Eadd-Yolo：改善された軽量Yolov5を使用したリンゴの葉の効率的で正確な疾患検出器

はじめに：リンゴの葉疾患の現在の検出方法は、農業における実際的な用途を制限する小さな密度の高いスポットのパラメーターの数、低い検出速度、低密度の高い検出性能など、いくつかの課題に苦しんでいます。したがって、Yolov5に基づくリンゴ葉疾患の検出の効率的で正確なモデルが提案され、Eadd-Yoloと名付けられました。 方法：EADD-YOLOでは、軽量のシャッフレネット反転残留モジュールを使用してバックボーンネットワークを再構築し、深度畳み込みを通じて設計された効率的な機能学習モジュールが提案され、ネックネットワークに導入されます。目的は、特徴抽出と特徴融合中のパラメーターの数と浮動操作ポイント（FLOPS）を減らすことであり、したがって、検出性能への影響が少なく、ネットワークの運用効率を高めることです。さらに、座標注意モジュールは、ネットワークの重要な位置に埋め込まれて、重要なスポット情報を選択し、さまざまなシーンのさまざまなサイズの疾患の検出精度を強化するための役に立たない情報を抑制します。さらに、SIOUの損失は、予測ボックスのローカリゼーションの精度を改善するために、境界ボックス回帰損失関数としてCIOU損失を置き換えます。 結果：実験結果は、提案された方法が、平均平均精度で95.5％の検出性能を達成し、Apple Leaf Disease Dataset（ALDD）で1秒あたり625フレーム（FPS）の速度を達成できることを示しています。ALDDに関する最新の研究方法と比較して、提案された方法の検出精度と速度は、それぞれ12.3％と596 FPSの速度を改善しました。さらに、提案された方法のパラメーター量とフロップは、他の関連する一般的なアルゴリズムよりもはるかに少なかった。 議論：要約すると、提案された方法は満足のいく検出効果があるだけでなく、既存のアプローチと比較してパラメーターが少なく、計算効率が少ない。したがって、提案された方法は、リンゴ葉疾患の早期診断のための高性能ソリューションを提供し、農業ロボットに適用できます。コードリポジトリは、https：//github.com/awanwy/eadd-yoloでオープンソーリングされています。

INTRODUCTION: Current detection methods for apple leaf diseases still suffer some challenges, such as the high number of parameters, low detection speed and poor detection performance for small dense spots, which limit the practical applications in agriculture. Therefore, an efficient and accurate model for apple leaf disease detection based on YOLOv5 is proposed and named EADD-YOLO. METHODS: In the EADD-YOLO, the lightweight shufflenet inverted residual module is utilized to reconstruct the backbone network, and an efficient feature learning module designed through depthwise convolution is proposed and introduced to the neck network. The aim is to reduce the number of parameters and floating point of operations (FLOPs) during feature extraction and feature fusion, thus increasing the operational efficiency of the network with less impact on detection performance. In addition, the coordinate attention module is embedded into the critical locations of the network to select the critical spot information and suppress useless information, which is to enhance the detection accuracy of diseases with various sizes from different scenes. Furthermore, the SIoU loss replaces CIoU loss as the bounding box regression loss function to improve the accuracy of prediction box localization. RESULTS: The experimental results indicate that the proposed method can achieve the detection performance of 95.5% on the mean average precision and a speed of 625 frames per second (FPS) on the apple leaf disease dataset (ALDD). Compared to the latest research method on the ALDD, the detection accuracy and speed of the proposed method were improved by 12.3% and 596 FPS, respectively. In addition, the parameter quantity and FLOPs of the proposed method were much less than other relevant popular algorithms. DISCUSSION: In summary, the proposed method not only has a satisfactory detection effect, but also has fewer parameters and high calculation efficiency compared with the existing approaches. Therefore, the proposed method provides a high-performance solution for the early diagnosis of apple leaf disease and can be applied in agricultural robots. The code repository is open-sourced at https://github.com/AWANWY/EADD-YOLO.