基于YOLOv5改進(jìn)的咖啡葉片病蟲(chóng)害檢測(cè)研究

賀壹婷 藺瑤 曾晏林 費(fèi)加杰 黎強(qiáng) 楊毅

摘要 為準(zhǔn)確識(shí)別自然條件下的咖啡葉片病蟲(chóng)害，提出一種基于YOLOv5改進(jìn)的目標(biāo)檢測(cè)算法。該方法通過(guò)在主干網(wǎng)絡(luò)融入ConvNext網(wǎng)絡(luò)和ECA注意力機(jī)制來(lái)優(yōu)化相關(guān)網(wǎng)絡(luò)模型，提高了網(wǎng)絡(luò)特征提取能力，更好解決了魯棒性差和對(duì)遮擋目標(biāo)與小目標(biāo)的漏檢問(wèn)題。結(jié)果表明，該方法的檢測(cè)精度均值（mAP）達(dá)到了94.13%，檢測(cè)速度和精度都具有良好效果，同時(shí)模型大小只有17.2 MB，可以滿(mǎn)足邊緣設(shè)備的運(yùn)行條件。因此，改進(jìn)后的YOLOv5算法可為自然環(huán)境下咖啡葉片病蟲(chóng)害識(shí)別提供技術(shù)支撐，滿(mǎn)足實(shí)時(shí)目標(biāo)檢測(cè)的實(shí)際應(yīng)用需求。

關(guān)鍵詞 咖啡病蟲(chóng)害；YOLOv5；ECA注意力機(jī)制；ConvNext網(wǎng)絡(luò)；改進(jìn)YOLO

中圖分類(lèi)號(hào) S-058? 文獻(xiàn)標(biāo)識(shí)碼 A? 文章編號(hào) 0517-6611（2023）13-0221-06

doi：10.3969/j.issn.0517-6611.2023.13.049

Improved Detection of Coffee Leaf Diseases and Insect Pests Based on YOLOv5

HE Yi-ting，LIN Yao，ZENG Yan-lin et al

（School of Big Data， Yunnan Agricultural University， Kunming， Yunnan? 650201）

Abstract In order to accurately identify the diseases and pests of coffee leaves under natural conditions， we proposed an improved target detection algorithm based on YOLOv5. We optimized the relevant network model by integrating ConvNext network and ECA attention mechanism into the backbone network， improved the network feature extraction ability， and better solved the problems of poor robustness and missing detection of occluded targets and small targets. The results showed that the mean value of detection accuracy （mAP） of the method reached 94.13%， and the detection speed and accuracy were good. At the same time， the model size was only 17.2 MB， which could meet the operating conditions of edge devices. Therefore， the improved YOLOv5 algorithm could provide technical support for disease and pest identification of coffee leaves in natural environment， and met the practical application requirements of real-time target detection.

Key words Coffee pests and diseases;YOLOv5;ECA attention mechanism;ConvNext network;Improving YOLO

基金項(xiàng)目 云南省重大科技專(zhuān)項(xiàng)：云果數(shù)字化關(guān)鍵技術(shù)研發(fā)與應(yīng)用示范（202002AE09001002）。

作者簡(jiǎn)介 賀壹婷（1997—），女，河北邢臺(tái)人，碩士研究生，研究方向：智能計(jì)算和深度學(xué)習(xí)。通信作者，教授，從事智能計(jì)算、深度學(xué)習(xí)、數(shù)據(jù)庫(kù)應(yīng)用研究。

