基于改进YOLOv5sECAASFF算法的茶叶病害目标检测

来源：中国农机化学报杂志2024年第1期北京时间：

作者：叶荣, 马自飞, 高泉, 李彤, 邵郭奇, 王白娟

摘要：在自然场景下，茶叶病害形状各异、目标小，传统卷积神经网络不适用于复杂背景下的病害检测。因此，提出一种改进的YOLOv5sECAASFF茶叶病害目标检测算法。该算法通过引入ECA通道注意力模块来增强通道维度上的全局上下文信息，并使用自适应空间特征融合(ASFF)技术改进茶叶病害的多尺度特征融合，提高模型的背景抗干扰能力。同时，使用GIoU损失函数作为边界框损失函数，进一步提高回归目标的检测精度。与原始YOLOv5s模型相比，改进YOLOv5sECAASFF模型在茶白星病、茶轮斑病、茶炭疽病、茶藻斑病的识别平均精度分别提高5%、4%、3%、2%，平均精度均值为92.1%。此外，该模型的图像检测速度为64f/s，并且综合性能也优于YOLOv4、SSD和Faster RCNN模型。因此，该模型为茶叶在自然生长环境下不同种类病害的检测提供参考，并为早期预测提供重要的技术支持。

关键词：深度学习,YOLOv5s,茶叶病害,注意力机制,目标检测

基金资助：云南省基础研究计划项目(202101AU070096)；云南省重大科技专项项目(202302AE090020)；云南省基础研究计划面上项目(202201AT070981)