolov5s. La velocidad de detección en tiempo real implementada en dispositivos integrados alcanzó 15.2 FPS, lo que fue 5.7 FPS más alto que el modelo original. El mAP se mejoró en un 7.1%, 7.3%, 9.9% y 8.4% para ECMB-Yolov5 en comparación con los modelos Faster R-CNN, Yolov3, Yolov4 y Yolov4-tiny, respectivamente. Se verificó a través de experimentos que el método ligero mejorado en este estudio tenía una alta precisión de detección al reducir significativamente el número de parámetros y lograr la detección en tiempo real.
Descripción
La detección en tiempo real de plagas en cultivos puede ayudar a detectar y controlar las plagas a tiempo. En este estudio, construimos un método ligero de identificación de plagas agrícolas basado en Yolov5s modificado y reconstruimos la red de base original junto con MobileNetV3 para reducir considerablemente el número de parámetros en el modelo de red. Al mismo tiempo, se introdujo el mecanismo de atención ECA en la red superficial de MobileNetV3 para mejorar efectivamente el rendimiento de la red al introducir un número limitado de parámetros. Se utilizó una red piramidal de características bidireccionales ponderada (BiFPN) para reemplazar la red de agregación de rutas (PAnet) en la red de cuello para potenciar la extracción de características de objetivos pequeños. Se utilizó la función de pérdida SIoU para reemplazar la función de pérdida CIoU para aumentar la velocidad de convergencia y la precisión del marco de predicción del modelo. El modelo actualizado se designó ECMB-Yolov5. En este estudio, se realizaron experimentos con ocho tipos de fotos de conjuntos de datos de plagas comunes y se realizaron experimentos comparativos con métodos comunes de identificación de objetivos. El modelo final se implementó en un dispositivo integrado, el Jetson Nano, para la detección en tiempo real, lo que sirvió de referencia para una futura aplicación en sistemas de detección en tiempo real de UAV o carros no tripulados. Los resultados experimentales indicaron que ECMB-Yolov5 redujo el número de parámetros en un 80.3% y el mAP en un 0.8% en comparación con el modelo Yolov5s. La velocidad de detección en tiempo real implementada en dispositivos integrados alcanzó 15.2 FPS, lo que fue 5.7 FPS más alto que el modelo original. El mAP se mejoró en un 7.1%, 7.3%, 9.9% y 8.4% para ECMB-Yolov5 en comparación con los modelos Faster R-CNN, Yolov3, Yolov4 y Yolov4-tiny, respectivamente. Se verificó a través de experimentos que el método ligero mejorado en este estudio tenía una alta precisión de detección al reducir significativamente el número de parámetros y lograr la detección en tiempo real.