收稿日期 2022-10-21；修回日期 2023-03-09

咖啡作為農(nóng)產(chǎn)品在實(shí)際種植中始終無(wú)法避免病蟲(chóng)的危害，植物葉部病害一直制約著農(nóng)作物的產(chǎn)量和質(zhì)量，病蟲(chóng)害問(wèn)題不僅會(huì)影響種植效果，還容易造成減產(chǎn)，每年咖啡因病蟲(chóng)害造成的產(chǎn)量損失約為17%［1］。傳統(tǒng)的機(jī)器學(xué)習(xí)算法在檢測(cè)精度、檢測(cè)效率和泛化能力等方面已無(wú)法滿(mǎn)足實(shí)際要求，因此該研究提出基于YOLOv5改進(jìn)的咖啡葉片病蟲(chóng)害識(shí)別方法，通過(guò)提取咖啡葉片的圖像特征進(jìn)行訓(xùn)練分析，進(jìn)而發(fā)現(xiàn)病蟲(chóng)害位置及種類(lèi)，比傳統(tǒng)目標(biāo)檢測(cè)算法在檢測(cè)速度和精度等方面都得到了較大提升，在一定程度上推動(dòng)了咖啡種植領(lǐng)域的現(xiàn)代信息化發(fā)展。

國(guó)內(nèi)外針對(duì)自然環(huán)境下病蟲(chóng)害識(shí)別問(wèn)題提出許多解決方法，目前基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法可以分為One-stage和Two-stage ［2-4］。One-stage檢測(cè)器有較高的推理速度，不需要區(qū)域建議步長(zhǎng)，如YOLO、SSD等可用于實(shí)時(shí)設(shè)備。Two-stage檢測(cè)器將問(wèn)題劃分為2個(gè)階段，先進(jìn)行區(qū)域生成，然后通過(guò)卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選區(qū)域分類(lèi)，具有較高的定位和目標(biāo)識(shí)別精度，如FPN，SPPNet，R-FCN等。徐會(huì)杰等［5］提出采用Darknet-53 作為特征提取網(wǎng)絡(luò)，將特征圖進(jìn)行拼接，利用K-means++聚類(lèi)算法選取先驗(yàn)框匹配到不同檢測(cè)層進(jìn)行目標(biāo)識(shí)別。劉芳［6］提出基于YOLOv5 的柑橘圖像目標(biāo)檢測(cè)方法，引入Mosaic 增強(qiáng)數(shù)據(jù)，同時(shí)優(yōu)化邊框損失函數(shù)，加速網(wǎng)絡(luò)收斂，提高檢測(cè)精度。黃彤鑌等［7］融入CBAM注意力機(jī)制模塊和α- IoU損失函數(shù)，改善了對(duì)小目標(biāo)物體漏檢、誤檢的情況。楊福增等［8］通過(guò)CenterNet模型，優(yōu)化Hourglass網(wǎng)絡(luò)的殘差結(jié)構(gòu)，不使用錨框和NMS 后處理，減少了網(wǎng)絡(luò)參數(shù)，更適用于密集場(chǎng)景下多蘋(píng)果目標(biāo)的識(shí)別；李子茂等［9］提出融合Inception模塊消除葉片背景影響因素并結(jié)合Faster R-CNN對(duì)月季多葉片進(jìn)行病蟲(chóng)害檢測(cè)研究。劉凱旋等［10］使用特征金字塔、軟非極大值抑制和感性興趣區(qū)域校準(zhǔn)優(yōu)化級(jí)聯(lián) R-CNN識(shí)別了5種常見(jiàn)的水稻害蟲(chóng)，提高了小目標(biāo)的檢測(cè)精度。王遠(yuǎn)志等［11］基于Faster R-CNN網(wǎng)絡(luò)模型，進(jìn)行HSV顏色空間轉(zhuǎn)換及Retinex算法處理，對(duì)3種蘋(píng)果葉部病害識(shí)別。這些方法由于針對(duì)特定環(huán)境檢測(cè)的自身局限性，導(dǎo)致在復(fù)雜背景環(huán)境下病斑相似性的葉片識(shí)別效果較差，大多針對(duì)靜態(tài)圖片的單葉片病蟲(chóng)害分類(lèi)，并且優(yōu)化后的模型所占內(nèi)存空間資源較大。

鑒于此，筆者提出一種基于YOLOv5的改進(jìn)咖啡病蟲(chóng)害識(shí)別方法，通過(guò)將ConvNext融入主干網(wǎng)絡(luò)，并加入ECA注意力機(jī)制模塊增強(qiáng)網(wǎng)絡(luò)提取圖像特征的能力，加速網(wǎng)絡(luò)收斂，可以使咖啡葉片病蟲(chóng)害高精度識(shí)別；通過(guò)及時(shí)發(fā)現(xiàn)病蟲(chóng)害種類(lèi)，從而降低其造成的損失，提升咖啡種植效果，推動(dòng)相關(guān)產(chǎn)業(yè)的健康發(fā)展。

