一種YOLOv5-DK的檸檬初期病蟲害檢測(cè)算法研究

摘要：為解決檸檬初期病蟲害特征部位小難以檢測(cè)和可以利用數(shù)據(jù)集較少的問(wèn)題，提出一種YOLOv5-DK檢測(cè)算法。該算法是以YOLOv5為基礎(chǔ)，采用K-Means++重新聚類檸檬初期蟲害部位錨框，緩解檸檬初期蟲害特征小的問(wèn)題；同時(shí)提出一種新的輕量化Denseneck-2模塊，該模塊是利用DenseNet網(wǎng)絡(luò)中復(fù)用的思想，讓檢測(cè)算法每一層輸入都有前面每一層的特征信息，使得YOLOv5-DK對(duì)檸檬初期病蟲害樣本量的需求下降。與原始的YOLOv5檢測(cè)算法相比較，新的YOLOv5-DK檢測(cè)算法在檢測(cè)的平均精度上面提高3.4%，漏檢率下降2.1%，算法模型的參數(shù)量減輕6.3%，表明該算法在小樣本和小目標(biāo)的應(yīng)用場(chǎng)景下性能更優(yōu)。

關(guān)鍵詞：檸檬；初期病蟲害；輕量化；小樣本；小目標(biāo)

中圖分類號(hào)：TP391.41; S432

文獻(xiàn)標(biāo)識(shí)碼： A

文章編號(hào)：20955553 （2024） 070249

06

Study on a YOLOv5-DK algorithm for lemon initial pests and diseases detection

Xiong Zhigang， Chen Weizhen

（1. School of Electrical and Electronic Engineering， Wuhan Polytechnic University， Wuhan， 430048， China）

Abstract：

In order to solve the problems that the characteristic parts of insect pests in the early stage of lemon were too small and difficult to detect along with the limited data sets， a YOLOv5-DK detection algorithm was proposed. The algorithm was based on YOLOv5， and adopted K-Means++ to re-cluster the anchor frame of the initial pest location of lemon， alleviating the problem of small pest characteristics at the initial stage of lemon. Meanwhile， a new lightweight Denseneck-2 module was proposed， which applied the idea of reuse in the DenseNet network， so that" the input of each layer of the detection algorithm had the characteristic information of each layer in front of it， which decreased the YOLOv5-DK demand on the initial sample volume of insect pests of lemons. The new YOLOv5-DK detection algorithm demonstrated higher competencies than the original one， including an increase of 3.4% in the average accuracy of detection， a decrease of 2.1% in the missed detection rate， and a reduction of 6.3% in the number of parameters of the algorithm model. These results showed that the algorithm performed better in the application of small samples and small targets.

Keywords：

lemon; initial pests and diseases; lightweight; small sample; small target

0 引言

在世界柑橘產(chǎn)業(yè)當(dāng)中，檸檬產(chǎn)量位居第三位，僅次于橙和寬皮橘，而檸檬里面富含的維生素C、D-檸檬烯、橙皮苷、檸檬酸等多種功能成分［1］，在抗壞血病促進(jìn)傷口愈合，預(yù)防衰老，預(yù)防心血管疾病，美白護(hù)膚等方面健康和藥用價(jià)值都很高。但是經(jīng)過(guò)調(diào)查發(fā)現(xiàn)在檸檬的生長(zhǎng)過(guò)程當(dāng)中，經(jīng)常會(huì)伴隨著一些害蟲的侵襲，導(dǎo)致檸檬的產(chǎn)量大大降低，檸檬的質(zhì)量大打折扣，對(duì)于種植戶和消費(fèi)者來(lái)說(shuō)都是一個(gè)很大的損失。因此對(duì)于病蟲害的準(zhǔn)確檢測(cè)至關(guān)重要。

