基于多注意力机制的苹果叶部病害检测方法

作者：龙阳; 肖小玲^*

来源：江苏农业科学, 2023, 51(23): 178-186.

DOI：10.15889/j.issn.1002-1302.2023.23.027

• 苹果叶部病害
• YOLO v5s
• ConvNeXtBlock
• ACmix
• CBAM
• SK
• 注意力机制

针对苹果叶部病害在复杂环境下出现的多尺度病斑识别和定位不准确等难题，并提高对小目标病害特征的识别能力，提出了一种基于改进YOLO v5s的苹果叶部病害检测算法。首先，在骨干网络中采用ConvNeXtBlock模块替换传统的CSP模块，以增强对病害特征的提取能力。同时，为了更准确地检测小目标病害特征，引入自注意力和卷积集成的ACmix注意力机制，使得改进后的骨干网络在复杂环境下也能更准确地检测到苹果叶部病害。在颈部网络中，采用通道和空间混合的CBAM注意力机制以及SK注意力机制，以进一步提高模型对多尺度病害特征的精确定位和提取能力，并赋予了模型更强的语义信息理解能力，使其能够更好地适应不同尺寸和复杂度的病害状况。试验结果表明，与传统的YOLO v5s相比，改进后的算法精确率提高了12.2百分点，召回率提高了12.0百分点，mAP@0.5提高了12.72百分点，平均精度达到94.03%,具有较好的识别精度，误检和漏检概率显著减少。本研究的改进算法在苹果叶部病害检测方面取得了显著成果。该算法不仅提高了对多尺度病害特征的识别和定位能力，在复杂环境下也能更准确地检测到小目标病害特征。这一算法的应用潜力不仅限于苹果叶部病害，还可推广至其他农作物病害检测领域，对于提高农业病害防控水平具有重要意义。

• 单位
  长江大学