1 相關(guān)工作

1.1 數(shù)據(jù)采集

試驗(yàn)采集地為云南省普洱咖啡種植基地，于2021年12月上旬通過(guò)尼康D3500套機(jī)（AF 70-300 mm）采集了咖啡葉片圖像。為保證獲取葉片的完整視野，相機(jī)與樹(shù)冠距離最少0.5～2.0 m。選擇在不同的方向、位置拍攝咖啡葉片照片，拍攝時(shí)間為09：00—17：00，包括各種順光和逆光環(huán)境下的圖像，共收集1 288張咖啡葉片照片。采集不同咖啡葉片的視頻存為MP4格式，分辨率為1 920×1 080，視頻幀率為25幀/s。部分采集圖片示例如圖1所示，可以看到在復(fù)雜背景環(huán)境下，咖啡葉片之間存在重疊、遮擋的現(xiàn)象，導(dǎo)致在自然環(huán)境下對(duì)咖啡葉片病蟲(chóng)害的識(shí)別存在較大難度。

1.2 數(shù)據(jù)集準(zhǔn)備

以發(fā)病概率較高的5種咖啡病蟲(chóng)害（炭疽病、綠階、煤污病、銹病、褐斑?。檠芯繉?duì)象，建立圖像數(shù)據(jù)集。對(duì)獲取的數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗、重命名、去重，使用labelImg軟件對(duì)5種咖啡葉片病蟲(chóng)害進(jìn)行邊界框標(biāo)注，標(biāo)注時(shí)將病蟲(chóng)害目標(biāo)區(qū)域的最小外接矩形框作為真實(shí)框，處于圖像模糊處的病蟲(chóng)害不進(jìn)行標(biāo)注。為得到更好的訓(xùn)練效果，使訓(xùn)練的模型具有更好的魯棒性，通過(guò)隨機(jī)裁剪，亮度增強(qiáng)，90°、180°、270°翻轉(zhuǎn)等方式對(duì)圖片進(jìn)行數(shù)據(jù)增強(qiáng)，擴(kuò)充數(shù)據(jù)集至3 864張。按照8∶2比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集，進(jìn)行模型訓(xùn)練。圖2為數(shù)據(jù)增強(qiáng)后的部分圖片。

2 試驗(yàn)方法

2.1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5是一種單精度目標(biāo)檢測(cè)算法，采用One-stage結(jié)構(gòu)，通過(guò)特征提取、特征加強(qiáng)、預(yù)測(cè)特征點(diǎn)對(duì)應(yīng)的物體情況，在數(shù)據(jù)集上可快速收斂，模型可定制性強(qiáng)，速度與精度相比于YOLOv4得到了很大提升。YOLOv5可以分為主干網(wǎng)絡(luò)、特征網(wǎng)絡(luò)和輸出端3個(gè)部分［9，12-14］。

Backbone是YOLOv5的主干特征提取網(wǎng)絡(luò)，被稱(chēng)為CSPDarknet，骨干網(wǎng)作為目標(biāo)檢測(cè)任務(wù)的基本特征提取器，以圖像作為輸入，輸出相應(yīng)輸入圖像的特征圖［15-17］。輸入的圖片在主干網(wǎng)絡(luò)進(jìn)行特征提取，提取到的特征稱(chēng)作特征層，根據(jù)獲取的3個(gè)有效特征層進(jìn)行下一步網(wǎng)絡(luò)的構(gòu)建。

FPN是YOLOv5的加強(qiáng)特征提取網(wǎng)絡(luò)，將主干部分獲得的有效特征層進(jìn)行特征融合，特征融合的目的是結(jié)合不同尺度的特征信息［18］。在FPN部分，用獲得的有效特征層提取特征，使用Panet的結(jié)構(gòu)對(duì)特征進(jìn)行上采樣和下采樣實(shí)現(xiàn)特征融合。

