文章编号:1673-887X(2023)05-0041-03
基于YOLOv5s的草莓病害识别系统设计
邱菊1,徐燕2
(北京物资学院信息学院,北京101149)
摘要草莓种植易受到20多种病害的影响,目前草莓病害识别主要以人工为主,耗时费力,效率较低。因此,文章基于YO-LOv5s目标检测算法(YOLO You Only Look Once:Unified,Real-Time Object Detection),对采集到的696张草莓病害图片进行模型训练,设计草莓病害识别系统,实验结果显示系统识别精度接近80%,相较于传统草莓病害识别技术更便捷且识别效率更高。
关键词草莓病害;YOLOv5s;图像识别;深度学习
中图分类号S436.68文献标志码A doi:10.3969/j.issn.1673-887X.2023.05.015
Design of Strawberry Disease Identification System Based on YOLOv5s
Qiu Ju1,Xu Yan2
(School of Information,Beijing Wuzi University,Beijing101149,China)
Abstract:Strawberry is easily affected by more than20diseases during planting.At present,strawberry disease identification is mainly manual,time-consuming and laborious,with low efficiency.Therefore,based on the yolov5s image recognition algorithm, this paper conducts model training on696collected strawberry disease images,and designs a strawberry disease recognition system. The experimental results showed that the recognition effect of the system is good.
Key words:strawberry diseases,YOLOv5s,pattern recognition,deep learning
草莓肉质细韧,酸甜适口,营养丰富,在国内外市场上备受欢迎。但是,草莓种植过程中易受到20多种病害威胁,制约了草莓的产业化发展。目前草莓病害识别仍以人工为主,耗时费力,人工成本高,急需科技化手段提升草莓病害识别效果。
人工智能技术已被广泛应用于图像识别、目标追踪等领域。很多学者尝试利用人工智能技术解决草莓病害识别方面的问题[1],牛冲等人运用改进的分水岭图像分割技术,通过特征提取对草莓病害进行识别[2]。崔灿等人则是利用卷积神经网络(CNN)进行草莓病害识别[3],CNN是一种前向神经网络和深度学习方法,通过共享权值、局部连接和池化达到网络更优化并降低过拟合,利用多层卷积层和池化层提取图像的分类特征[4]。张金慧等人提出了利用人工智能技术的草莓病害识别设备[5]。以上学者的研究虽
在一定程度上提高了识别草莓病害的效率,但仍存在识别类型单一、操作复杂、识别效率较低等问题。
因此,本文以草莓作为研究对象,采用YOLOv5s算法,针对目前人工识别草莓病害耗时费力等问题,构建草莓病害识
别模型,对于实现设施草莓远程实时病害识别、提高经济效益具有现实意义。
1YOLO目标检测模型
YOLO是Joseph Redmond和Ali Farhadi等人在借鉴Google Net基础上提出的采用单独CNN模型实现的目标检测系统。它的核心思想是利用整张图作为输入后直接在输出层回归边界框(Bounding box)的位置和类别。随着时间的推移,YOLO算法也在不断提升和优化,相继出现YOLOv2、YO-LOv3、YOLOv4、YOLOv5模型。
YOLOv5的核心包括输入端、主干网络(Backbone)、颈部(Neck)、和输出端4部分,它在YOLOv4算法的基础上做了进一步的改进,检测性能方面得到很大的提升。YOLOv5对原始图像自适应添加最少的黑边,图像高度上两端的黑边减少了,使得相比之前推理速度提升了37%,同时YOLOv5的精确度相对于YOLOv4也有显著提高。官方给出的YOLOv5目标检测网络的4个模型分别为YOLOv5s,YOLOv5m,YOLOv5l,YOLOv5x。本文选择的是YOLOv5s模型,YOLOv5s[6]模型是YOLOv5系列中深度最小且特征图宽度最小的模型,优点是简洁、快速、易部署。
2实验过程与分析
2.1实验平台
本系统开发的硬件环境为字长是64位的计算机。软件操作系统为Windows10,基于python3.6版本在anaconda搭建了一个虚拟环境,利用云端GPU在Google colab平台上训练数据集,验证和测试的代码在PyCharm中编译和运行。
收稿日期2022-12-06
基金项目大学生科学研究与创业行动计划项目,项目编号为2021103044。
作者简介邱菊(2000-),女,北京,本科在读,研究方向:智慧农业。
通讯作者徐燕,E-mail:*************。农业装备
第5期(总第401期)41
Copyright©博看网. All Rights Reserved.