對(duì)于病蟲害的檢測(cè)，最初是果農(nóng)們憑借肉眼去觀察蟲害葉片的癥狀，然后再去判斷具體的蟲害，這種方法不僅需要耗費(fèi)大量的人力與時(shí)間，同時(shí)還存在許多的經(jīng)驗(yàn)因素在里面。后來(lái)對(duì)病蟲害檢測(cè)主要采用人工設(shè)計(jì)特征的圖像識(shí)別方法，這種檢測(cè)難度較大而且還依靠運(yùn)氣［2］，并且還不能夠自動(dòng)從原始圖像中學(xué)習(xí)和提取特征［3］。近年來(lái)隨著信息化進(jìn)入農(nóng)業(yè)領(lǐng)域，對(duì)于各類作物病蟲害的檢測(cè)也由人工檢測(cè)轉(zhuǎn)變成了基于深度學(xué)習(xí)的識(shí)別與檢測(cè)。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法打破了人工檢測(cè)中經(jīng)驗(yàn)的壁壘，不僅能夠快速定位蟲害的方位，同時(shí)還有很高的檢測(cè)精度。

目前在深度學(xué)習(xí)領(lǐng)域，目標(biāo)檢測(cè)所使用的算法主要有兩類［4］，一種是基于回歸的One Stage單階段的檢測(cè)算法，另一種是基于候選框的Two Stage雙階段檢測(cè)算法。其中單階段檢測(cè)算法主要有YOLO系列算法［58］和SSD算法［9］等，Wang等［10］對(duì)番茄的病蟲害的檢測(cè)，在YOLOv3中通過(guò)采用擴(kuò)張卷積層代替骨干網(wǎng)絡(luò)中的卷積層等，在保持高分辨率和感受野的同時(shí)，提高了對(duì)蟲害檢測(cè)能力。李昊等［11］對(duì)柑橘的病蟲害檢測(cè)，在YOLOv4當(dāng)中通過(guò)修改網(wǎng)絡(luò)和標(biāo)注框聚類，在小樣本數(shù)據(jù)當(dāng)中提高了檢測(cè)的準(zhǔn)確率；而雙階段檢測(cè)算法主要有R-CNN系列［1214］。宋中山等［15］在對(duì)柑橘的葉片病蟲害檢測(cè)當(dāng)中提出了一種二值化的R-CNN，將二階段的全卷積神經(jīng)網(wǎng)絡(luò)代替原始的全連接層，提高了訓(xùn)練的速度，實(shí)現(xiàn)了網(wǎng)絡(luò)的輕量化。

分析發(fā)現(xiàn)，目前對(duì)農(nóng)作物病蟲害的檢測(cè)中，檢測(cè)對(duì)象多為被病蟲侵害很嚴(yán)重的葉片，這些葉片蟲害面積很大且分布比較稀疏，相對(duì)來(lái)說(shuō)比較容易進(jìn)行檢測(cè)，但是此時(shí)已經(jīng)屬于中期或者晚期的病蟲害，對(duì)預(yù)防蟲害的意義不大。另外對(duì)植物的病蟲害檢測(cè)，有許多的蟲害會(huì)隨著季節(jié)的變化和周圍環(huán)境的影響，導(dǎo)致捕捉到的蟲害照片少，因此有用的蟲害數(shù)據(jù)集比較少，給研究帶來(lái)了困難。

檸檬初期的蚜蟲蟲害部位常常呈現(xiàn)細(xì)小的白色點(diǎn)狀，并且分布密集，依靠人工檢測(cè)工作量太大。本文將目標(biāo)檢測(cè)算法YOLOv5引入到檸檬初期的蚜蟲蟲害中。同時(shí)在此基礎(chǔ)上提出一種新的YOLOv5-DK目標(biāo)檢測(cè)算法。

1 檸檬病蟲害檢測(cè)的基礎(chǔ)框架

檸檬初期蚜蟲蟲害的檢測(cè)將采用以YOLOv5為基礎(chǔ)的框架，如圖1所示，主要由四個(gè)部分組成，分別是輸入端、特征提取端、特征融合端、檢測(cè)端。這四個(gè)部分組成了檸檬初期蚜蟲蟲害的檢測(cè)流程。

