2024年4月15日发(作者：俎玉怡)
Journal of Agricultural Catastrophology 2023, Vol.13 No.8
基于改进YOLOv5s模型的玉米叶片病害识别
凌慕菲，杨冬风
*
黑龙江八一农垦大学，黑龙江大庆 163711
摘要 在玉米生长过程中，灰斑病、叶锈病和叶斑病是几种常见的玉米叶片病害。目前，深
度学习成为玉米病害识别的重要方法。为提高玉米叶片病害的识别准确率，将在传统目标
检测网络模型YOLOv5s的基础上进行优化改进，对玉米叶斑病、叶锈病、灰斑病３种叶片
病害图像和正常玉米叶片图像进行识别。首先，通过镜像翻转、图像增强及亮度调节方法等
对病害图像进行预处理操作，增强数据集并提高网络鲁棒性，将YOLOv5s网络模型原有的
Bottleneck CSP模块替换为CBAM注意力机制模块，并与原始的YOLOv5s网络模型进行对
比实验。实验结果表明，该检测方法对玉米叶片病害识别的平均准确率为95.6%，识别精度
较原始YOLOv5s网络模型有所提升，可为玉米叶片病害识别提供有效的技术支持。
关键词 病害识别；YOLOv5s；深度学习；CBAM注意力机制
中图分类号：TP183 文献标识码：B 文章编号：2095–3305(2023)08–0126-03
随着我国农业领域的快速发展，玉
类植物病害叶片进行识别，取得了比原
米已成为我国种植面积最大的作物，为
始AlexNet模型更好的结果。
我国粮食增产做出了巨大贡献。然而，
张建华等
[4]
提出了基于改进VGG-
随着玉米产量的逐年增长，玉米病害也
16卷积神经网络的病害识别模型，识别
随之加重，其中，玉米叶片病害是影响
了5种棉花病害。Zhou等
[5]
在定向码匹
玉米生产的主要原因之一
[1]
，主要的玉
配的方法与支持向量机（SVM）相结合
米叶片病害有灰斑病、叶锈病、叶斑病
的基础上，识别了甜菜病害。
等。玉米叶锈病在侵染时，叶片突起黄
目前，很多植物病害识别模型都面
褐色或红褐色斑点，散生或呈椭圆形；
临着训练时间较长、模型参数庞大等问
玉米叶斑病和灰斑病在侵染时，叶片中
题，导致其普及性和实时性较差，具有
央枯白至黄褐色，呈椭圆形。传统的植
一定的局限性
[6]
。而YOLOv5s
[7]
神经网
物病害识别是依靠肉眼进行观察来判
络模型有更高的检测速度、准确性和迁
断病害种类的，不仅效率和精准度低，
移性，并且模型体积较小，占用更少的
而且浪费人力和物力，导致生产效率
储存空间，可以在不同的硬件上运行。
降低。
因此，为了实现对玉米叶片病害的精准
近年来，随着人工智能在农业领
检测，在轻量级网络模型YOLOv5s的
域的快速发展，目标检测在农作物的
基础上进行改进。首先，通过图像预处
识别、计数、分类等领域得到了广泛运
理方法进行数据增强，满足叶片病害识
用，国内外研究也取得了较多的成果。
别的准确性和高效性。再将YOLOv5s
李冠林等
[2]
提出了一种基于支持向量
的主干网络中的Bottleneck CSP模块模
机（SVM）和多特征参数的小麦条锈病
块替换为CBAM（Convolutional Block
和叶锈病图像分类识别方法，对小麦病
Attention Module）注意力模块，提高改
害进行识别，平均识别率达到98.34%。
进后模型的准确率。
孙俊等
[3]
通过改进传统的AlexNet
模型，提出一种批归一化与全局池化相
1 改进YOLOv5算法
结合的卷积神经网络识别模型，对26
1.1 YOLOv5算法原理
作者简介 凌慕菲（1999—），女，主要从事机器视觉深度学习研究。*通信作者：杨冬风
（1977—）,女，副教授，主要从事模式识别在农业中的应用研究。
收稿日期 2023-06-08
126
Copyright©博看网. All Rights Reserved.
