基于改进YOLO v5s的轻量化植物识别模型研究

摘要：

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究.针对YOLO v5s 模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD.改进模型YOLO v5s-CBD 在特征提取网络中引入带有Transformer 模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU 函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DSC)减小模型内存占用量.实验结果表明,YOLO v5s-CBD 模型在单块Nvidia GTX A5000 GPU 单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P 为95.1％,召回率R 为92.9％,综合评价指标F1 值为94.0％,平均精度均值(mAP)为95.7％,在VOC 数据集平均精度均值可达80.09％.相比YOLO v3-tiny、YOLO v4-tiny 和YOLO v5 s,改进模型内存占用量减小,平均精度均值提升.模型YOLO v5s-CBD 在公开数据集和宁夏荒漠草原植物数据集都有良好的鲁棒性,推理速度更快,且易于部署,已应用在宁夏荒漠草原移动端植物图像识别APP 和定点生态信息观测平台,可用来调查宁夏全区荒漠草原植物种类和分布,长期观测和跟踪宁夏盐池县大水坑、黄记场、麻黄山等地植物生态信息.

关键词：植物识别、YOLO v5s、BoTNet、坐标注意力、深度可分离卷积、轻量化

所属期刊栏目：54

分类号：S4(植物保护)

资助基金：宁夏农业高质量发展;生态保护科技创新项目;国家自然科学基金;北方民族大学重点研究项目;北方民族大学重点研究项目

在线出版日期：2023-10-10（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：267-276