YOLOv5檢測(cè)的輸入端主要功能是對(duì)輸入的檸檬初期蚜蟲蟲害特征部位圖片進(jìn)行處理，同時(shí)采用自適應(yīng)錨框設(shè)計(jì)，在YOLOv5里面采用的是K-Means聚類的方法進(jìn)行聚類錨框，通過(guò)檸檬初期蟲害的真實(shí)位置與預(yù)設(shè)位置之間的比對(duì)調(diào)整來(lái)獲取最終的蚜蟲蟲害特征部位邊框；在特征提取端，主要有三層組成，第一層主要是卷積塊和4個(gè)C3模塊組成，其中第一層C3模塊和卷積塊之間是以互相間隔的方式進(jìn)行連接，第二層是C3模塊的內(nèi)部，是由Bottleneck模塊與卷積塊組成的一個(gè)類殘差網(wǎng)絡(luò)，在特征提取端的內(nèi)部，每一個(gè)C3都有n個(gè)Bottleneck，第三層是Bottleneck內(nèi)部，是一個(gè)殘差連接結(jié)構(gòu)。特征提取端通過(guò)控制Bottleneck的內(nèi)部結(jié)構(gòu)和n個(gè)Bottleneck與卷積塊之間的連接方式，保證了在對(duì)檸檬初期蚜蟲蟲害部位進(jìn)行特征提取的同時(shí)可以獲取到更多的蚜蟲蟲害檢測(cè)的特征信息；在特征融合端，主要采用的是路徑聚合網(wǎng)絡(luò)［16］，在原始對(duì)檸檬初期蚜蟲蟲害的特征信息自頂向下融合的基礎(chǔ)之上，又加入了一條自底向上的檸檬初期蚜蟲蟲害特征信息融合的路徑，保證了在進(jìn)行檸檬初期蚜蟲蟲害特征信息融合的同時(shí)，減少了檸檬初期蚜蟲蟲害深層特征信息和淺層特征信息融合的距離，縮短了特征信息融合的時(shí)間；在檢測(cè)端當(dāng)中，主要是由控制蚜蟲蟲害特征部位的多個(gè)輸出框交并比［17］和非極大值抑制這兩部分組成，通過(guò)選擇蚜蟲蟲害特征部位合適的置信度以獲取最佳的預(yù)測(cè)框，由此輸出最佳的蚜蟲蟲害部位檢測(cè)結(jié)果。

2 YOLOv5-DK檸檬病蟲害檢測(cè)算法

為了能夠更加準(zhǔn)確地檢測(cè)檸檬初期蚜蟲蟲害部位，在YOLOv5檢測(cè)算法的基礎(chǔ)之上，提出一種新的檢測(cè)算法YOLOv5-DK。與原始的YOLOv5檢測(cè)算法不同，YOLOv5-DK檢測(cè)算法內(nèi)部采取一種輕量化的模型，減少對(duì)檸檬初期蚜蟲蟲害檢測(cè)過(guò)程當(dāng)中特征參數(shù)量的索取，轉(zhuǎn)而增加對(duì)原有特征參數(shù)的復(fù)用；同時(shí)YOLOv5-DK檢測(cè)算法通過(guò)重新聚類，增強(qiáng)對(duì)檸檬初期蚜蟲蟲害特征部位的聚焦能力，減少對(duì)檸檬初期蚜蟲蟲害部位的漏檢與其他干擾部位誤檢的概率。

圖2是YOLOv5-DK檢測(cè)算法的系統(tǒng)框圖，YOLOv5-DK通過(guò)預(yù)先采用Denseneck來(lái)對(duì)蚜蟲蟲害部位特征提取，然后再借助于初始時(shí)蚜蟲蟲害部位的特征錨框的K-Means++聚類來(lái)對(duì)檸檬初期蚜蟲蟲害特征部位進(jìn)行訓(xùn)練，以此來(lái)得出最佳的分類模型，最后將檸檬初期蚜蟲蟲害部位給檢測(cè)出來(lái)。

