基于YOLOv3的多类烟草叶部病害检测研究
基于YOLOv3的多类烟草叶部病害检测研究
刘延鑫;王俊峰;杜传印;丁睿柔;高强;宗浩;姜红花
【期刊名称】《中国烟草科学》
【年(卷),期】2022(43)2
【摘要】烟草叶部病害种类繁多,病理复杂,严重影响烟草产量及品质,烟草病害精准检测是烟草病害及时防治的前提。
传统检测方式精准性差、效率低,基于深度学习的算法可提高烟草病害检测准确性。
本文以5种较为常见的烟草病害(普通花叶病、黄瓜花叶病毒病、赤星病、烟草野火病、气候性斑点病)为研究对象,构建基于YOLOv3的烟草病害检测模型,实现烟草多类病害的精准快速检测。
使用Darknet53特征网络提取烟叶病害特征并将不同尺度病害特征融合,并用K-means++算法对融合后特征进行分类和位置预测,通过非极大值抑制算法(NMS)去除冗余框,得到病害区域预测框。
用田间实际采集的烟草病害数据集,对构建的YOLOv3病害检测模型与SSD(Single Shot multibox Detector)模型对比测试。
结果表明,YOLOv3的mIoU为0.81,明显优于SSD的0.73,且YOLOv3模型的mAP为0.77,也高于SSD的0.69。
本研究构建的YOLOv3烟草病害检测模型能有效定位烟叶病害区域,实现多类烟草病害的检测,为精准病害防治提供参考。
【总页数】7页(P94-100)
【作者】刘延鑫;王俊峰;杜传印;丁睿柔;高强;宗浩;姜红花
【作者单位】山东农业大学信息科学与工程学院;山东潍坊烟草有限公司;山东临沂烟草有限公司
【正文语种】中文
【中图分类】S43
【相关文献】
1.甘草叶部病害研究进展简述
2.烟塔类特种结构病害鉴定及加固修复技术研究
3.基于改进YOLOv3的小目标检测方法研究
4.基于改进YOLOv3的机坪工作人员反光背心检测研究
5.基于GLCM纹理特征提取的黄瓜叶部病害检测算法研究
因版权原因，仅展示原文概要，查看原文内容请购买。
基于YOLOv3的自然环境下茶叶嫩芽目标检测方法研究
本栏目责任编辑：唐一东本期推荐基于YOLOv3的自然环境下茶叶嫩芽目标检测方法研究施莹莹，李祥瑞，孙凡（江苏大学计算机科学与通信工程学院，江苏镇江212013）摘要：以自然环境下手机拍摄的多天气情况、多品种的茶叶嫩芽图像为实验样本数据集，研究茶叶嫩芽目标检测方法。
采用基于深度神经网络的YOLOv3算法构建模型，将经过数据增强处理的多品种茶叶嫩芽图像作为模型输入，通过单一的特征提取网络，进行多尺度目标检测，对输入图像进行粗、中、细的网格划分，将茶叶嫩芽目标检测任务看作目标区域预测和类别预测的回归问题。
实验结果表明，基于YOLOv3的目标检测算法对自然环境下多品种的茶叶嫩芽目标具有较高的召回率及检测精度，为农业机械化、智能化提供了思路。
关键词：目标检测；YOLOv3；茶叶嫩芽识别；深度学习中图分类号：TP3文献标识码：A文章编号：1009-3044(2021)03-0014-03开放科学（资源服务）标识码（OSID ）：中国茶文化源远流长，而茶叶作为茶文化的中心，同时也是中国与世界文化沟通的桥梁之一，其种植与采摘自然是不可忽视的方面。
目前，主要的茶叶采摘方式分为人工采摘和机械采摘2种。
一方面，人工采摘虽然能较准确地识别嫩芽，但效率低下、成本高昂，且在采茶洪峰时期务工难[1]；另一方面，使用机械采摘代替人工手采虽能提高采摘速度，但采摘时老叶、嫩叶、嫩芽一起采，缺乏选择性，并有部分叶片遭破损现象，降低了原料品质[2]。
