[论文解读] Rice Leaf Disease Classification and Detection Using YOLOv5

Md Ershadul Haque, Ashikur Rahman+3 more|arXiv (Cornell University)|Sep 4, 2022

Smart Agriculture and AIAgricultural and Biological Sciences被引用 17

一句话总结

本文提出了一种基于YOLOv5的深度学习框架，利用1,500张标注图像的自定义数据集，实现实时检测与分类八种主要水稻叶部病害。该模型在精度、召回率、F1分数和mAP方面分别达到90%、67%、76%和81%，在农业环境中对水稻病害识别方面优于传统方法（如SVM、VGG16和ResNet V2）。

ABSTRACT

A staple food in more than a hundred nations worldwide is rice (Oryza sativa). The cultivation of rice is vital to global economic growth. However, the main issue facing the agricultural industry is rice leaf disease. The quality and quantity of the crops have declined, and this is the main cause. As farmers in any country do not have much knowledge about rice leaf disease, they cannot diagnose rice leaf disease properly. That's why they cannot take proper care of rice leaves. As a result, the production is decreasing. From literature survey, it has seen that YOLOv5 exhibit the better result compare to others deep learning method. As a result of the continual advancement of object detection technology, YOLO family algorithms, which have extraordinarily high precision and better speed have been used in various scene recognition tasks to build rice leaf disease monitoring systems. We have annotate 1500 collected data sets and propose a rice leaf disease classification and detection method based on YOLOv5 deep learning. We then trained and evaluated the YOLOv5 model. The simulation outcomes show improved object detection result for the augmented YOLOv5 network proposed in this article. The required levels of recognition precision, recall, mAP value, and F1 score are 90\%, 67\%, 76\%, and 81\% respectively are considered as performance metrics.

研究动机与目标

• 为解决农业中水稻叶部病害检测这一关键挑战，特别是在孟加拉国等水稻依赖型国家，这些地区因病害导致的减产普遍存在。
• 开发一种快速、准确且可扩展的基于深度学习的目标检测系统，协助农民实现早期诊断和及时干预。
• 克服人工病害识别的局限性，因为农民普遍缺乏专业知识，导致识别不准确。
• 评估YOLOv5在水稻叶部病害检测中的性能，并与现有模型（如VGG16和ResNet V2）进行比较。
• 通过迁移学习和数据增强，贡献一个公开可用、高精度的水稻叶部病害检测模型。

提出的方法

• 本研究采用YOLOv5这一先进的单阶段目标检测模型，利用1,500张标注图像的自定义数据集，实现实时水稻叶部病害检测。
• 应用数据增强技术以提升模型泛化能力，并改善对小型和中型病灶的检测性能。
• 通过在ImageNet预训练权重上进行微调，利用迁移学习将YOLOv5模型适配至水稻叶部病害分类任务。
• 模型利用锚框（anchor boxes）和特征金字塔网络（FPN）实现多尺度目标检测，提升对小到大型病斑的检测能力。
• 通过精确率-召回率曲线和混淆矩阵，采用标准指标（精确率、召回率、F1分数和平均平均精度mAP）评估模型性能。
• 训练过程结合分类损失、置信度损失和边界框回归损失，采用余弦退火调度的随机梯度下降进行优化。

实验结果

研究问题

• RQ1 YOLOv5能否在真实农业图像中实现对多种水稻叶部病害的高精度检测？
• RQ2 YOLOv5在分类水稻叶部病害方面与传统模型（如VGG16和ResNet V2）相比表现如何？
• RQ3 数据增强在提升水稻叶片中小型或罕见病害类型的检测性能方面有多大改善作用？
• RQ4 在使用YOLOv5进行水稻叶部病害检测时，平衡精确率与召回率的最优置信度阈值是多少？
• RQ5 所提出的YOLOv5模型能否在包括细菌性枯病、褐斑病、叶瘟和褐条病在内的多种水稻叶部病害表型中实现良好泛化？

主要发现

• YOLOv5模型的精确率达到90%，表明对水稻叶部病害的阳性预测具有高度置信度。
• 模型的召回率为67%，意味着在测试集中成功检测到67%的实际病害病例。
• F1分数达到76%，反映了精确率与召回率的平衡调和均值，表明整体分类性能出色。
• 平均平均精度（mAP）为81%，表明在全部八种类别的病害中均表现出较强的检测准确性。
• 精确率-召回率曲线的曲线下方面积（AUC）为0.807，表明在不同置信度阈值下，精确率与召回率之间具有有利的权衡。
• 混淆矩阵显示，对叶瘟和褐条病等主要病害的真正例率较高，误报和漏报率较低。