文献类型： 中文期刊

作者： 马宏兴 ¹ ; 董凯兵 ¹ ; 王英菲 ¹ ; 魏淑花 ¹ ; 黄文广 ¹ ; 苟建平 ¹ ;

作者机构： 1.北方民族大学电气信息工程学院;宁夏农林科学院植物保护研究所;宁夏回族自治区草原工作站;西南大学计算机与信息科学学院

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

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2023 年 08 期

页码： 267-276

收录情况： EI ; 北大核心 ; CSCD

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 v5s,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。