来源：期刊VIP网 时间：
作者：吴晓林;曹兴芹;
单位：长江大学计算机科学学院;
摘要：为了提高植物叶斑病的检测效率和精度，引入主流的目标检测模型YOLOv5对叶斑病进行检测。结果显示，模型在检测较小的叶斑病时精度不高，且模型权重体积较大，不利于在终端边缘设备上部署。为此，对YOLOv5模型进行改进。首先，采用经过SCSE模块修改的MobileNetv3轻量化网络结构替代原有的CSP-Darknet53主干网络，从而降低模型的参数量和计算复杂度；其次，使用K-means++聚类方法优化Anchors参数，使先验框更好地为目标检测模型提供信息，增强模型的性能和泛化能力，减少对标注数据的依赖；最后，在主干网络的最后一层引入ASPPF模块，提高模型在不同尺度上的检测性能。实验结果表明，与原YOLOv5s算法相比，改进方法在植物叶斑病检测任务中表现更优，精确率、召回率和mAP等指标分别提高了2%、2.7%和1.5%，模型大小降低了39.1%。通过优化YOLOv5模型，实现了对不同植物类型大小不一的叶斑病的高效检测，有效降低了模型的大小，并提高了模型的检测精度。
关键词：植物叶斑病;;目标检测;;YOLOv5网络模型;;MobileNetv3;;K-means++聚类算法;;SCSE模块
基金资助：国家自然科学基金面上项目（62077018）
