基于改进YOLOv5s的青稞病虫害检测方法

来源：中国农机化学报杂志2025年第5期北京时间：

作者：陈佳豪, , 汪语哲, , 段晓东, , 梁凯华,

单位：1. 大连民族大学计算机科学与工程学院，大连市，116000； 2. 大连民族大学大数据应用技术国家民委重点实验室，大连市，116000； 3. 大连民族大学机电工程学院，大连市，116000

摘要：青稞病虫害检测过程中，目标具有不同尺度、重叠遮挡、模型复杂度高以及实时性差，难以在边缘计算设备上部署等问题，基于此，提出一种多尺度轻量化YOLOv5s的改进方法。首先，使用EfficientViT替换YOLOv5s中的主干网络，通过在主干网络中引入级联的自注意力机制，减少模型复杂程度，同时增加特征提取能力。其次，该方法在模型中引入具有注意力机制的SCP模块，通过聚合空间上的上下文信息，帮助模型更好地提取不同尺度下的特征，在控制参数量提高10%以内的情况下，提高模型对不同尺度病虫害的识别精度。然后，使用C2f替换head部分全部的C3层，进一步提升模型对特征的提取能力。最后，引入具有动态聚焦机制的加权交并比非极大值抑制算法（WIoU）作为损失函数，以此来平衡正负样本。结果表明，相比原始YOLOv5s，改进后的模型参数量减少60%；计算量减少32%，平均精度达到88.7%，平均精度提高2.3%；与主流目标检测算法，如Fast R—CNN、SSD，YOLO系列等模型相比，改进后的融合多尺度的轻量化模型在提升检测精度的同时，降低模型的复杂程度。

关键词：青稞病虫害,目标检测,EfficientViT,多尺度特征融合,轻量化

基金资助：大连民族大学—西藏农牧学院联合基金项目（DLMZ—NMXY 2021004）