2.1 降低參數(shù)量的Denseneck模型

如圖3所示，在YOLOv5檢測(cè)算法中，在C3模塊中采用Bottleneck模塊的殘差連接［18］，增加YOLOv5特征提取端的寬度，減輕因卷積層數(shù)的增加而帶來(lái)的梯度消失或者梯度爆炸網(wǎng)絡(luò)退化的一些問(wèn)題，加強(qiáng)了對(duì)檸檬初期蚜蟲蟲害部位的特征信息提取。但是該Bottleneck模塊需要大量的參數(shù)才能夠獲取特征部位的信息，對(duì)檸檬初期的蚜蟲蟲害這種小樣本的數(shù)據(jù)集進(jìn)行特征提取時(shí)，會(huì)因?yàn)橛?xùn)練過(guò)程當(dāng)中數(shù)據(jù)量不足而使得訓(xùn)練出的模型可用性較低、漏檢和錯(cuò)誤的背景部位預(yù)測(cè)出來(lái)的較多，使得最終對(duì)蚜蟲蟲害特征部位的檢測(cè)結(jié)果不理想。

為了解決上述YOLOv5檢測(cè)算法所出現(xiàn)的問(wèn)題，新的檢測(cè)算法YOLOv5-DK提出一種基于DenseNet網(wǎng)絡(luò)［19］而來(lái)的Denseneck模塊，如圖3所示，主要是由1×1卷積和3×3卷積這對(duì)卷積組構(gòu)成，利用式（1）可得第n層的輸入

Xn=f（X0，X1，X2，…，Xn－1）

（1）

式中：

n——層數(shù)。

Denseneck的每一個(gè)卷積組的輸入都包含前面所有卷積組的通道數(shù)，但每一個(gè)卷積組輸出通道數(shù)都是一樣的固定值。在YOLOv5-DK的特征提取端，Denseneck通過(guò)復(fù)用前面每一層檸檬初期蚜蟲蟲害的特征信息，因此與Bottleneck相比，在加強(qiáng)前向傳播的同時(shí)只需要更少的蟲害特征信息作為輸入，就能使得YOLOv5-DK檢測(cè)算法得到更好的蚜蟲蟲害部位的特征提取能力，因而YOLOv5-DK檢測(cè)算法對(duì)少參數(shù)量的檸檬初期蚜蟲蟲害部位更具有可抗性。但是此時(shí)由于Denseneck模塊復(fù)用了前面所有層蚜蟲蟲害部位特征信息的通道數(shù)，使得計(jì)算量增加，為了解決這個(gè)問(wèn)題，新的Denseneck模塊里面將不加太多的卷積組個(gè)數(shù)，而是先采取少量的卷積組來(lái)進(jìn)行測(cè)試，最終達(dá)到一個(gè)合適的輕量化Denseneck模塊，以此減輕特征提取端由于復(fù)用帶來(lái)的蚜蟲蟲害部位特征信息過(guò)大而導(dǎo)致的計(jì)算量爆炸問(wèn)題，同時(shí)YOLOv5-DK檢測(cè)算法為了檢測(cè)隨著卷積的加深檸檬初期蚜蟲蟲害特征信息的消失的情況，如圖4所示，先只在特征提取端的最后一個(gè)C3部位引入Denseneck模塊，而其余的C3部位還是采用Bottleneck模塊。