因此，研究一种面向自动采茶装置的高效、低损伤的茶叶嫩芽目标检测方法十分必要。
目前，茶叶嫩芽的识别与检测主要依赖于茶叶形状和颜色特征的提取，且大多是基于传统机器学习和数字图像处理技术的。
如杨福增[3]等针对白色背景下的茶叶图像，利用其在RGB 颜色空间中的G 分量，通过双阈值方法进行分割，再根据茶叶嫩芽的形状特征进行边缘检测，展开嫩芽识别的研究。
吴雪梅[2]等提出基于茶叶嫩芽图像在Lab 颜色模型中a 分量、b 分量信息的K -means 聚类法，为智能采摘技术的研究提供了支持。
基于YOLO算法的农作物病虫害识别研究综述
2024年2月Feb.2024第48卷第1期Vol.48，No.1热带农业工程TROPICAL AGRICULTURAL ENCINEERING基于YOLO 算法的农作物病虫害识别研究综述万应霞1燕振刚2（1甘肃农业大学理学院甘肃兰州730070；2甘肃农业大学信息科学技术学院甘肃兰州730070）摘要农作物病虫害是农业生产管理的关键，为及时防控病虫害，人们通过各种技术手段识别和监测病虫害。
本文通过介绍目标检测算法YOLO （You Only Look Once ）的发展历程及其在农作物病虫害识别中的应用，着重分析了YOLO 算法在提高农作物病虫害识别准确度和缩短识别时间的优势，以期为农业生产提供科学指导。
关键词YOLO 算法；农作物病虫害；目标检测；深度学习中图分类号S43Research Review of Crop Diseases and Pests Identification basedon YOLO AlgorithmWAN Yingxia 1YAN Zhengang 2(1College of Science,Gansu Agricultural University,Lanzhou,Gansu 730070;2College of Information Science and Technology,Gansu Agricultural University,Lanzhou,Gansu 730070)AbstractCrop pests and diseases are the key to agricultural production management.In order to preventand control pests and diseases in time,scientists identify and monitor pests and diseases through various technical means.This paper introduces the development process of the target detection algorithm YOLO (You Only Look Once),its application in the identification of crop pests and diseases.It focuses on the analysis of the advantages of YOLO algorithm in improving the accuracy of crop pest identification,and reducing the recognition time,and provides scientific guidance for agricultural production.KeywordsYOLO algorithm;crop pests and diseases;object detection;deep learning病虫害防控是农业生产和农户收入提升的重要保障。
