摘要
针对青枣病虫害传统检测效率低、实时性差的问题,本文提出基于YOLOv5的工程化检测系统,创新性地构建了首个包含9类病虫害及正常果的青枣专用数据集,共计863张图像。通过采用数据增强(旋转±15°、对比度调整)、超参数优化(学习率5×10^(-4)、batch size 32)及余弦退火训练策略,对YOLOv5s模型进行优化。实验结果表明,系统在青枣数据集上mAP@50达0.79,单帧推理时间0.148 s,满足田间实时检测需求。与YOLOv8s系列模型相比,YOLOv5s在保持较高精度的同时,参数量减少36%,推理速度提升37%,在Jetson Nano等边缘设备部署上优势显著。该系统基于PyQt5开发,集成图像采集、预处理、检测与结果可视化功能,为复杂农业场景下青枣病虫害检测开辟智能化高效新路径,有望为农业智能化发展中的病虫害防治贡献力量,具备一定应用价值与推广潜力。
出处
《湘南学院学报》
2025年第2期45-51,共7页
Journal of Xiangnan University
基金
广东省教育厅科技服务乡村振兴重点领域专项项目(2023ZDZX4124)。