Maize
Recognition
Leaf
Improved
Based
Disease
Model
YOLOv5s
on
Ling Mu-fei et al(Heilongjiang Bayi
163711)
Agricultural University, Daqing, Heilongjiang
Abstract
of
During the growth
leaf
corn,
leaf
spot
gray
disease
spot
are
disease,
several
leaf
common
rust,
process
corn
and
become
diseases.
corn diseases.
an important
Currently,
To improve
method
deep
the
for
learning
recognition
identifying
has
accuracy
will optimize
of corn
and
leaf
improve
diseases,
the
this
traditional
article
object
and
images
recognize
detection
three
network
types
model
of
YOLOv5s,
spot,
Firstly, the disease images are preprocessed
as
of
well
corn
as
leaf
normal
spot, leaf
corn
rust,
leaf
leaf
and
disease
images.
gray
using methods such as mirror flipping, image
enhancement,
enhance the dataset
and brightness
and improve
adjustment
network
to
robustness. Then, the original Bottleneck CSP
module
replaced with a CBAM attention mechanism
of the YOLOv5s network model is
module
YOLOv5s
and
network
compared
model.
with
The experimental
the original
results
the
show that the average accuracy of
for
which
identifying
detection method used in this article
YOLOv5s
is improved
corn
effective technical
network
compared
leaf diseases
model
support
and
to
for
can
the
is
original
95.6%,
identifying
provide
corn leaf diseases.
Key
YOLOv5s;
words
Deep learning;
Disease
mechanism
CBAM
identification;
attention
农业灾害研究 2023,13(8)
是一种快速高效的目标YOLOv5
检测算法，该算法利用深度学习技术
实现了端到端的目标检测，在计算资
源有限的情况下能够获得出色的表现。
YOLOv5共有YOLOv5x、YOLOv5l、YO
层（通常是1×1的卷积核）对连接后的
特征图进行卷积，最后通过sigmoid激
活函数得到空间注意力权重。
由于CBAM模块具有较好的通用
性，因此将其应用于YOLOv5s的C3模
用的冗余信息，从而淹没部分目标，
导致检测准确率下降。为了提高玉米
叶片病害识别的准确率，在YOLOv5s
骨干网络Backbone引入优化的CBAM
（Convolutional Block Attention Module）
LOv5m和YOLOv5s 4种网络模型，其
中，YOLOv5s是该系列中深度和宽度
最小的模型，对应着参数量、计算量最
小，且速度最快的网络。YOLOv5s网络
主要由Input、Backbone、Neck、Head 4
个部分组成。该算法使用CSPDarknet53
作为主干网络，通过采用Bottleneck残
差块和SPP模块等技术，可以有效地提
高模型的特征提取能力。其中，主干网
络Backbone部分主要由conv模块、C3
模块（即BottleneckCSP）、SPP组成，其
作用是提取图像特征并传递至下一模
块。颈部网络Neck再对图像特征进行
一定比例的融合，并将其特征传递给预
测层。最后预测头Head将颈部融合得
到的图像特征进行预测输出。
YOLOv5s采用了一种基于初始先
