基于改进YOLO-v5的苹果叶片病害分类研究.pdfVIP

摘要

苹果叶片是苹果树进行光合作用的主要场所，叶片的生长发育状况能够直观地

看出果树的生长情况。目前利用计算机视觉对苹果叶片病害进行分类检测逐渐成熟，

并具有广泛的应用场景，但仍存在一些问题，如苹果叶片病害相似度高、难以分辨，

导致识别精度低；苹果叶片病害网络模型结构复杂，使得病害模型训练耗时长且识

别速度低。基于此，本文进一步将轻量化模块和注意力机制引入到苹果叶片病害目

标检测算法中用于提升模型运算速度和识别准确率，并利用该算法搭建苹果叶片病

害检测平台方便农户使用，本文主要工作如下：

（1）苹果叶片病害数据集构建与叶片病害数据标注。收集整理出517张苹果叶

片病害图像，对其进行归一化处理并使用图像标注软件LabelImg进行叶片病害标注。

（2）创新性提出YOLOv5s-C2f-SE网络模型提升苹果叶片病害识别精度。首先

通过在YOLOv5s网络模型的BackBone中使用C2f模块代替原有的C3卷积模块，

减少网络模型的计算量提升网络模型的检测速度；其次为了提高模型对叶片病害区

域的关注度引入SE注意力机制，在通道维度分配不同的权重来提升网络模型的检测

精度。

（3）苹果叶片病害Web检测平台。基于Python开发环境，使用Gradio框架开

发出一套适用于苹果叶片病害的Web检测平台，实现对苹果叶片病害在线识别的功

能。

实验结果表明，改进后的YOLOv5s-C2f-SE网络模型准确率、召回率、mAP分

别达到90.9%、89.6%、95.0%，且识别速度达到64.93/FPS，相较于其他目标检测网

络模型在识别准确率和识别速度均有提升。在此基础上，设计了一个苹果叶片病害

Web检测平台，农户可使用该平台方便快速地判断苹果叶片病害类型。

关键词：深度学习；注意力机制；YOLOv5；Gradio

万方数据

Abstract

Appleleavesarethemainplaceforphotosynthesisofappletrees,andthegrowthand

developmentofappleleavescanintuitivelyseethegrowthoffruittrees.Atpresent,the

classificationanddetectionofappleleafdiseasesusingcomputervisionisgraduallymature

andhasawiderangeofapplicationscenarios.However,therearestillsomeproblems,such

asthehighsimilarityofappleleafdiseasesandthedifficultyofdistinguishingthem,

resultinginlowrecognitionaccuracy.Thecomplexstructureofappleleafdiseasenetwork

modelmakesthediseasemodeltrainingtime-consumingandrecognitionspeedlow.Based

onthis,thispaperfurtherintroducesthelightweightmoduleandattentionmechanisminto

theappleleafdiseasetargetdetectionalgorithmtoimprovethemodeloperationspeedand