基于YOLOv5_改进的咖啡叶片病虫害检测研究
识别方法,通过将 ConvNext 融入主干网络,并加入 ECA 注意
目标识别精度,如 FPN,SPPNet,R-FCN 等。 徐会杰等
可以使咖啡叶片病虫害高精度识别;通过及时发现病虫害种
然后通过卷积神经网络对候选区域分类,具有较高的定位和
[5]
提
出采用 Darknet-53 作为特征提取网络,将特征图进行拼接,
测精度。 王远 志 等[11] 基 于 Faster R - CNN 网 络 模 型,进 行
HSV 颜色空间转换及 Retinex 算法处理,对 3 种苹果叶部病
害识别。 这些方法由于针对特定环境检测的自身局限性,导
国内外针对自然环境下病虫害识别问题提出许多解决
stage 和 Two-stage
络的残差结构,不使用锚框和 NMS 后处理,减少了网络参
图 2 数据增强后图片
Fig. 2 Images after data enhancement
2 试验方法
在主干网络进行特征提取,提取到的特征称作特征层,根据
2. 1 YOLOv5 网络结构 YOLOv5 是一种单精度目标检测
获取的 3 个有效特征层进行下一步网络的构建。
特征点对应的物体情况,在数据集上可快速收敛,模型可定
。 One-stage 检测器有较高的推理速
度,不需要区域建议步长,如 YOLO、SSD 等可用于实时设备。
致在复杂背景环境下病斑相似性的叶片识别效果较差,大多
针对静态图片的单叶片病虫害分类,并且优化后的模型所占
内存空间资源较大。
鉴于此,笔者提出一种基于 YOLOv5 的改进咖啡病虫害
Two-stage 检测器将问题划分为 2 个阶段,先进行区域生成,
基于改进YOLOv4_算法的番茄叶部病害识别方法
江苏农业学报(ＪｉａｎｇｓｕＪ.ｏｆＡｇｒ.Ｓｃｉ.)ꎬ２０２３ꎬ３９(５):１１９９￣１２０８ｈｔｔｐ://ｊｓｎｙｘｂ.ｊａａｓ.ａｃ.ｃｎ储㊀鑫ꎬ李㊀祥ꎬ罗㊀斌ꎬ等.基于改进ＹＯＬＯｖ４算法的番茄叶部病害识别方法[Ｊ].江苏农业学报ꎬ２０２３ꎬ３９(５):１１９９￣１２０８.ｄｏｉ:１０.３９６９/ｊ.ｉｓｓｎ.１０００￣４４４０.２０２３.０５.０１２基于改进ＹＯＬＯｖ４算法的番茄叶部病害识别方法储㊀鑫１ꎬ２ꎬ３ꎬ㊀李㊀祥１ꎬ㊀罗㊀斌２ꎬ３ꎬ㊀王晓冬２ꎬ３ꎬ㊀黄㊀硕２ꎬ３(１.东华理工大学信息工程学院ꎬ江西南昌３３００１３ꎻ２.国家农业信息化工程技术研究中心ꎬ北京１０００９７ꎻ３.北京市农林科学院智能装备技术研究中心ꎬ北京１０００９７)收稿日期:２０２２￣０８￣３１基金项目:江苏省科技计划重点及面上项目(ＢＥ２０２１３７９)ꎻ江西省核地学数据科学与系统工程技术研究中心开放基金项目(ＪＥＴＲＣＮＧＤＳＳ２０１８０１)作者简介:储㊀鑫(１９９８－)ꎬ女ꎬ安徽安庆人ꎬ硕士研究生ꎬ研究方向为计算机视觉ꎮ(Ｅ￣ｍａｉｌ)４１６９４０３０５＠ｑｑ.ｃｏｍꎮ罗斌为共同第一作者通讯作者:李㊀祥ꎬ(Ｔｅｌ)０７９１￣８３８９７３９５ꎻ(Ｅ￣ｍａｉｌ)ｔｏｍ＿ｌｘ＠１２６.