KMeans++與注意力機(jī)制融合的蘋果葉片病害識別方法

打開文本圖片集

doi：10.15889/j.issn.1002-1302.2024.20.023

摘要：為解決復(fù)雜環(huán)境下小尺度蘋果葉片病害識別精度不高、魯棒性不強(qiáng)的問題，在YOLO v5s的基礎(chǔ)上提出一種新的改進(jìn)方法。該方法首先在模型訓(xùn)練之前使用KMeans++聚類算法生成更接近真實框的錨框；其次在骨干網(wǎng)絡(luò)中加入卷積塊注意幾模塊（convolutional block attention module，CBAM），來提升復(fù)雜環(huán)境下小目標(biāo)特征的提取能力；再次為了增強(qiáng)頸部網(wǎng)絡(luò)對不同大小病害多尺度特征的有效識別，選擇ConvNeXtBlock模塊替換C3（CSP bottleneck with 3 convolutions）模塊，并在頸部網(wǎng)絡(luò)中融入坐標(biāo)注意力模塊（coordinate attention，CA），來加強(qiáng)模型對關(guān)鍵空間位置的響應(yīng)，使得不同尺度的特征都能被更有效地利用；最后使用ECIoU損失函數(shù)替換原始的CIoU損失函數(shù)，來提高模型的收斂速度和精度。（剩余14897字）