2.2 K-Means++重新聚類

檸檬初期的蚜蟲蟲害部位比較小，原始YOLOv5采用K-Means聚類法對(duì)大量數(shù)據(jù)集進(jìn)行聚類，使得聚類出來(lái)的錨框具有普遍性，但是對(duì)檸檬初期蚜蟲蟲害部位特征小且分布密集，使用原始聚類出來(lái)的錨框來(lái)對(duì)檸檬初期蚜蟲蟲害部位進(jìn)行檢測(cè)時(shí)，會(huì)出現(xiàn)許多真實(shí)位置與預(yù)設(shè)位置的比對(duì)不適合。同時(shí)K-Means聚類采用的是聚類前手動(dòng)規(guī)定k個(gè)蚜蟲蟲害部位的聚類中心，使得聚類出來(lái)的結(jié)果帶有人為因素的干擾。因此，新YOLOv5-DK檢測(cè)算法內(nèi)部將采用K-Means++重新為檸檬初期的蚜蟲蟲害特征部位進(jìn)行聚類錨框。

圖5是YOLOv5-DK檢測(cè)算法里面的K-Means++初期蚜蟲蟲害部位聚類的流程圖，與K-Means聚類不同，在所有的檸檬蚜蟲蟲害部位的特征部位數(shù)據(jù)中里面隨機(jī)均勻的獲取一個(gè)簇中心，然后借助式（2）可得每個(gè)樣本點(diǎn)的概率。

p=d（i）2∑i∈Id（i）2×100%

（2）

式中：

p——每個(gè)樣本點(diǎn)計(jì)算出來(lái)的概率，%；

d（i）2——

第i個(gè)蚜蟲樣本點(diǎn)到簇中心的最短距離，cm；

i——第i個(gè)蚜蟲蟲害樣本點(diǎn)；

I——所有的蚜蟲蟲害樣本點(diǎn)。

通過(guò)計(jì)算所有檸檬初期蚜蟲蟲害部位的數(shù)據(jù)到檸檬初期蚜蟲蟲害部位簇中心的最短與其相應(yīng)的概率p，然后將最大那個(gè)蚜蟲蟲害部位概率p的點(diǎn)作為下一個(gè)檸檬初期蚜蟲蟲害特征的簇中心點(diǎn)。直到找到預(yù)先規(guī)定的k個(gè)蚜蟲害特征部位的簇中心，然后再將所有蚜蟲害部位的特征數(shù)據(jù)點(diǎn)按照到簇中心的最短距離分成k個(gè)蚜蟲蟲害部位的聚類集。

3 試驗(yàn)

3.1 試驗(yàn)設(shè)計(jì)

3.1.1 數(shù)據(jù)集介紹

試驗(yàn)使用的檢測(cè)數(shù)據(jù)集來(lái)自LeLePhid的檸檬葉片［20］蚜蟲檢測(cè)集侵害程度的圖像數(shù)據(jù)集，共有665張照片，其中健康的檸檬葉片照片330張，含有初期蚜蟲病蟲害的檸檬葉片照片335張。本次試驗(yàn)采用的是335張含有蚜蟲病蟲害的檸檬葉片照片，然后將這335張照片按照近似8∶1∶1的比例分成訓(xùn)練集（265張）、測(cè)試集（35張）、驗(yàn)證集（35張）。試驗(yàn)當(dāng)中所有的蚜蟲蟲害部位的圖片標(biāo)注都是在1.8.6版本的LabelImg下進(jìn)行。圖6為原始檸檬蚜蟲蟲害的數(shù)據(jù)集，白色點(diǎn)狀聚集的蟲害部位就是蚜蟲所留。

3.1.2 試驗(yàn)平臺(tái)

本次試驗(yàn)在GTX 1050Ti+Torch1.10.0+CUDNN7.6.5+Python3.8.5進(jìn)行，批量設(shè)為8，一共訓(xùn)練100輪，填充后的圖片大小是640像素×640像素。

3.1.3 試驗(yàn)評(píng)價(jià)指標(biāo)

試驗(yàn)采用以下5個(gè)評(píng)價(jià)指標(biāo)：檢測(cè)精確度P，%；檢測(cè)召回率R，%；一次訓(xùn)練時(shí)間H，h；類平均精度mAP，%;模型參數(shù)量Params，M。