2.2
数据集简介与训练策略
在不同角度、不同距离和不同光线下拍摄采集草莓照片
696张作为模型训练与测试的数据集。利用Mosaic 数据增强方法,最终训练的标签数为1926个。2.3
数据集标注
数据集中的图片分别利用Make Sense 在线标注工具逐一进行标注,在标注前需要先创建分类标签,本文共创建4个分类标签,其名称及含义见表1。
表1
标签分类情况
Tab.1The classification of labels
标签名称good bad ripe
unripe
有无病害
无有无无
颜红红红绿
形状良好差差差
采用矩形模式进行标注,标注后的图片作为训练集。在PyCharm 中编写代码并以YOLOv5s 作为主干网络,将编写好的代码压缩后存到谷歌云盘中,连接Colab GPU 服务器,在Google Colab 上挂载云盘,解压压缩的代码,更改运行目录,配置好环境后即可开始训练,期间可以不断刷新来观察训练结果。训练结束后,导出训练完的模型,上传到PyCharm 中。从训练集中随机选取10%的草莓照片进行测试,观察结果并分析。2.4
评价指标
本实验的评价指标为精确度(Precision )、召回率(Recall )和平均精度均值(mean average precision,mAP )。
精确度定义如式(1)所示:
P =TP
TP +FP
.
(1)
召回率定义如式(2)所示:
R =TP
TP +FN
.
(2)
平均精度均值定义如式(3)所示:
mAP=
∫0
1P ()R d R .
(3)
其中,TP ——有病害的草莓数目,FN ——漏检的病害草莓数目,FP ——误报的病害草莓数目,P ——精确度,R ——召回率,P (R )——精确度和召回率曲线。
本实验训练100个Epoch (Epoch,将所有训练样本训练一次的过程)。输入端的自适应缩放的原始图片尺寸为800像素×600像素,经过自适应缩放后的图片尺寸为640像素×640像素,通过这种方式可以减少训练过程中的计算量,提高检测结果的精度。
3试验结果分析
从图1可看出,迭代开始时准确度较低,平均精度均值较
低,召回率较小,在训练20个Epoch 时,精确度和召回率突增,之后呈缓慢上升趋势,在训练100个Epoch 时,召回率为80%。综上所述,可以判断出YOLOv5s 算法在草莓病害识别方面具有一定优越性。
M A P _0.5
0.90.80.70.60.50.40.30.20.10
1
7131925313743495561677379859197
metrics
M A P _0.5:0.95
0.70.60.50.40.30.20.10
17131925313743495561677379859197
metrics
(a )mAP 曲线
(b )平均mAP 曲线
p r e c i s i o n
17131925313743495561677379859197
metrics
r e c a l l
10.90.80.70.60.50.40.30.20.10
1
7131925313743495561677379859197metrics
10.90.80.70.60.50.40.30.20.10
(c )精确度(d )召回率
图1
精确度、平均精确度和召回率折线图
Fig.1Line chart of precision,average accuracy precision and recall
图2给出了采用本系统进行草莓病害识别的3个实例。其中图2a 是识别出的已患病草莓,概率为0.82;图2b 识别出的草莓类型为患病和未成熟型,概率分别为0.87和0.78;图2c 识别出了2个未成熟和1个成熟的草莓,概率分别是0.61、0.88和
0.60。
(a)有病害(b)有病害、
未成熟草莓
(c)未成熟、成熟草莓图2
模型识别结果
Fig.2The images of the recognition result of the model
4结论
本文采用Python 语言作为开发语言,自制数据集,基于
YOLOv5s 网络建立草莓病害识别系统,实验结果显示,该系统对病害草莓识别效率较高,具有实际应用价值。
(下转第45页)
邱菊,徐燕:基于YOLOv5s 的草莓病害识别系统设计
农业装备
42Copyright ©博看网. All Rights Reserved.
同时将脱袋和粉碎设备进行整合,研发一体化的脱袋粉碎设备,有利于降低工人的劳动强度,提高粉碎效率和效果,节约制造成本。
第三,目前,废菌棒结构特点和生物学特性相关研究报道极少,应积极采取政产学研推一体化,加大废菌棒力学特性、菌袋气吸特性等基础究理论,以建立一套完善、系统的理论体系,使得理论与实践紧密结合,为今后的菌棒脱袋装备研发工作提供理论指导。
第四,废菌棒生物资源综合利用是一项涉及面广泛、影响巨大、生态效益高的系统性工程,加大综合利用技术研究与相关装备研发,加大对各项技术的推广支持力度,为食用菌种植户提供多元化发展模式,保障农户种植积极性和经济效益。
参考文献
[1]秦翠兰,赵喜,王磊元.废弃菌棒生物质资源综合利用现状及
其展望[J].新疆农机化,2022(1):22-24+39.
[2]董雪梅,王延锋,史磊,等.黑木耳菌渣有机肥栽培玉米的应用[J].