验框（Anchor）的检测方式，在输入图
像时，通过预先定义的Anchor尺寸进
行目标检测。相比于传统的滑动窗口方
法，该方法能够在不同尺度的特征图上
同时进行目标检测，提升检测模型的预
测精度。
1.2 CBAM注意力机制
CBAM
[8]
由通道注意力机制(Channel
Attention Module，CAM)和空间注意力
机制(Spartial Attention Module，SAM)组
成，各部分的主要功能如下：
（1）Channel Attention（CA）：CA模
块根据全局空间信息对输入特征图的各
个通道进行加权。它主要包括2个全局
平均池化层（Global Average Pooling，
GAP）和全局最大池化层（Global Max
Pooling，GMP），用于计算空间域的全
局信息。接着使用1个共享的MLP（多
层感知器）对GAP和GMP的输出特征
进行非线性变换，最后通过逐元素相加
element-wise addition）和sigmoid激活
函数得出通道注意力权重。
（2）Spatial Attention（SA）：SA模块
通过对输入特征图的各个空间位置进
行加权，以捕获空间依赖性。首先，对
输入特征图进行通道方向的全局平均
池化和全局最大池化。然后，将两者沿
通道方向进行连接。接着使用1个卷积
块不仅可以提高网络性能，还可以为其
注意力机制，将YOLOv5s主干网络部
他类似的卷积网络架构带来启示。
分中的C3模块替换为CBAMC3模块，
1.3 改进YOLOv5s算法
不仅可以加强通道之间信息的融合，还
在原始的YOLOv5s算法中，其检
可以减小模型参数、精减网络模型的结
测头模块采用了多层级特征融合的方
构、提高模型计算效率，捕获更丰富的
法，此方法虽然能够将特征信息充分结
通道和空间特征信息。改进后的网络结
合，但在连续卷积的过程会产生许多无
构图见图1。
图1 改进后YOLOv5s网络结构图
2 实验方法与结果分析
病害叶片和健康叶片进行手动标注，并
2.1 数据集预处理
以VOC的格式保存。由于训练数据集
数据集选用Plant Village发布的公
较小，为了提高模型对玉米叶片的识别
开玉米病害数据集，数据集中包括玉米
效果，通过对数据图像进行随机翻转、
叶片灰斑病、叶锈病、叶斑病和玉米健
调节亮度、增加噪声等方法进行数据增
康4类图像数据。实验选用500张玉米
强。扩充后的数据集大小为2 000张，扩
叶片病害作为数据集，其中，灰斑病、
充至原始数据的4倍。扩充后的数据集
叶锈病、叶斑病和玉米健康各125张，
如表1所示。其中，训练集和测试集比
用于玉米叶片病害的训练与测试。实验
例按9:1随机划分。
先通过Labelimg标注软件对3种玉米
表1 数据集概述
标签名称训练集数量增强后训练集数量
灰斑病125500
叶锈病125500
叶斑病125500
健康125500
2.2 实验环境及配置
2.3 模型评估指标
实验运行环境与配置见表2。模型
研究结果采用精准率(Precision)、
共训练50轮次，初始学习率设为0.01
召回率(Recall)，以及目标检测算法中
批尺寸（batch size）设置为8。
衡量算法效果的指标全类平均准确率
127
Copyright©博看网. All Rights Reserved.
（
Journal of Agricultural Catastrophology 2023, Vol.13 No.8
(Mean Average Precision
，mAP)作为评
YOLOv5s模型进行对比。2种模型在
价指标。其中，Precision、Recall的计算
Plant Village数据集、epoch为50、batch
公式分别如下：
-size为8的条件下，得到不同玉米叶
在上述式中，TP为样本被预测为
片病害类别的准确率对比结果（图2）。
正样本，且分类正确的样本个数；FP为
横轴为训练轮次，纵坐标为精准度
样本被预测为正样本，而分类错误的样
（mAP）。由图1可以看出，在epoch50
本个数；FN为被预测为负样本，而分类
次后波动幅度不大。原始的YOLOv5s
错误的样本个数；mAP是所有类别在
模型mAP稳定在93.5%。模型在加入
模型上的平均识别精度。
CBAMC3注意力机制之后mAP达到
2.4 实验结果分析
95.6%，比传统的YOLOv5s网络模型的
为了验证CBAM注意力机制的有
准确率提高了2.1个百分点，正确类别
效性，在原网络的基础上，将添加
预测的数量比例明显提升
[9-16]
。
CBAM注意力机后的模型与原始的
表2 实验环境
运行环境配置参数
操作系统Windows10 64位
CPUIntel core i7
GPUNvidia RXT 3080ti
深度学习框架Pytorch2.0.1
编程语言Python3.7.0
5
.