YOLO Head是YOLOv5的分類(lèi)器與回歸器，對(duì)特征點(diǎn)進(jìn)行判斷，判斷特征點(diǎn)是否有物體與其對(duì)應(yīng)，通過(guò)獲得的有效特征層的寬、高和通道數(shù)，將特征圖看作特征點(diǎn)的集合，每一個(gè)特征點(diǎn)都有通道個(gè)數(shù)特征。分類(lèi)和回歸在一個(gè)1×1卷積里實(shí)現(xiàn)［19］。

YOLO系列中的YOLOv5使用mosaic增強(qiáng)提升小物體檢測(cè)性能，通過(guò)領(lǐng)域的正樣本錨匹配策略增加正樣本，具有檢測(cè)精度高、速度快等優(yōu)勢(shì)。相比于其他網(wǎng)絡(luò)，YOLOv5在輸入端通過(guò)縮放、色彩空間調(diào)整等方式進(jìn)行數(shù)據(jù)增強(qiáng)，并通過(guò)隨機(jī)縮放、裁剪、排布的方式進(jìn)行拼接，可以豐富檢測(cè)目標(biāo)的背景并且提高檢測(cè)結(jié)果；在訓(xùn)練時(shí)，重新自動(dòng)學(xué)習(xí)錨定框的尺寸，通過(guò)最佳自適應(yīng)錨框算法，完成從原始圖像輸入到物體位置和類(lèi)別輸出。YOLOv5模型如圖3所示。

2.2 ConvNext網(wǎng)絡(luò)

ConvNext網(wǎng)絡(luò)通過(guò)Mixup、CutMix、RandAugment等方式進(jìn)行數(shù)據(jù)擴(kuò)增，優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，使訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)模型效果達(dá)到更好的效果。

使用Inverted bottleneck（反瓶頸結(jié)構(gòu)）將深度卷積放在反瓶頸的開(kāi)頭，由1x1 conv->depthwise conv->1x1 conv變成depthwise conv->1x1 conv->1x1 conv。將每個(gè)階段的卷積塊的比例調(diào)整到 1∶1∶3∶1，最終得到的卷積塊數(shù)是（3，3，9，3），同時(shí)引入了分組卷積的思想，其將3x3 卷積替換成了3x3的分組卷積，有效減少了參數(shù)量，基礎(chǔ)通道數(shù)增至96，利用7x7的卷積核，減少激活層數(shù)量，使準(zhǔn)確率得到大幅度提高。同時(shí)使用高斯誤差線(xiàn)性單元激活函數(shù)GELU，只在block中的2個(gè)1x1卷積之間使用一層激活層。僅在第1個(gè)1x1卷積之前添加了1個(gè)歸一化，更多的歸一化操作對(duì)模型效果提升并沒(méi)有幫助。將降采樣層換成卷積核大小為4，步距為4的卷積層再加最大池化層，在深度卷積中讓分組數(shù)等于輸入通道數(shù)，使模型復(fù)雜度以及準(zhǔn)確率之間做到了更好的平衡。ConvNext網(wǎng)絡(luò)在降采樣前后和全局均值池化之后各加入1個(gè)LN，這些歸一化用來(lái)保持模型的穩(wěn)定性。通過(guò)增加隨機(jī)深度，標(biāo)簽平滑，EMA（指數(shù)滑動(dòng)平均）等正則策略防止過(guò)擬合。激活函數(shù)的形式為

xP（X≤x）=xΦ（x）

Φ（x）是x的高斯正態(tài)分布的累積分布，如下：

xP（X≤x）=x∫x-∞e（X-μ）22σ22πσdX

計(jì)算結(jié)果約為：

0.5x（1+tanh［2π（x+0.044 715x3）］）

GELU函數(shù)為：

GELU（x）=0.5x（1+tanh（2/π（x+0.044 715x3）））

2.3 ECA注意力機(jī)制

注意力機(jī)制能從大量的信息中篩選出重要的信息，可以硬性選擇輸入的某些部分，或者給輸入的不同部分分配不同的權(quán)重［16，20］。目前注意力機(jī)制主要分為空間注意力機(jī)制和通道注意力機(jī)制，兩者目標(biāo)用于捕獲成對(duì)的像素級(jí)關(guān)系和通道間依賴(lài)關(guān)系，也有混合維度（CBAM）在空間維度和通道維度增加注意力機(jī)制。