3.2 YOLOv5-DK蚜蟲檢測(cè)試驗(yàn)

3.2.1 Denseneck內(nèi)部卷積組個(gè)數(shù)

為了減輕復(fù)用造成的檸檬初期蚜蟲蟲害部位特征信息量爆炸的問(wèn)題，需要在Denseneck模塊里面的卷積組的個(gè)數(shù)，為此先對(duì)Denseneck模塊里面的卷積組個(gè)數(shù)進(jìn)行了測(cè)試。

Bottleneck代表的是原始的YOLOv5測(cè)試結(jié)果，從表1可以看出，與原始的YOLOv5相比，在采用Denseneck模塊的YOLOv5-DK檢測(cè)算法中，對(duì)檸檬初期蚜蟲特征部位的檢測(cè)參數(shù)量Params要比原始的YOLOv5降低5.6%，新的算法呈現(xiàn)出輕量化的特征。同時(shí)在新網(wǎng)絡(luò)YOLOv5-DK中，Denseneck里面有三種不同的卷積組，其中-1、-2、-3分別代表卷積組的個(gè)數(shù)，3種不同的卷積組個(gè)數(shù)與原始算法相比，對(duì)檸檬初期蚜蟲蟲害部位檢測(cè)的精確度得到了提升、訓(xùn)練速度加快。綜合檢測(cè)指標(biāo)可知，YOLOv5-DK檢測(cè)算法里面的Denseneck將采用2個(gè)卷積組來(lái)對(duì)檸檬初期的蚜蟲蟲害進(jìn)行檢測(cè)。

3.2.2 引入Denseneck-2的位置

在YOLOv5的特征提取端有4個(gè)C3模塊，在Denseneck-2的測(cè)試中，YOLOv5-DK只有在第4個(gè)C3部位采用了Denseneck-2模塊。但是如果在前面的幾個(gè)C3部位也添加Denseneck-2模塊，是否可以獲取一個(gè)更加輕量化性能更加優(yōu)秀的檸檬初期蚜蟲蟲害檢測(cè)的算法。于是基于YOLOv5-DK檢測(cè)算法的特征提取端提出五種方案：方案1是將特征提取端中所有的C3都用Denseneck-2結(jié)構(gòu)。方案2是將特征提取端中第2個(gè)C3和第4個(gè)C3使用Denseneck-2結(jié)構(gòu)。方案3是將特征提取端中第2個(gè)C3和第3個(gè)C3使用Denseneck-2結(jié)構(gòu)。方案4是將特征提取端中第2個(gè)C3使用Denseneck-2結(jié)構(gòu)。方案5是將特征提取端中第3個(gè)C3使用Denseneck-2結(jié)構(gòu)。

從表2可以看出，對(duì)檸檬初期蚜蟲蟲害的特征檢測(cè)中，方案1中YOLOv5-DK檢測(cè)算法的特征提取端全部采用Denseneck-2的所需檸檬初期蚜蟲的特征參數(shù)量最少，相比原始的檸檬初期蚜蟲檢測(cè)算法減少了10.5%，而方案2對(duì)檸檬初期的蚜蟲的檢測(cè)精確度最強(qiáng)，方案4的類平均精確最強(qiáng)，而方案3和方案5的檢測(cè)結(jié)果處于中間水平。綜合表3中的三個(gè)性能指標(biāo)來(lái)看，為了適合檸檬初期蚜蟲的檢測(cè)，在YOLOv5-DK的特征提取端將采取方案2來(lái)進(jìn)行。

3.2.3 K-Means++蚜蟲特征聚類

為了查看樣本數(shù)據(jù)集中檸檬初期蚜蟲的特征大小，在YOLOv5-DK檢測(cè)算法內(nèi)部將采用K-Means++聚類，由圖7可知，左邊表示的是原始預(yù)設(shè)的錨框分布，相比較之下右邊采用的是K-Means++下檸檬初期蚜蟲的真實(shí)特征大小分布，要比預(yù)設(shè)的錨框小。因而使用K-Means++聚類的檸檬初期蚜蟲特征大小分布的錨框更加適合。

