【目标检测论文解读复现NO.30】基于改进YOLO v5的宁夏草原蝗虫识别模型研究

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。

一、摘要

针对草原蝗虫图像具有样本收集困难、目标较小和目标多尺度等技术难点，基于YOLOv5网络，提出了一种复杂背景下多尺度蝗虫目标检测识别模型YOLOv5CB，用于宁夏草原常见蝗虫检测。改进模型YOLO v5 CB针对蝗虫原始样本量较少的问题，使用ＣycleGAN网络扩充蝗虫数据集；针对蝗虫图像中的小目标特征，使用ConvNeXt来保留小目标蝗虫的特征；为有效解决蝗虫图像尺度特征变换较大问题，在颈部特征融合使用 Bi- FPN结构，来增强网络对多尺度目标的特征融合能力。实验结果表明，在对宁夏草原常见亚洲小车蝗、短星翅蝗、中华剑角蝗进行检测识别时，YOLOv5 CB的识别精度可达98.6％，平均精度均值达到96.8％，Ｆ1值为98％，与FasterRCNN、YOLOv3、YOLOv4、YOLOv5模型相比，识别精度均有提高。将改进的蝗虫检测识别模型YOLOv5 CB与研发的分布式可扩展生态环境数据采集系统结合，构建了基于４G网络的Ｗeb端蝗虫识别平台，可对观测点的蝗虫图像进行长期实时检测。目前，该平台已在宁夏回族自治区盐池县大水坑、黄记场、麻黄山等地的草原生态环境数据获取中得到了应用，可对包括宁夏草原蝗虫信息在内的多种生态环境信息进行长期检测和跟踪，为虫情防治等提供决策依据。

二、网络模型及核心创新点

个人解读：不同于之前复现的目标检测文章，这篇文章不仅对添加了模块，还采用了GAN网络扩充数据集，并且还进行搭建了Web端蝗虫的识别平台，进一步增加了文章的工作量。未来在发文章的时候，可以进行借鉴，提高文章的录用概率。

1.Ｃycle GAN网络

2.ConvnNeXt

3. Bi- FPN 结构

三、应用数据集(模型构建过程）

在采集过程中，共得到宁夏草原常见蝗虫图像335幅，删除图像数据集中拍摄模糊、枝叶遮挡等特征不明显的蝗虫图像，最终得到208幅有效图像。该数据集属于少样本数据集，需对蝗虫数据集进行预处理。

针对宁夏草原蝗虫样本较少、尺度大小不一，目标与背景相近等识别难题，提出了一种复杂背景下多尺度蝗虫目标检测识别模型YOLO v5 CB，通过Cycle GAN扩充数据集，使用ConvNeXt提取特征，结合Bi-FPN结构进行特征融合，构建了复杂背景下的宁夏草原蝗虫检测模型，

四、实验效果（消融实验）

为了验证改进方案的有效性，需要通过消融实验进行对比分析，结果如表４所示。

模型１是YOLOv5网络；模型２是将YOLOv5的特征提取部分替换为ConvNeXt后得到的网络；模型３是将YOLOv5的特征融合部分替换为ＢｉＦＰＮ得到的网络；模型４是本文改进网络YOLOv5CB。

说明本文改进方法YOLOv5CB可更好地检测和识别多目标、尺度不一的蝗虫图像，提高蝗虫目标检测的准确性。

五、实验结论

在宁夏草原蝗虫检测识别时，本文改进模型YOLO v5 CB识别精确率为98.6％，召回率为96.6％，Ｆ１值为98％，平均精度均值为96.8％。与FasterRCNN、YOLO v3、YOLO v4、YOLO v5模型相比，本文改进网络模型对宁夏蝗虫具有更好的检测性能。

六、投稿期刊介绍

注：论文原文出自 马宏兴、张　淼、董凯兵、魏淑花、张　蓉、王顺霞；基于改进YOLO v5的宁夏草原蝗虫识别模型研究；农业机械学报.

解读的系列文章，本人已进行创新点代码复现。