深度卷積神經(jīng)網(wǎng)絡(luò)的ECA模塊，是即插即用的模塊，通過(guò)不降維的局部跨信道交互策略和自適應(yīng)選擇一維卷積核大小的方法，有效捕獲跨通道交互的信息，獲得明顯的性能增益［21］。圖4是ECA模塊示意圖。

ECA利用如下矩陣來(lái)學(xué)習(xí)通道注意力：

w1，1…w1，k00……0

0w2，2…w2，k+10……0

0…00…wC，C-k+1…wC，C

對(duì)于SE-Net，主要步驟為擠壓、激勵(lì)、注意，特征點(diǎn)會(huì)經(jīng)過(guò)一個(gè)全局池化層，該池化層會(huì)經(jīng)過(guò)一個(gè)卷積得到一個(gè)數(shù)值，用來(lái)加權(quán)通道的權(quán)重。SENet中的降維不可避免地增加了一些參數(shù)和計(jì)算量，并且捕獲所有通道之間的依存關(guān)系是沒(méi)有必要的，ECA能夠很好地替換掉SE，甚至可以達(dá)到更好的效果。ECA模塊由非線(xiàn)性自適應(yīng)確定的一維卷積組成，用一維卷積來(lái)完成跨通道間的信息交互，通過(guò)考慮每個(gè)通道及其k個(gè)鄰居來(lái)避免維度縮減，在全局平均池化層之后用1x1卷積替換了全連接層，有效捕獲了局部跨通道交互信息，只涉及少數(shù)參數(shù)就能達(dá)到很好的效果。在不降低維數(shù)的通道級(jí)全局平均池化之后，保證了模型效率和計(jì)算效果。卷積核的大小通過(guò)自適應(yīng)函數(shù)使得通道數(shù)較大的層可以更多地進(jìn)行跨通道交互獲得更多的信息。自適應(yīng)函數(shù)為：

k=log2（C）γ+bγ

式中，γ=2，b=1。

2.4 ECA_ConvNext_YOLO目標(biāo)檢測(cè)算法

為解決YOLOv5模型中存在小目標(biāo)檢測(cè)準(zhǔn)確度較低等問(wèn)題，該研究通過(guò)mosaic數(shù)據(jù)增強(qiáng)、優(yōu)化相關(guān)網(wǎng)絡(luò)模型，主干網(wǎng)絡(luò)融入ConvNext網(wǎng)絡(luò)和ECA注意力機(jī)制，從而增強(qiáng)網(wǎng)絡(luò)提取圖像特征的能力，加強(qiáng)對(duì)咖啡病蟲(chóng)害的檢測(cè)。

經(jīng)過(guò)優(yōu)化后的模型可以實(shí)現(xiàn)更少次數(shù)收斂迭代，節(jié)省時(shí)間并且提高效率?？Х热~片病蟲(chóng)害的小目標(biāo)特征信息像素點(diǎn)數(shù)目少、語(yǔ)義信息有限，在深層網(wǎng)絡(luò)中易丟失，可能會(huì)引起YOLOv5模型對(duì)小目標(biāo)的漏檢和誤檢。將數(shù)據(jù)增強(qiáng)之后的咖啡葉片數(shù)據(jù)集進(jìn)行resize，統(tǒng)一輸入照片圖片像素為640×640，通過(guò)ECA注意力模塊實(shí)現(xiàn)通道之間的信息交互，結(jié)合ConvNext網(wǎng)絡(luò)使深度卷積分組數(shù)等于輸入通道數(shù)，使用Inverted-bottleneck（反瓶頸結(jié)構(gòu)）將深度卷積模塊放在最上面，能在網(wǎng)絡(luò)訓(xùn)練過(guò)程中加強(qiáng)對(duì)咖啡葉片病蟲(chóng)害的點(diǎn)特征、線(xiàn)特征等特征信息并且增大目標(biāo)在整張?zhí)卣鲌D中的權(quán)重的學(xué)習(xí)，用一維卷積捕捉跨通道信息交互的方法，克服性能和復(fù)雜性之間的矛盾。圖5為優(yōu)化后的ECA_ConvNext_YOLO算法的主干網(wǎng)路示意圖。

