基于改进YOLOv4的葡萄叶片病害检测
Detection of grape leaf diseases based on improved YOLOv4
投稿时间:2021-12-03  修订日期:2021-12-03
DOI:
中文关键词: YOLOv4模型  葡萄叶片病害  注意力机制
英文关键词: YOLOv4 model  grape leaf disease  attention mechanism
基金项目:
作者单位
雷建云 中南民族大学 计算机科学学院 &
湖北省制造企业智能管理工程技术研究中心 
叶莎 中南民族大学 计算机科学学院 &
湖北省制造企业智能管理工程技术研究中心 
夏梦 中南民族大学 计算机科学学院 &
湖北省制造企业智能管理工程技术研究中心 
郑禄 中南民族大学 计算机科学学院 &
湖北省制造企业智能管理工程技术研究中心 
邹金林 中南民族大学 计算机科学学院 &
湖北省制造企业智能管理工程技术研究中心 
摘要点击次数: 163
全文下载次数: 0
中文摘要:
      针对葡萄叶片病害检测漏检率高,检测效果不佳的问题,提出一种基于YOLOv4模型改进的葡萄叶片病害识别算法YOLOv4-PSA-CA。改进算法引入PSA(Pyramid Split Attention)模块取代YOLO4网络中原有的3×3的卷积,实现多尺度特征提取;将CA(Coordinate Attention)模块嵌入颈部网络中,获取更丰富的跨通道信息和位置信息。为了验证改进算法的有效性,选取葡萄叶片常见的4中病害作为检测对象制作数据集,改进的YOLOv4算法在此数据集上平均准确率均值(mAP)达到84.07%,比原YOLOv4算法mAP提升了4.04%。实验结果表明,改进算法能够在实验环境和自然环境下对葡萄叶片病害进行有效检测,为葡萄病害及时精准防控提供了依据。
英文摘要:
      Aiming at the problem of high missed rate and poor detection effect of grape leaf disease detection,an improved grape leaf disease recognition algorithm YOLOv4-PSA-CA based on YOLOv4 model was proposed.Pyramid Split Attention (PSA) module is introduced to replace 3×3 convolution in YOLO4 network to extract multi-scale features.Embed CA (Coordinate Attention) module in neck network to obtain richer cross-channel information and location information.In order to verify the effectiveness of the improved algorithm,four common grape leaf diseases were selected as detection objects to make data sets,and the improved YOLOv4 algorithm achieved 84.07% average accuracy (mAP) on this data set,4.04% higher than the original YOLOv4 algorithm mAP.The experimental results show that the improved algorithm can effectively detect grape leaf diseases in the experimental environment and natural environment,providing a basis for timely and accurate control of grape diseases.
View Fulltext   查看/发表评论  下载PDF阅读器
关闭