ｃｏｍ㊀㊀摘要:㊀为快速准确识别自然环境下的番茄叶片病害ꎬ提出一种基于改进ＹＯＬＯｖ４算法的轻量化番茄叶部病害识别方法ꎮ该方法根据番茄病害特征采用Ｋ均值聚类算法调整先验框的维度ꎬ并使用宽度因子为０.２５的Ｍｏ￣ｂｉｌｅＮｅｔｖ１代替ＹＯＬＯｖ４原有的主干网络ＣＳＰＤａｒｋｎｅｔ５３进行特征提取ꎬ并在特征融合网络ＰＡＮｅｔ中引入深度可分离卷积代替原有的３ˑ３标准卷积ꎬ同时在主干网络的２个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(ＣＢＡＭ)ꎬ提高模型识别精度ꎮ试验结果表明ꎬ改进后的模型对８类番茄叶片整体检测精准性(ｍＡＰ)为９８ ７６％ꎬ参数量为１２ ６４Ｍꎬ传输帧数为１ｓ１０１ ７６帧ꎬ相较于原ＹＯＬＯｖ４模型ꎬ模型参数量减少８０％ꎬ每秒传输帧数比原始ＹＯＬＯｖ４模型提高了１３０％ꎮ关键词:㊀ＹＯＬＯｖ４ꎻＭｏｂｉｌｅＮｅｔꎻ轻量化ꎻ注意力机制ꎻ病害中图分类号:㊀Ｓ４３６.４１２㊀㊀㊀文献标识码:㊀Ａ㊀㊀㊀文章编号:㊀１０００￣４４４０(２０２３)０５￣１１９９￣１０ＩｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｏｆｔｏｍａｔｏｌｅａｆｄｉｓｅａｓｅｓｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ４ａｌｇｏｒｉｔｈｍＣＨＵＸｉｎ１ꎬ２ꎬ３ꎬ㊀ＬＩＸｉａｎｇ１ꎬ㊀ＬＵＯＢｉｎ２ꎬ３ꎬ㊀ＷＡＮＧＸｉａｏ￣ｄｏｎｇ２ꎬ３ꎬ㊀ＨＵＡＮＧＳｈｕｏ２ꎬ３(１.ＣｏｌｌｅｇｅｏｆＩｎｆｏｒｍａｔｉｏｎＥｎｇｉｎｅｅｒｉｎｇꎬＥａｓｔＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙꎬＮａｎｃｈａｎｇ３３００１３ꎬＣｈｉｎａꎻ２.ＮａｔｉｏｎａｌＥｎｇｉｎｅｅｒｉｎｇＴｅｃｈｎｏｌｏｇｙＲｅｓｅａｒｃｈＣｅｎｔｅｒｆｏｒＡｇｒｉｃｕｌｔｕｒａｌＩｎｆｏｒｍａｔｉｚａｔｉｏｎꎬＢｅｉｊｉｎｇ１０００９７ꎬＣｈｉｎａꎻ３.ＲｅｓｅａｒｃｈＣｅｎｔｅｒｏｆＩｎｔｅｌｌｉｇｅｎｔＥｑｕｉｐｍｅｎｔＴｅｃｈｎｏｌｏｇｙꎬＢｅｉｊｉｎｇＡｃａｄｅｍｙｏｆＡｇｒｉｃｕｌｔｕｒｅａｎｄＦｏｒｅｓｔｒｙꎬＢｅｉｊｉｎｇ１０００９７ꎬＣｈｉｎａ)㊀㊀Ａｂｓｔｒａｃｔ:㊀ＩｎｏｒｄｅｒｔｏｉｄｅｎｔｉｆｙｔｏｍａｔｏｌｅａｆｄｉｓｅａｓｅｓｉｎｎａｔｕｒａｌｅｎｖｉｒｏｎｍｅｎｔｑｕｉｃｋｌｙａｎｄａｃｃｕｒａｔｅｌｙꎬａｌｉｇｈｔｗｅｉｇｈｔｔｏｍａｔｏｌｅａｆｄｉｓｅａｓｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｂａｓｅｄｏｎｉｍｐｒｏｖｅｄＹＯＬＯｖ４ａｌｇｏｒｉｔｈｍｗａｓｐｒｏｐｏｓｅｄ.ＴｈｅｍｅｔｈｏｄｕｓｅｄＫ￣ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍｔｏａｄｊｕｓｔｔｈｅｄｉｍｅｎｓｉｏｎｓｏｆｔｈｅｐｒｉｏｒｂｏｘａｃｃｏｒｄｉｎｇｔｏｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｓｏｆｔｏｍａｔｏｄｉｓｅａｓｅꎬａｎｄｕｓｅｄＭｏｂｉｌｅＮｅｔｖ１ｗｉｔｈａｗｉｄｔｈｆａｃｔｏｒｏｆ０.