3.3 蚜蟲檢測(cè)結(jié)果

為評(píng)估新的算法YOLOv5-DK中Denseneck-2模塊和新聚類錨框改動(dòng)與他們之間的融合對(duì)原算法在檸檬初期蚜蟲檢測(cè)優(yōu)化的程度，設(shè)計(jì)消融試驗(yàn)如表3。從表3可以看出，Denseneck-2主要是改善初期蚜蟲蟲害檢測(cè)算法模型的參數(shù)量，同時(shí)提高了檢測(cè)精確度，而聚類出來(lái)的新錨框主要是降低了檸檬初期蚜蟲蟲害部位的漏檢率，而整體的YOLOv5-DK檢測(cè)算法與原始的YOLOv5相比，在檢測(cè)檸檬初期蚜蟲蟲害的參數(shù)量上下降6.3%，檢測(cè)精確度上升3.4%，對(duì)于檸檬初期蚜蟲的特征部位漏檢率下降2.1%。

3.4 蚜蟲檢測(cè)結(jié)果分析

對(duì)于檸檬初期蚜蟲蟲害部位樣本量少容易出現(xiàn)檢測(cè)精度不足，同時(shí)由于檸檬初期蚜蟲特征部位小常出現(xiàn)漏檢的情況。通過(guò)優(yōu)化YOLOv5檢測(cè)算法提出新的檢測(cè)算法YOLOv5-DK，優(yōu)化后的檢測(cè)結(jié)果如圖8所示，可以看出，YOLOv5-DK在相同的蚜蟲蟲害部位檢測(cè)的精確度有所提高，能夠?qū)⒀料x蟲害部位檢測(cè)出來(lái)。同時(shí)，對(duì)于初期蚜蟲蟲害部位出現(xiàn)漏檢的情況和如圖8（c）中標(biāo)記出來(lái)出現(xiàn)誤檢的情況，YOLOv5-DK降低對(duì)非蚜蟲蟲害部位的檢測(cè)率，避免錯(cuò)誤檢測(cè)的發(fā)生，保證將檸檬初期蚜蟲蟲害部位檢測(cè)能夠更加準(zhǔn)確。

4 結(jié)論

1） 為解決檸檬初期蚜蟲蟲害中樣本可用數(shù)據(jù)集較少和特征部位小難以檢測(cè)的問(wèn)題，提出一種新的檢測(cè)算法YOLOv5-DK，該算法通過(guò)對(duì)Denseneck模塊中卷積組個(gè)數(shù)探討和添加位置的測(cè)試，以及對(duì)檸檬初期蚜蟲特征部位大小的合適性研究，先后提出輕量化的Denseneck-2模型和引入K-Means++模型。探究這兩種模型各自作用下的檢測(cè)效果和共同作用下蚜蟲蟲害部位的檢測(cè)效果。

2） YOLOv5-DK檢測(cè)算法在對(duì)檸檬初期蚜蟲蟲害部位檢測(cè)當(dāng)中，通過(guò)調(diào)節(jié)Denseneck當(dāng)中卷積組的個(gè)數(shù)，得到Denseneck-2模型，使得算法的模型參數(shù)量下降5.6%；控制Denseneck-2在特征提取端的位置，對(duì)于檸檬初期蚜蟲蟲害部位的檢測(cè)，精確度和mAP分別上升3%和1.5%。采用K-Means++模型增強(qiáng)對(duì)于蚜蟲蟲害部位的聚焦能力，對(duì)檸檬蚜蟲蟲害部位的檢測(cè)精確度上升2.1%，漏檢率下降3.9%。最終的YOLOv5-DK檢測(cè)算法對(duì)檸檬初期蚜蟲部位檢測(cè)中，算法的參數(shù)量減輕6.3%，算法的精確度提升3.4%，漏檢率下降2.1%，檢測(cè)效果要優(yōu)于未改進(jìn)YOLOv5檢測(cè)算法。

參 考 文 獻(xiàn)

［1］朱春華， 周先艷， 李進(jìn)學(xué)， 等. 中國(guó)檸檬主要營(yíng)養(yǎng)功效及產(chǎn)品開發(fā)研究進(jìn)展［J］.包裝與食品機(jī)械， 2018， 36（3）： 48-53.

