KMeans++与注意力机制融合的苹果叶片病害识别方法

打开文本图片集

doi：10.15889/j.issn.1002-1302.2024.20.023

摘要：为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题，在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框；其次在骨干网络中加入卷积块注意几模块（convolutional block attention module，CBAM），来提升复杂环境下小目标特征的提取能力；再次为了增强颈部网络对不同大小病害多尺度特征的有效识别，选择ConvNeXtBlock模块替换C3（CSP bottleneck with 3 convolutions）模块，并在颈部网络中融入坐标注意力模块（coordinate attention，CA），来加强模型对关键空间位置的响应，使得不同尺度的特征都能被更有效地利用；最后使用ECIoU损失函数替换原始的CIoU损失函数，来提高模型的收敛速度和精度。（剩余14897字）