3 結(jié)果與分析

3.1 試驗(yàn)運(yùn)行平臺(tái)

試驗(yàn)基于Pytorch深度學(xué)習(xí)框架，試驗(yàn)室服務(wù)器的主要配置如下：訓(xùn)練使用的CPU型號(hào)是Intel Core i9-10900KF，GPU型號(hào)是NVIDIA GeForce RTX 3080，64 GB運(yùn)行內(nèi)存，在Windows 10系統(tǒng)上用CUDA 11.1和CUDNN 8.0搭建環(huán)境，在Pycharm 2018上使用Pytorch 1.9.0框架和Python 3.6語(yǔ)言編程訓(xùn)練和測(cè)試。

3.2 網(wǎng)絡(luò)訓(xùn)練

對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，使用整個(gè)網(wǎng)絡(luò)最后1層的特征圖來(lái)進(jìn)行預(yù)測(cè)。網(wǎng)絡(luò)訓(xùn)練總迭代次數(shù)為100輪，初始學(xué)習(xí)率設(shè)置為0.01，迭代批量大小為16，訓(xùn)練的過(guò)程相當(dāng)于最小化損失函數(shù)。在迭代次數(shù)達(dá)到100次時(shí)，模型開(kāi)始收斂，改進(jìn)后的YOLOv5模型收斂更加快速，最終精度較高。

3.3 評(píng)價(jià)指標(biāo)

為選取最優(yōu)模型，通過(guò)mAP（平均精度均值）和檢測(cè)一張圖像所用時(shí)間（Detection time）衡量檢測(cè)效果，對(duì)模型的性能綜合評(píng)價(jià)。mAP是各類(lèi)別的平均值，用于衡量目標(biāo)檢測(cè)算法的性能，PR曲線(xiàn)中，P為precision，R為recall，N是檢測(cè)樣本類(lèi)別數(shù)量［22-23］。計(jì)算公式如下所示。

mAP=Nk=1PRN

圖6為5種病在自然環(huán)境下視頻中的檢測(cè)效果。

3.4 改進(jìn)模型的檢測(cè)效果

為驗(yàn)證改進(jìn)后的YOLOv5模型是否有更好的效果，訓(xùn)練過(guò)程使用相同的參數(shù)配置，分別用YOLOv5模型與ECA_ConvNext_YOLO模型對(duì)含有5種咖啡葉片病蟲(chóng)害的數(shù)據(jù)集進(jìn)行訓(xùn)練分析，識(shí)別自然環(huán)境下視頻中病蟲(chóng)害的平均精度。圖7為YOLOv5與ECA_ConvNext_YOLO在迭代次數(shù)為100次的曲線(xiàn)對(duì)比。由圖7可知，在迭代次數(shù)為100次時(shí)，YOLOv5和該研究?jī)?yōu)化算法的mAP值對(duì)比，結(jié)果表明該研究?jī)?yōu)化后的網(wǎng)絡(luò)模型通過(guò)遷移學(xué)習(xí)具有更好的識(shí)別效果和更快速的收斂過(guò)程，可為自然環(huán)境下咖啡葉片病蟲(chóng)害識(shí)別提供技術(shù)支撐，滿(mǎn)足實(shí)際應(yīng)用需求。

3.5 不同算法類(lèi)型對(duì)比

為了判斷該研究改進(jìn)的有效性，在相同的數(shù)據(jù)集和相同的配置環(huán)境下與SSD（MobileNet base）、YOLOv5先進(jìn)模型進(jìn)行比較，列舉3種模型的模型大小、平均精度和檢測(cè)時(shí)間，更加直觀比較改進(jìn)前后模型檢測(cè)效果的差異，效果對(duì)比如表1所示。