［2］Liu J， Wang X. Plant diseases and pests detection based on deep learning： A review ［J］. Plant Methods， 2021， 17： 1-18.

［3］Kumar S， Kaur R. Plant disease detection using image processing-a review ［J］. International Journal of Computer Applications， 2015， 124（16）： 6-9.

［4］劉洪江， 王懋， 劉麗華， 等. 基于深度學(xué)習(xí)的小目標(biāo)檢測(cè)綜述［J］. 計(jì)算機(jī)工程與科學(xué)， 2021， 43（8）： 1429-1442.

Liu Hongjiang， Wang Mao， Liu Lihua， et al.A survey of small object detection based on deep learning ［J］. Computer Engineering amp; Science， 2021， 43（8）： 1429-1442.

［5］Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 779-788.

［6］Redmon J， Farhadi A. YOLO9000： Better， faster， stronger［C］.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 7263-7271.

［7］Redmon J， Farhadi A. YOLOv3： An incremental improvement ［J］. ArXiv Preprint ArXiv： 1804.02767， 2018.

［8］Bochkovskiy A， Wang C Y， Liao H Y M. Yolov4： Optimal speed and accuracy of object detection ［J］. ArXiv Preprint ArXiv： 2004.10934， 2020.

［9］Liu W， Anguelov D， Erhan D， et al. SSD： Single shot multibox detector ［C］. Proceedings of the 14th European Conference on Computer Vision. Berlin， Germany： Springer Verlag， 2016： 21-37.

［10］Wang X， Liu J， Zhu X. Early real-time detection algorithm of tomato diseases and pests in the natural environment ［J］. Plant Methods， 2021， 17（1）： 1-17.

［11］李昊， 劉海隆， 劉生龍. 基于深度學(xué)習(xí)的柑橘病蟲害動(dòng)態(tài)識(shí)別系統(tǒng)研發(fā)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2021， 42（9）：195-201， 208.

Li Hao， Liu Hailong， Liu Shenglong. Research on dynamic identification system of citrus diseases and pests based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2021， 42（09）： 195-201， 208.

［12］Girshick R， Donahue J， Darrell T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2014： 580-587.

［13］Girshick R. Fast R-CNN ［C］. Proceedings of the IEEE International Conference on Computer Vision， 2015： 1440-1448.

［14］Ren S， He K， Girshick R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks ［J］. Advances in Neural Information Processing Systems， 2015， 28.

［15］宋中山， 汪進(jìn)， 鄭祿， 等. 基于二值化的Faster R-CNN柑橘病蟲害識(shí)別研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（6）： 150-158.

Song Zhongshan， Wang Jin， Zheng Lu， et al. Research on citrus pest identification based on binary Faster R-CNN ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（6）： 150-158.

［16］Liu S， Qi L， Qin H， et al. Path aggregation network for instance segmentation ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2018： 8759-8768.

［17］Rezatofighi H， Tsoi N， Gwak Jy， et al. Generalized intersection over union： A metric and a loss for bounding box regression ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019： 658-666.

［18］He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 770-778.

［19］Huang G， Liu Z， Maaten L， et al. Densely connected convolutional networks ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017： 4700-4708.

［20］Parraga Alava J， Alcivar Cevallos R， Morales Carrillo J， et al. LeLePhid： An image dataset for aphid detection and infestation severity on lemon leaves ［J］. Data， 2021， 6（5）： 51.