0
O
A
m
图2 原始YOLOv5s模型与改进后模型结果对比
3 结束语
分点。该方法能够降低人力物力的成
本论文针对在玉米叶片病害识别
本、提高对病害识别的效率和准确率，
过程中浪费人力、肉眼难以区分、检测
有一定的实用性，能够促进农业技术的
情景复杂等问题，设计了一种基于改进
进一步发展。
YOLOv5s网络的玉米叶片病害识别模
型(YOLOv5_CBAMC3)。在YOLOv5s
参考文献
目标检测模型的基础上，引入CBAM
[1] 栾奕,白岩,卢实,等“十三五”.国家东
注意力机制，完成了对玉米叶片灰斑
华北春玉米区域试验品种抗病性评价
病、叶锈病、叶斑病3种病害和健康叶
[J].作物学报,2023,49(4):1122-1131.
片的识别。实验结果表明：改进后的网
[2] 李冠林,马占鸿,王海光.基于支持向量
络检测模型对玉米叶片病害识别精度
机的小麦条锈病和叶锈病图像识别[J].
有较高提升，平均精度达到95.6%，较
中国农业大学学报,2012,17(2):72-79.
原始网络模型的准确率提升了2.1个百
[3] 孙俊,谭文军,毛罕平,等.基于改进卷
128
Copyright©博看网. All Rights Reserved.
积神经网络的多种植物叶片病害识
别[J].农业工程学报,2017,33(19):209-
215.
[4] 张建华,祁力钧,冀荣华,等.基于粗糙
集和BP神经网络的棉花病害识别[J].
农业工程学报,2012,28(7):161-167.
[5] Zhou R, Kaneko S, Tanaka F, et al.
Disease detection of
Cercospora
leaf
spot in sugar beet by robust template
matching[J]. Computers & Electronics in
Agriculture, 2014(108): 58-70.
[6] 崔万照,朱长纯,保文星,等.基于模糊
模型支持向量机的混沌时间序列预测
[J].物理学报,2005(7):3009-3018.
[7] 王宇博,马廷淮,陈光明.基于改进
YOLOv5算法的农田杂草检测[J].中国
农机化学报,2023,44(4):167-173.
[8] Miao L, Li N, Zhou M, et al. CBAM-
Yolov5: improved Yolov5 based on
attention model for infrared ship
detection[C]//International Conference
on Computer Graphics, Artificial
Intelligence, and Data Processing
(ICCAID 2021). SPIE, 2022.
[9] 张建华,赵洪凯,姜雷,等.玉米叶部病
害识别模型的建立与APP开发[J].农业
与技术,2022,42(13):38-44.
[10] 曹藤宝,张欣,陈孝玉龙,等.融合空间
注意力机制和DenseNet的玉米病害
分类方法[J].无线电工程,2022,52(10):
1710-1717.
[11] 刘合兵,鲁笛,席磊.基于MobileNetV2
和迁移学习的玉米病害识别研究[J].河
南农业大学学报,2022,56(6):1041-1051.
[12] 李旭业,董扬,黄红,等.杀菌剂对青贮
玉米病害防治效果及产量品质影响的
研究[J].现代畜牧科技,2020(4):7-9.
[13] 王超,张勇,王淼,等.基于机器视觉的
网络化玉米病害检测方法研究[J].江
苏科技信息,2020,37(5):27-28.
[14] 朱景福,李雪.玉米叶片病害彩色图像
识别的降维和聚类方法[J].江苏农业
科学,2016,44(7):350-354.
[15] 鲍文霞,黄雪峰,胡根生,等.基于改进
卷积神经网络模型的玉米叶部病害识
别（英文）[J].农业工程学报,2021,37
(6):160-167.
[16] 李恩霖,谢秋菊,苏中滨,等.基于深度
学习的玉米叶片病斑识别方法研究
[J].智慧农业导刊,2021,1(10):1-10.
