为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增...为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增强交并比(enhanced intersection over union,EIOU)损失函数替换原YOLOv5s网络的完整交并比(complete intersection over union,CIOU)损失函数,利用自建的黄斑病数据集,对YOLOv5s-GCE模型进行消融和对比实验,并将该模型部署在RK3588S人工智能开发板上进行测试。结果表明:相比于原始YOLOv5s模型,YOLOv5s-GCE模型的平均精度均值(mean average precision,mAP)为92.7%(提高2.7%),复杂度显著降低,参数量、权重大小和浮点运算量(giga floating-pointoperations per second,GFLOPs)分别降低44.7%、43.4%和47.2%;YOLOv5s-GCE模型的整体性能优于SSD、YOLOv7、YOLOv8n和Faster R-CNN典型的目标检测模型。部署在RK3588S开发板上的YOLOv5s-GCE模型检测速度可达每秒30.49帧,mAP值为90.2%,可以满足糙皮侧耳黄斑病实时检测需求,研究结果为后续研发食用菌病害智能检测装置提供参考。展开更多
文摘为准确高效检测糙皮侧耳(Pleurotus ostreatus)黄斑病,构建基于YOLOv5s的黄斑病检测模型YOLOv5s-GCE。该模型在YOLOv5s模型基础上引入轻量化GhostNet结构,将坐标注意力(coordinate attention,CA)模块嵌入到YOLOv5s主干网络中,并利用增强交并比(enhanced intersection over union,EIOU)损失函数替换原YOLOv5s网络的完整交并比(complete intersection over union,CIOU)损失函数,利用自建的黄斑病数据集,对YOLOv5s-GCE模型进行消融和对比实验,并将该模型部署在RK3588S人工智能开发板上进行测试。结果表明:相比于原始YOLOv5s模型,YOLOv5s-GCE模型的平均精度均值(mean average precision,mAP)为92.7%(提高2.7%),复杂度显著降低,参数量、权重大小和浮点运算量(giga floating-pointoperations per second,GFLOPs)分别降低44.7%、43.4%和47.2%;YOLOv5s-GCE模型的整体性能优于SSD、YOLOv7、YOLOv8n和Faster R-CNN典型的目标检测模型。部署在RK3588S开发板上的YOLOv5s-GCE模型检测速度可达每秒30.49帧,mAP值为90.2%,可以满足糙皮侧耳黄斑病实时检测需求,研究结果为后续研发食用菌病害智能检测装置提供参考。