結(jié)果表明，與其他網(wǎng)絡(luò)模型相比，ConvNext_ECA_YOLO模型在檢測(cè)速度和精度等方面有了明顯的改善，同時(shí)也在模型大小與識(shí)別的平均精度之間取得了良好的平衡，可以滿(mǎn)足在復(fù)雜背景下通過(guò)邊緣設(shè)備對(duì)農(nóng)作物葉片病蟲(chóng)害實(shí)時(shí)檢測(cè)的需求。

4 結(jié)論

該研究針對(duì)在自然環(huán)境下對(duì)咖啡葉片病蟲(chóng)害識(shí)別的檢測(cè)任務(wù)，提出一種基于YOLOv5改進(jìn)模型的輕量級(jí)目標(biāo)檢測(cè)方法。通過(guò)將自然環(huán)境下拍攝的咖啡葉片圖像進(jìn)行數(shù)據(jù)增強(qiáng)，解決數(shù)據(jù)樣本不平衡會(huì)影響模型的性能問(wèn)題。主干網(wǎng)絡(luò)融入ConvNext網(wǎng)絡(luò)和ECA注意力機(jī)制，提高了模型網(wǎng)絡(luò)對(duì)特征信息的提取能力，實(shí)現(xiàn)病蟲(chóng)害的視頻檢測(cè)，對(duì)小目標(biāo)物體識(shí)別的誤檢、漏檢情況有明顯改進(jìn)。結(jié)果表明，優(yōu)化后的模型的平均精度達(dá)到94.13%，平均檢測(cè)1張圖片時(shí)間為0.018 s，平均精度相比于SSD（MobileNet base）模型和YOLOv5模型分別提高了8.06%、3.53%，訓(xùn)練后的模型大小僅有17.2 M。

該研究提出的輕量級(jí)神經(jīng)網(wǎng)絡(luò)占用更少的參數(shù)內(nèi)存，具有更好識(shí)別效果和更快速收斂過(guò)程，適合移植到各種便攜式的可移動(dòng)平臺(tái)，通過(guò)預(yù)訓(xùn)練好的權(quán)重即可實(shí)現(xiàn)在邊緣設(shè)備執(zhí)行本地在線(xiàn)識(shí)別，更好地解決了帶寬受限或延遲高等外界因

素導(dǎo)致的識(shí)別錯(cuò)誤問(wèn)題。

該研究所使用的數(shù)據(jù)集包含的類(lèi)別較少，在今后的研究中可以增加咖啡葉片病蟲(chóng)害的種類(lèi)以擴(kuò)充數(shù)據(jù)集，制定更多的評(píng)價(jià)指標(biāo)，實(shí)現(xiàn)精度的進(jìn)一步提升。

參考文獻(xiàn)

［1］ 付興飛，胡發(fā)廣，程金煥，等.七種種植模式下小?？Х炔∠x(chóng)害調(diào)查［J］.熱帶農(nóng)業(yè)科學(xué)，2021，41（9）：74-81.

［2］ 呂璐，程虎，朱鴻泰，等.基于深度學(xué)習(xí)的目標(biāo)檢測(cè)研究與應(yīng)用綜述［J］.電子與封裝，2022，22（1）：72-80.

［3］ 耿創(chuàng)，宋品德，曹立佳.YOLO算法在目標(biāo)檢測(cè)中的研究進(jìn)展［J］.兵器裝備工程學(xué)報(bào)，2022，43（9）：162-173.

［4］ 李偉強(qiáng)，王東，寧政通，等.計(jì)算機(jī)視覺(jué)下的果實(shí)目標(biāo)檢測(cè)算法綜述［J］.計(jì)算機(jī)與現(xiàn)代化，2022（6）：87-95.

［5］ 徐會(huì)杰，黃儀龍，劉曼.基于改進(jìn)YOLOv3模型的玉米葉片病蟲(chóng)害檢測(cè)與識(shí)別研究［J］.南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，45（6）：1276-1285.