2024年4月15日发(作者：俎玉怡)
Journal of Agricultural Catastrophology 2023, Vol.13 No.8
基于改进YOLOv5s模型的玉米叶片病害识别
凌慕菲，杨冬风
*
黑龙江八一农垦大学，黑龙江大庆 163711
摘要 在玉米生长过程中，灰斑病、叶锈病和叶斑病是几种常见的玉米叶片病害。目前，深
度学习成为玉米病害识别的重要方法。为提高玉米叶片病害的识别准确率，将在传统目标
检测网络模型YOLOv5s的基础上进行优化改进，对玉米叶斑病、叶锈病、灰斑病３种叶片
病害图像和正常玉米叶片图像进行识别。首先，通过镜像翻转、图像增强及亮度调节方法等
对病害图像进行预处理操作，增强数据集并提高网络鲁棒性，将YOLOv5s网络模型原有的
Bottleneck CSP模块替换为CBAM注意力机制模块，并与原始的YOLOv5s网络模型进行对
比实验。实验结果表明，该检测方法对玉米叶片病害识别的平均准确率为95.6%，识别精度
较原始YOLOv5s网络模型有所提升，可为玉米叶片病害识别提供有效的技术支持。
关键词 病害识别；YOLOv5s；深度学习；CBAM注意力机制
中图分类号：TP183 文献标识码：B 文章编号：2095–3305(2023)08–0126-03
随着我国农业领域的快速发展，玉
类植物病害叶片进行识别，取得了比原
米已成为我国种植面积最大的作物，为
始AlexNet模型更好的结果。
我国粮食增产做出了巨大贡献。然而，
张建华等
[4]
提出了基于改进VGG-
随着玉米产量的逐年增长，玉米病害也
16卷积神经网络的病害识别模型，识别
随之加重，其中，玉米叶片病害是影响
了5种棉花病害。Zhou等
[5]
在定向码匹
玉米生产的主要原因之一
[1]
，主要的玉
配的方法与支持向量机（SVM）相结合
米叶片病害有灰斑病、叶锈病、叶斑病
的基础上，识别了甜菜病害。
等。玉米叶锈病在侵染时，叶片突起黄
目前，很多植物病害识别模型都面
褐色或红褐色斑点，散生或呈椭圆形；
临着训练时间较长、模型参数庞大等问
玉米叶斑病和灰斑病在侵染时，叶片中
题，导致其普及性和实时性较差，具有
央枯白至黄褐色，呈椭圆形。传统的植
一定的局限性
[6]
。而YOLOv5s
[7]
神经网
物病害识别是依靠肉眼进行观察来判
络模型有更高的检测速度、准确性和迁
断病害种类的，不仅效率和精准度低，
移性，并且模型体积较小，占用更少的
而且浪费人力和物力，导致生产效率
储存空间，可以在不同的硬件上运行。
降低。
因此，为了实现对玉米叶片病害的精准
近年来，随着人工智能在农业领
检测，在轻量级网络模型YOLOv5s的
域的快速发展，目标检测在农作物的
基础上进行改进。首先，通过图像预处
识别、计数、分类等领域得到了广泛运
理方法进行数据增强，满足叶片病害识
用，国内外研究也取得了较多的成果。
别的准确性和高效性。再将YOLOv5s
李冠林等
[2]
提出了一种基于支持向量
的主干网络中的Bottleneck CSP模块模
机（SVM）和多特征参数的小麦条锈病
块替换为CBAM（Convolutional Block
和叶锈病图像分类识别方法，对小麦病
Attention Module）注意力模块，提高改
害进行识别，平均识别率达到98.34%。
进后模型的准确率。
孙俊等
[3]
通过改进传统的AlexNet
模型，提出一种批归一化与全局池化相
1 改进YOLOv5算法
结合的卷积神经网络识别模型，对26
1.1 YOLOv5算法原理
作者简介 凌慕菲（1999—），女，主要从事机器视觉深度学习研究。*通信作者：杨冬风
（1977—）,女，副教授，主要从事模式识别在农业中的应用研究。
收稿日期 2023-06-08
126
Copyright©博看网. All Rights Reserved.