中国林副特产,2016(6):4-6.
[3]胡清秀,卫智涛,王洪媛.双孢蘑菇菌渣堆肥及其肥效的研究[J].
农业环境科学学报,2011,30(9):1902-1909.
[4]高秋美,孟庆峰,任丽华,等.有机菌渣肥对芍药间作小麦产量及
土壤改良的影响[J].山东农业科学,2021,53(9):95-99.
[5]潘明安,黄仁军.菌渣与化肥配施对籼粳稻叶绿素含量及产量
的影响[J].农业科技通讯,2022(8):65-67.
[6]童晨晓,邹双全,胡坤,等.废菌棒替代泥炭土对金线莲生长和品
质的影响[J].江西农业大学学报,2020,42(5):915-922.
[7]伍淑树.香菇菌棒的制作和废料再利用探讨[J].农业开发与装
备,2021(10):221-222.
[8]刘南祥,姚宏,诸葛华,等.香菇废菌棒作一品红栽培基质试验[J].
浙江农业科学,2009(4):691-692.
[9]何英俊,金凤花.海鲜菇废菌棒混贮料对羔羊生长性能、屠宰性
状及肉质的影响[J].家畜生态学报,2017,38(3):40-45.[10]武伟成,钟港,陈东,等.金针菇菌糠替代酒糟对育肥牛生长性
能、血液常规和血液生化指标的影响[J].中国饲料,2023(1): 142-147.
[11]蒋佳豪,邹知明,农斯伟,等.用杏鲍菇菌糠饲养杂交鹅的效果
研究[J].当代畜禽养殖业,2022(4):10-13.
[12]汤静.菌糠堆肥技术及其在大棚菜地土壤改良方面的应用[J].
姚宏
现代农业科技,2021(23):148-150.
[13]吉清妹,吴宇佳,雷菲,等.秀珍菇菌糠对红心火龙果产量、品质
及土壤质量的影响[J].热带农业科学,2022,42(2):15-22. [14]王春霞,许子洁,王晶,等.食用菌菌糠配施化肥改良滨海盐碱
耕地的效果研究[J].中国土壤与肥料,2022(4):99-105.
[15]程建明,姜承炳,陈幸岗,等.废菌棒用作户用沼气池原料的试
验[J].中国沼气,2011,29(6):47-48.
[16]马长江.废弃菌糠脱袋机[P].黑龙江:CN201049343,2008-04-
23.
[17]余和意.一种食用菌料袋脱袋机[P].福建:CN202574738U,
2012-12-05.
[18]林时明.一种废弃木耳菌袋脱袋方法及脱袋装置[P].吉林:
CN103057772A,2013-04-24.
[19]周万莹.废菌棒自动脱袋机[P].河北:CN209423788U,2019-
09-24.
[20]杨铭彬,杨恒.一种废菌包脱袋机[P].福建:CN210942631U,
2020-07-07.
[21]崔雪艳,刘建华,孙海红,等.一种废菌棒自动脱袋机[P].辽宁:
CN214508483U,2021-10-29.
[22]江龙林,肖端兰,占春丽,等.一种香菇种植用菌棒粉碎装置[P].
安徽:CN210171573U,2020-03-24.
[23]黄文越.一种废弃菌棒粉碎装置[P].广西壮族自治区:
CN214863895U,2021-11-26.
[24]刘伟,高唱,周春燕,等.一种香菇种植用菌棒粉碎装置[P].安徽:
CN114273059A,2022-04-05.
[25]陈琳,王晓霞,郑玉婷,等.一种食用菌菌棒生产用原料粉碎装
置[P].江西:CN216322212U,2022-04-19.
参考文献
[1]胡雅娣.大棚草莓种植技术与病虫害防治措施[J].乡村科技,
2022,13(4):70-72.
[2]牛冲.基于图像处理的草莓病害识别方法研究[D].太原:太原理
工大学.
[3]崔灿.基于卷积神经网络的草莓病虫害识别与应用[D].重庆:重
庆三峡学院,2020.
[4]谭云兰,欧阳春娟,李龙,等.基于深度卷积神经网络的水稻病害
图像识别研究[J].井冈山大学学报:自然科学版,2019,40(2):8. [5]张金慧,苗珍,孟国华,等.一种基于AI的草莓病虫害智能识别设
备[P].江苏:CN211127917U,2020-07-28.
[6]黄璐,毛晓艳,杜航,等.基于深度学习网络的星表非结构化岩石
目标辨识方法研究[J].空间控制技术与应用,2021,47(6):27-33.
(上接第42页)农业技术与装备农业装备
第5期(总第401期)45
Copyright©博看网. All Rights Reserved.