YOLOv5再探：一种轻量级且精准的农业应用植物病害检测框架

《Applied Fruit Science》：YOLOv5 Revisited: A Lightweight yet Accurate Framework for Plant Disease Detection in Agricultural Applications

植物病害检测框架基于YOLO-V5x模型与优化PlantVillage数据集，实现98.5%精度、96.4%召回率及88.1% mAP，验证其在农业病害识别中的有效性。

　　

摘要

植物病害严重影响了作物的质量和产量，因此需要尽早且准确地检测病害，以减少经济损失并防止病害蔓延。本研究提出了一个用于水果和蔬菜病害识别与分类的框架，该框架采用了先进的“You Only Look Once-V5”（YOLO-V5）目标检测网络。该框架使用了经过类别对齐、数据增强和精细标注的改进版PlantVillage数据集，以提高模型的准确性和泛化能力。评估了五种YOLO-V5变体：n、s、m、l和x，其中YOLO-V5x的表现最佳，其精确度达到98.5%，召回率为96.4%，F1分数为97.6%，平均精度（mAP）为88.1%（IoU范围为0.5–0.95）。这些结果证明了YOLO-V5x在农业环境中进行可靠叶部病害检测的有效性。