文献类型：期刊文章

作　　者：储鑫[1,2,3] 李祥[1] 罗斌[2,3] 王晓冬[2,3] 黄硕[2,3]

CHU Xin;LI Xiang;LUO Bin;WANG Xiao-dong;HUANG Shuo(College of Information Engineering,East China University of Technology,Nanchang 330013,China;National Engineering Technology Research Center for Agricultural Informatization,Beijing 100097,China;Research Center of Intelligent Equipment Technology,Beijing Academy of Agriculture and Forestry,Beijing 100097,China)

机构地区：[1]东华理工大学信息工程学院,江西南昌330013 [2]国家农业信息化工程技术研究中心,北京100097 [3]北京市农林科学院智能装备技术研究中心,北京100097

出　　处：《江苏农业学报》

基　　金：江苏省科技计划重点及面上项目(BE2021379);江西省核地学数据科学与系统工程技术研究中心开放基金项目(JETRCNGDSS201801)。

年　　份：2023

卷　　号：39

期　　号：5

起止页码：1199-1208

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CSCD、CSCD2023_2024、JST、RCCSE、ZGKJHX、核心刊

摘　　要：为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。

关 键 词：YOLOv4  MobileNet  轻量化 注意力机制  病害

分 类 号：S436.412]