【目标检测论文解读复现NO.34】基于改进 YOLOv5s 的苹果叶片小目标病害轻量化检测方法

 前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。本文仅对论文代码实现，如果原文章的作者觉得不方便，请联系删除，尊重每一位论文作者。 

一、摘要

为解决自然环境中苹果叶片病害检测场景复杂、小目标病害检测难度高以及模型参数大无法在移动端和嵌入式 设备部署等问题，提出一种基于 YOLOv5s 的苹果叶片小目标病害轻量化检测方法。该方法将 YOLOv5s 的骨干网络更 改为 ShuffleNet v2 轻量化网络，引入 CBAM（convolutional block attention module）注意力模块使模型关注苹果叶片小 目标病害，添加改进 RFB-s（receptive field block-s）支路获取多尺度特征，提高苹果叶片病害检测精度，并更改边界框 回归损失函数为 SIoU（scylla-intersection over union），增强病斑定位能力。试验表明改进后的 YOLOv5s 模型在 IoU 大 于 0.5 时的平均精度均值（mean average precision，mAP0.5）和每秒传输帧数（frame per second，FPS）分别达到 90.6% 和 175 帧/s，对小目标的平均检测准确率为 38.2%，与基准模型 YOLOv5s 相比，其 mAP0.5 提升了 0.8 个百分点，参数量 减少了 6.17 MB，计算量减少了 13.8 G，对小目标的检测准确率提高了 3 个百分点。改进后的 YOLOv5s 目标检测模型 与 Faster R-CNN、SSD、YOLOv5m、YOLOv7、YOLOv8 和 YOLOv5s 目标检测模型相比，具有最小的参数量和计算量， 对小目标病害叶斑病和锈病的检测准确率分别提高了 1.4、4.1、0.5、5.7、3.5、3.9 和 1.5、4.3、1.2、2.1、4.0、2.6 个百 分点，该方法为真实自然环境下苹果叶片病害尤其是小目标病害的轻量化检测提供参考依据。

二、网络模型及核心创新点

        1. 这篇文章主要有四个改进点，四个改进点都是比较寻常的改进，但是取得了比较好的实验效果，特别是在轻量化模型以及小目标检测精度上面的改进方面。如下图的实验结果。我们在自己写论文投稿的时候可以做个参考。

        2. 另外做的实验也比较丰富，比如在选择注意力机制上，选择了 五种注意力机制进行对比；在对比损失函数方面也是。

 

    3.实验结果表格方面也比较清晰。

 

注：论文原文出自 公徐路，张淑娟. 基于改进 YOLOv5s 的苹果叶片小目标病害轻量化检测方法[J]. 农业工程学报，2023，39(19)：175-184.

解读的系列文章，本人已进行创新点代码复现。