Maize
Recognition
Leaf
Improved
Based
Disease
Model
YOLOv5s
on
Ling Mu-fei et al(Heilongjiang Bayi
163711)
Agricultural University, Daqing, Heilongjiang
Abstract
of
During the growth
leaf
corn,
leaf
spot
gray
disease
spot
are
disease,
several
leaf
common
rust,
process
corn
and
become
diseases.
corn diseases.
an important
Currently,
To improve
method
deep
the
for
learning
recognition
identifying
has
accuracy
will optimize
of corn
and
leaf
improve
diseases,
the
this
traditional
article
object
and
images
recognize
detection
three
network
types
model
of
YOLOv5s,
spot,
Firstly, the disease images are preprocessed
as
of
well
corn
as
leaf
normal
spot, leaf
corn
rust,
leaf
leaf
and
disease
images.
gray
using methods such as mirror flipping, image
enhancement,
enhance the dataset
and brightness
and improve
adjustment
network
to
robustness. Then, the original Bottleneck CSP
module
replaced with a CBAM attention mechanism
of the YOLOv5s network model is
module
YOLOv5s
and
network
compared
model.
with
The experimental
the original
results
the
show that the average accuracy of
for
which
identifying
detection method used in this article
YOLOv5s
is improved
corn
effective technical
network
compared
leaf diseases
model
support
and
to
for
can
the
is
original
95.6%,
identifying
provide
corn leaf diseases.
Key
YOLOv5s;
words
Deep learning;
Disease
mechanism
CBAM
identification;
attention
农业灾害研究 2023,13(8)
是一种快速高效的目标YOLOv5
检测算法，该算法利用深度学习技术
实现了端到端的目标检测，在计算资
源有限的情况下能够获得出色的表现。
YOLOv5共有YOLOv5x、YOLOv5l、YO
层（通常是1×1的卷积核）对连接后的
特征图进行卷积，最后通过sigmoid激
活函数得到空间注意力权重。
由于CBAM模块具有较好的通用
性，因此将其应用于YOLOv5s的C3模
用的冗余信息，从而淹没部分目标，
导致检测准确率下降。为了提高玉米
叶片病害识别的准确率，在YOLOv5s
骨干网络Backbone引入优化的CBAM
（Convolutional Block Attention Module）
LOv5m和YOLOv5s 4种网络模型，其
中，YOLOv5s是该系列中深度和宽度
最小的模型，对应着参数量、计算量最
小，且速度最快的网络。YOLOv5s网络
主要由Input、Backbone、Neck、Head 4
个部分组成。该算法使用CSPDarknet53
作为主干网络，通过采用Bottleneck残
差块和SPP模块等技术，可以有效地提
高模型的特征提取能力。其中，主干网
络Backbone部分主要由conv模块、C3
模块（即BottleneckCSP）、SPP组成，其
作用是提取图像特征并传递至下一模
块。颈部网络Neck再对图像特征进行
一定比例的融合，并将其特征传递给预
测层。最后预测头Head将颈部融合得
到的图像特征进行预测输出。
YOLOv5s采用了一种基于初始先
