基于改進YOLOv5 模型的農作物病斑圖像自動標注

馬文寶，田芳明，譚峰

（黑龍江八一農墾大學信息與電氣工程學院，大慶 163319）

人工智能正在改變著人類的生活，深度學習作為人工智能的一個應用方向，成為過去十年該研究領域取得的關鍵性成就之一，其在計算機視覺、圖像處理、語音分析識別和自然語言處理等場景下都取得了極大的突破[1-2]。例如，馬曉丹[3]采用神經網絡實現了大豆葉片病斑區域的識別，識別準確率達到100%，證明了神經網絡對農作物病斑識別的可行性，同時為水稻、玉米等農作物的葉片病斑識別提供理論依據。劉凱旋[4]設計了一種基于級聯R-CNN 的水稻害蟲檢測算法，算法使用了2 855 張照片，使用labelImg 標注水稻害蟲類別和位置后形成訓練集，然后進行模型訓練，最終多種害蟲檢測準確率平均值mAP 達到94.15%，檢測效果取得了較大提升。上述監督學習模型需要利用幾萬、甚至幾十萬張標注數據訓練模型，如ImageNet 用于物體分類的數據集，分為2 萬個類別，共1 400 萬張圖像[5]，Microsoft COCO用于物體分類的數據集共250 萬張圖像。這些數據集數量十分龐大，并且大多數都是靠手工標注的，如亞馬遜的眾包平臺亞馬遜土耳其機器人（AMT，Amazon mechanical turk）數據標注[6]。這種方式雖然為社會提供了就業機會，但是其標注成本高且效率低，存在費時耗力的問題。因此，如何提升標注效率，降低標注成本，成為研究人員進行深度學習研究所面臨的一個重要問題。針對上述問題，以農業圖像研究方向中水稻莖葉病斑標注為目標，提出基于YOLOv5 改進的圖像自動標注方法。……