YOLOv5 기반의 자연 장면에서 사과 잎 질병의 실시간 탐지

복잡한 배경의 자연 장면에서 다중 스케일과 다양한 형태의 사과 잎 질병을 정확하게 위치 지정하고 식별하는 문제를 목표로 하여, 본 연구에서는 개선된 YOLOv5s 모델을 기반으로 한 사과 잎 질병 탐지 방법을 제안하였다. 우선, 모델은 양방향 특징 피라미드 네트워크(BiFPN)를 활용하여 효율적으로 다중 스케일 특징 융합을 수행하였다. 다음으로, 트랜스포머와 컨볼루션 블록 주의 모듈(CBAM) 주의 메커니즘을 추가하여 무효 배경 정보로 인한 간섭을 줄이고 질병 특성의 표현 능력을 향상시켜 모델의 정확도와 재현율을 증가시켰다. 실험 결과 제안된 BTC-YOLOv5s 모델(모델 크기 15.8M)은 자연 장면에서 네 가지 유형의 사과 잎 질병을 효과적으로 탐지할 수 있으며, 평균 평균 정확도(mAP)는 84.3%였다. 옥타 코어 CPU를 사용하여 모델은 초당 평균 8.7장의 잎 이미지를 처리할 수 있었다. SSD, Faster R-CNN, YOLOv4-tiny 및 YOLOx의 클래식 탐지 모델과 비교할 때, 제안된 모델의 mAP는 각각 12.74%, 48.84%, 24.44% 및 4.2% 증가하여 더 높은 탐지 정확도와 더 빠른 탐지 속도를 제공하였다. 또한, 제안된 모델은 밝은 조명, 어두운 조명 및 흐릿한 이미지와 같은 강한 노이즈 조건에서도 80%를 초과하는 mAP를 나타내어 강력한 강건성을 보여주었다. 결론적으로 새로운 BTC-YOLOv5s는 경량화되고 정확하며 효율적인 것으로 확인되어 모바일 장치에서의 적용에 적합하다. 제안된 방법은 사과 잎 질병의 조기 개입 및 치료를 위한 기술적 지원을 제공할 수 있다.