验框（Anchor）的检测方式，在输入图
像时，通过预先定义的Anchor尺寸进
行目标检测。相比于传统的滑动窗口方
法，该方法能够在不同尺度的特征图上
同时进行目标检测，提升检测模型的预
测精度。
1.2 CBAM注意力机制
CBAM
[8]
由通道注意力机制(Channel
Attention Module，CAM)和空间注意力
机制(Spartial Attention Module，SAM)组
成，各部分的主要功能如下：
（1）Channel Attention（CA）：CA模
块根据全局空间信息对输入特征图的各
个通道进行加权。它主要包括2个全局
平均池化层（Global Average Pooling，
GAP）和全局最大池化层（Global Max
Pooling，GMP），用于计算空间域的全
局信息。接着使用1个共享的MLP（多
层感知器）对GAP和GMP的输出特征
进行非线性变换，最后通过逐元素相加
element-wise addition）和sigmoid激活
函数得出通道注意力权重。
（2）Spatial Attention（SA）：SA模块
通过对输入特征图的各个空间位置进
行加权，以捕获空间依赖性。首先，对
输入特征图进行通道方向的全局平均
池化和全局最大池化。然后，将两者沿
通道方向进行连接。接着使用1个卷积
块不仅可以提高网络性能，还可以为其
注意力机制，将YOLOv5s主干网络部
他类似的卷积网络架构带来启示。
分中的C3模块替换为CBAMC3模块，
1.3 改进YOLOv5s算法
不仅可以加强通道之间信息的融合，还
在原始的YOLOv5s算法中，其检
可以减小模型参数、精减网络模型的结
测头模块采用了多层级特征融合的方
构、提高模型计算效率，捕获更丰富的
法，此方法虽然能够将特征信息充分结
通道和空间特征信息。改进后的网络结
合，但在连续卷积的过程会产生许多无
构图见图1。
图1 改进后YOLOv5s网络结构图
2 实验方法与结果分析
病害叶片和健康叶片进行手动标注，并
2.1 数据集预处理
以VOC的格式保存。由于训练数据集
数据集选用Plant Village发布的公
较小，为了提高模型对玉米叶片的识别
开玉米病害数据集，数据集中包括玉米
效果，通过对数据图像进行随机翻转、
叶片灰斑病、叶锈病、叶斑病和玉米健
调节亮度、增加噪声等方法进行数据增
康4类图像数据。实验选用500张玉米
强。扩充后的数据集大小为2 000张，扩
叶片病害作为数据集，其中，灰斑病、
充至原始数据的4倍。扩充后的数据集
叶锈病、叶斑病和玉米健康各125张，
如表1所示。其中，训练集和测试集比
用于玉米叶片病害的训练与测试。实验
例按9:1随机划分。
先通过Labelimg标注软件对3种玉米
表1 数据集概述
标签名称训练集数量增强后训练集数量
灰斑病125500
叶锈病125500
叶斑病125500
健康125500
2.2 实验环境及配置
2.3 模型评估指标
实验运行环境与配置见表2。模型
研究结果采用精准率(Precision)、
共训练50轮次，初始学习率设为0.01
召回率(Recall)，以及目标检测算法中
批尺寸（batch size）设置为8。
衡量算法效果的指标全类平均准确率
127
Copyright©博看网. All Rights Reserved.
（
Journal of Agricultural Catastrophology 2023, Vol.13 No.8
(Mean Average Precision
，mAP)作为评
YOLOv5s模型进行对比。2种模型在
价指标。其中，Precision、Recall的计算
Plant Village数据集、epoch为50、batch
公式分别如下：
-size为8的条件下，得到不同玉米叶
在上述式中，TP为样本被预测为
片病害类别的准确率对比结果（图2）。
正样本，且分类正确的样本个数；FP为
横轴为训练轮次，纵坐标为精准度
样本被预测为正样本，而分类错误的样
（mAP）。由图1可以看出，在epoch50
本个数；FN为被预测为负样本，而分类
次后波动幅度不大。原始的YOLOv5s
错误的样本个数；mAP是所有类别在
模型mAP稳定在93.5%。模型在加入
模型上的平均识别精度。
CBAMC3注意力机制之后mAP达到
2.4 实验结果分析
95.6%，比传统的YOLOv5s网络模型的
为了验证CBAM注意力机制的有
准确率提高了2.1个百分点，正确类别
效性，在原网络的基础上，将添加
预测的数量比例明显提升
[9-16]
。
CBAM注意力机后的模型与原始的
表2 实验环境
运行环境配置参数
操作系统Windows10 64位
CPUIntel core i7
GPUNvidia RXT 3080ti
深度学习框架Pytorch2.0.1
编程语言Python3.7.0
5
.
