基于YOLOv5s的草莓病害识别系统设计

2023-07-25邱菊，徐燕

农业技术与装备 2023年5期

邱菊，徐燕

（北京物资学院信息学院，北京 101149）

草莓肉质细韧，酸甜适口，营养丰富，在国内外市场上备受欢迎。但是，草莓种植过程中易受到20 多种病害威胁，制约了草莓的产业化发展。目前草莓病害识别仍以人工为主，耗时费力，人工成本高，急需科技化手段提升草莓病害识别效果。

人工智能技术已被广泛应用于图像识别、目标追踪等领域。很多学者尝试利用人工智能技术解决草莓病害识别方面的问题[1]，牛冲等人运用改进的分水岭图像分割技术，通过特征提取对草莓病害进行识别[2]。崔灿等人则是利用卷积神经网络（CNN）进行草莓病害识别[3]，CNN 是一种前向神经网络和深度学习方法，通过共享权值、局部连接和池化达到网络更优化并降低过拟合，利用多层卷积层和池化层提取图像的分类特征[4]。张金慧等人提出了利用人工智能技术的草莓病害识别设备[5]。以上学者的研究虽在一定程度上提高了识别草莓病害的效率，但仍存在识别类型单一、操作复杂、识别效率较低等问题。

因此，本文以草莓作为研究对象，采用YOLOv5s算法，针对目前人工识别草莓病害耗时费力等问题，构建草莓病害识别模型，对于实现设施草莓远程实时病害识别、提高经济效益具有现实意义。

1 YOLO目标检测模型

YOLO 是Joseph Redmond 和Ali Farhadi 等人在借鉴Google Net基础上提出的采用单独CNN 模型实现的目标检测系统。它的核心思想是利用整张图作为输入后直接在输出层回归边界框（Bounding box）的位置和类别。随着时间的推移，YOLO 算法也在不断提升和优化，相继出现YOLOv2、YOLOv3、YOLOv4、YOLOv5模型。

YOLOv5 的核心包括输入端、主干网络（Backbone）、颈部（Neck）、和输出端4 部分，它在YOLOv4 算法的基础上做了进一步的改进，检测性能方面得到很大的提升。YOLOv5 对原始图像自适应添加最少的黑边，图像高度上两端的黑边减少了，使得相比之前推理速度提升了37%，同时YOLOv5的精确度相对于YOLOv4 也有显著提高。官方给出的YOLOv5 目标检测网络的4 个模型分别为YOLOv5s，YOLOv5m，YOLOv5l，YOLOv5x。本文选择的是YOLOv5s 模型，YOLOv5s[6]模型是YOLOv5 系列中深度最小且特征图宽度最小的模型，优点是简洁、快速、易部署。

2 实验过程与分析

2.1 实验平台

本系统开发的硬件环境为字长是64 位的计算机。软件操作系统为Windows 10，基于python 3.6版本在anaconda搭建了一个虚拟环境，利用云端GPU 在Google colab 平台上训练数据集，验证和测试的代码在PyCharm中编译和运行。

2.2 数据集简介与训练策略

在不同角度、不同距离和不同光线下拍摄采集草莓照片696张作为模型训练与测试的数据集。利用Mosaic数据增强方法，最终训练的标签数为1 926个。

2.3 数据集标注

数据集中的图片分别利用Make Sense 在线标注工具逐一进行标注，在标注前需要先创建分类标签，本文共创建4个分类标签，其名称及含义见表1。

表1 标签分类情况Tab.1 The classification of labels

采用矩形模式进行标注，标注后的图片作为训练集。在PyCharm 中编写代码并以YOLOv5s 作为主干网络，将编写好的代码压缩后存到谷歌云盘中，连接Colab GPU 服务器，在Google Colab 上挂载云盘，解压压缩的代码，更改运行目录，配置好环境后即可开始训练，期间可以不断刷新来观察训练结果。训练结束后，导出训练完的模型，上传到PyCharm 中。从训练集中随机选取10%的草莓照片进行测试，观察结果并分析。