［6］ 劉芳.基于YOLOV5的柑橘果實(shí)目標(biāo)檢測(cè)研究［J］.信息與電腦（理論版），2022，34（2）：152-154.

［7］ 黃彤鑌，黃河清，李震，等.基于YOLOv5改進(jìn)模型的柑橘果實(shí)識(shí)別方法［J］.華中農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（4）：170-177.

［8］ 楊福增，雷小燕，劉志杰，等.基于CenterNet的密集場(chǎng)景下多蘋(píng)果目標(biāo)快速識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（2）：265-273.

［9］ 李子茂，劉戀冬，夏夢(mèng)，等.基于深度學(xué)習(xí)的月季多葉片病蟲(chóng)害檢測(cè)研究［J］.中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2021，42（8）：169-176.

［10］ 劉凱旋，黃操軍，李亞鵬，等.一種基于級(jí)聯(lián)R-CNN的水稻害蟲(chóng)檢測(cè)算法［J］.黑龍江八一農(nóng)墾大學(xué)學(xué)報(bào)，2021，33（5）：106-111，134.

［11］ 王遠(yuǎn)志，施子珍，張艷紅.改進(jìn)的Faster R-CNN用于蘋(píng)果葉部病害檢測(cè)［J］.安慶師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，28（2）：26-30.

［12］ 劉君，王學(xué)偉.基于YOLO的番茄病蟲(chóng)害識(shí)別算法［J］.中國(guó)瓜菜，2020，33（9）：18-22，38.

［13］ 宋懷波，王亞男，王云飛，等.基于YOLO v5s的自然場(chǎng)景油茶果識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（7）：234-242.

［14］ 侯學(xué)良，單騰飛，薛靖國(guó).深度學(xué)習(xí)的目標(biāo)檢測(cè)典型算法及其應(yīng)用現(xiàn)狀分析［J］.國(guó)外電子測(cè)量技術(shù)，2022，41（6）：165-174.

［15］ 張志遠(yuǎn)，羅銘毅，郭樹(shù)欣，等.基于改進(jìn)YOLO v5的自然環(huán)境下櫻桃果實(shí)識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（S1）：232-240.

［16］ 王卓，王健，王梟雄，等.基于改進(jìn)YOLO v4的自然環(huán)境蘋(píng)果輕量級(jí)檢測(cè)方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（8）：294-302.

［17］ 梁勇，邱榮洲，李志鵬，等.基于YOLO v5和多源數(shù)據(jù)集的水稻主要害蟲(chóng)識(shí)別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（7）：250-258.

［18］ 劉洪濤，孫杰，王成松，等.基于改進(jìn)YOLO的邊緣設(shè)備實(shí)時(shí)目標(biāo)檢測(cè)算法研究［J］.齊齊哈爾大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，38（5）：6-10.

［19］ 劉瓔瑛，曹晅，郭彬彬，等.基于改進(jìn)YOLO v5復(fù)雜場(chǎng)景下肉鵝姿態(tài)的檢測(cè)算法研究［J］.南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2023，46（3）：606-614.

［20］ 晁曉菲，池敬柯，張繼偉，等.基于PSA-YOLO網(wǎng)絡(luò)的蘋(píng)果葉片病斑檢測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（8）：329-336.

［21］ TIAN Y N，YANG G D，WANG Z，et al.Apple detection during different growth stages in orchards using the improved YOLO-V3 model［J］.Computers and electronics in agriculture，2019，157：417-426.

［22］ KUZNETSOVA A，MALEVA T，SOLOVIEV V.Detecting apples in orchards using YOLOv3 and YOLOv5 in general and close-up images［C］//HAN M，QIN S T，ZHANG N.Advances in neural networks_ISNN2020：17th international symposium on neural networks.Cham：Springer International Publishing，2020：233-243.

［23］ LIU J，WANG X W.Tomato diseases and pests detection based on improved Yolo V3 convolutional neural network［J］.Frontiers in plant science，2020，11：1-12.