0
O
A
m
图2 原始YOLOv5s模型与改进后模型结果对比
3 结束语
分点。该方法能够降低人力物力的成
本论文针对在玉米叶片病害识别
本、提高对病害识别的效率和准确率，
过程中浪费人力、肉眼难以区分、检测
有一定的实用性，能够促进农业技术的
情景复杂等问题，设计了一种基于改进
进一步发展。
YOLOv5s网络的玉米叶片病害识别模
型(YOLOv5_CBAMC3)。在YOLOv5s
参考文献
目标检测模型的基础上，引入CBAM
[1] 栾奕,白岩,卢实,等“十三五”.国家东
注意力机制，完成了对玉米叶片灰斑
华北春玉米区域试验品种抗病性评价
病、叶锈病、叶斑病3种病害和健康叶
[J].作物学报,2023,49(4):1122-1131.
片的识别。实验结果表明：改进后的网
[2] 李冠林,马占鸿,王海光.基于支持向量
络检测模型对玉米叶片病害识别精度
机的小麦条锈病和叶锈病图像识别[J].
有较高提升，平均精度达到95.6%，较
中国农业大学学报,2012,17(2):72-79.
原始网络模型的准确率提升了2.1个百
[3] 孙俊,谭文军,毛罕平,等.基于改进卷
128
Copyright©博看网. All Rights Reserved.
积神经网络的多种植物叶片病害识
别[J].农业工程学报,2017,33(19):209-
215.
[4] 张建华,祁力钧,冀荣华,等.基于粗糙
集和BP神经网络的棉花病害识别[J].
农业工程学报,2012,28(7):161-167.
[5] Zhou R, Kaneko S, Tanaka F, et al.
Disease detection of
Cercospora
leaf
spot in sugar beet by robust template
matching[J]. Computers & Electronics in
Agriculture, 2014(108): 58-70.
[6] 崔万照,朱长纯,保文星,等.基于模糊
模型支持向量机的混沌时间序列预测
[J].物理学报,2005(7):3009-3018.
[7] 王宇博,马廷淮,陈光明.基于改进
YOLOv5算法的农田杂草检测[J].中国
农机化学报,2023,44(4):167-173.
[8] Miao L, Li N, Zhou M, et al. CBAM-
Yolov5: improved Yolov5 based on
attention model for infrared ship
detection[C]//International Conference
on Computer Graphics, Artificial
Intelligence, and Data Processing
(ICCAID 2021). SPIE, 2022.
[9] 张建华,赵洪凯,姜雷,等.玉米叶部病
害识别模型的建立与APP开发[J].农业
与技术,2022,42(13):38-44.
[10] 曹藤宝,张欣,陈孝玉龙,等.融合空间
注意力机制和DenseNet的玉米病害
分类方法[J].无线电工程,2022,52(10):
1710-1717.
[11] 刘合兵,鲁笛,席磊.基于MobileNetV2
和迁移学习的玉米病害识别研究[J].河
南农业大学学报,2022,56(6):1041-1051.
[12] 李旭业,董扬,黄红,等.杀菌剂对青贮
玉米病害防治效果及产量品质影响的
研究[J].现代畜牧科技,2020(4):7-9.
[13] 王超,张勇,王淼,等.基于机器视觉的
网络化玉米病害检测方法研究[J].江
苏科技信息,2020,37(5):27-28.
[14] 朱景福,李雪.玉米叶片病害彩色图像
识别的降维和聚类方法[J].江苏农业
科学,2016,44(7):350-354.
[15] 鲍文霞,黄雪峰,胡根生,等.基于改进
卷积神经网络模型的玉米叶部病害识
别（英文）[J].农业工程学报,2021,37
(6):160-167.
[16] 李恩霖,谢秋菊,苏中滨,等.基于深度
学习的玉米叶片病斑识别方法研究
[J].智慧农业导刊,2021,1(10):1-10.