２５ｉｎｓｔｅａｄｏｆｔｈｅｏｒｉｇｉｎａｌｂａｃｋｂｏｎｅｎｅｔｗｏｒｋＣＳＰＤａｒｋｎｅｔ５３ｏｆＹＯＬＯｖ４ｆｏｒｆｅａｔｕｒｅｅｘｔｒａｃｔｉｏｎꎬａｎｄｉｎｔｒｏｄｕｃｅｄｄｅｅｐｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎｉｎｐｌａｃｅｏｆｔｈｅｏｒｉｇｉｎａｌ３ˑ３ｓｔａｎｄａｒｄｃｏｎｖｏｌｕｔｉｏｎｉｎｔｈｅｆｅａｔｕｒｅｆｕｓｉｏｎｎｅｔｗｏｒｋＰＡＮｅｔ.Ａｔｔｈｅｓａｍｅｔｉｍｅꎬｔｈｅｃｏｎｖｏｌｕｔｉｏｎａｌｂｌｏｃｋａｔｔｅｎｔｉｏｎｍｏｄｕｌｅ(ＣＢＡＭ)ｗａｓｅｍｂｅｄ￣ｄｅｄｉｎｔｈｅｔｗｏｏｕｔｐｕｔｆｅａｔｕｒｅｌａｙｅｒｓａｎｄｔｈｅｓｐａｔｉａｌｐｙｒａｍｉｄｐｏｏｌｉｎｇｏｕｔｐｕｔｌａｙｅｒｏｆｔｈｅｂａｃｋｂｏｎｅｎｅｔｗｏｒｋｔｏｉｍｐｒｏｖｅｔｈｅｍｏｄｅｌｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙ.Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｅｄｔｈａｔꎬｔｈｅｏｖｅｒａｌｌｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙ(ｍＡＰ)ｏｆｔｈｅｉｍｐｒｏｖｅｄｍｏｄｅｌｆｏｒｅｉｇｈｔｔｙｐｅｓｏｆｔｏｍａｔｏｌｅａｖｅｓｗａｓ９８ ７６％ꎬｔｈｅｐａｒａｍｅｔｅｒｑｕａｎｔｉｔｙｗａｓ１２ ６４Ｍꎬａｎｄｔｈｅｔｒａｎｓｍｉｓｓｉｏｎｆｒａｍｅｎｕｍｂｅｒｗａｓ１０１ ７６ｆ/ｓꎬｗｈｉｃｈｗａｓ８０％ｌｏｗｅｒｔｈａｎｔｈａｔｏｆｔｈｅｏｒｉｇｉｎａｌＹＯＬＯｖ４ｍｏｄｅｌꎬａｎｄｔｈｅｎｕｍｂｅｒｏｆｔｒａｎｓｍｉｔｔｅｄｆｒａｍｅｓｐｅｒｓｅｃｏｎｄｗａｓ１３０％ｈｉｇｈｅｒｔｈａｎｔｈａｔｏｆｔｈｅｏｒｉｇｉｎａｌＹＯＬＯｖ４ｍｏｄｅｌ.Ｋｅｙｗｏｒｄｓ:㊀ＹＯＬＯｖ４ꎻＭｏｂｉｌｅＮｅｔꎻｌｉｇｈｔｗｅｉｇｈｔꎻａｔｔｅｎｔｉｏｎａｌｍｅｃｈａｎｉｓｍꎻｄｉｓｅａｓｅｓ９９１１㊀㊀番茄是重要的经济作物之一ꎬ其营养价值和经济价值非常高ꎮ随着番茄植株的生长ꎬ大多数番茄叶部病害的发生也呈上升趋势[１]ꎮ因此ꎬ及时防治番茄叶部病害是提高番茄质量和产量的关键举措ꎬ而精准识别番茄叶部病害种类是番茄病虫害精准防控的前提ꎮ现阶段ꎬ中国大部分地区主要还是依赖人工排查番茄叶部病害ꎬ这不仅耗时耗力ꎬ而且仅仅通过肉眼分辨叶部病害种类ꎬ难免产生错误ꎬ从而不利于病害的及时防治[２]ꎮ对此ꎬ需要研究高效率㊁低成本的病害图像智能识别算法ꎬ为番茄叶部病害精准识别提供技术支撑ꎮ随着深度学习的不断发展和其在农业方面越来越多的应用[３]ꎬ有学者针对作物叶片病害检测识别进行了深入研究ꎮ刘文波等[４]将改进后的ＳＯＬＯｖ２算法应用于番茄叶部病害检测ꎬ平均精度达４２.３％ꎬ与其他文献的模型相比ꎬ精度不太理想ꎮ文斌等[５]在ＹＯＬＯｖ３的基础上采用注意力特征金字塔和双瓶颈层构建新的网络ꎬ实现对三七叶片病害的识别ꎬ但检测速度仅为２３ｆｐｓꎮＨｕ等[６]提出将多卷积神经网络集成用于茶树叶部病害的识别ꎬ结果显示ꎬ该算法可以有效区分病叶与健康叶ꎬ但检测类别较少ꎮＱｉ等[７]在ＹＯＬＯｖ５模型中增加了１个挤压￣激发(ＳＥ)模块ꎬ构建新的模型ꎬ实现对番茄病害的识别ꎬ平均检测精度为９１ ０７％ꎬ但模型参数量较大ꎬ高达４２ ７９６Ｍꎮ刘延鑫等[８]构建５种烟草叶部病害数据集ꎬ选用ＹＯＬＯｖ３模型对烟草叶部病害进行识别检测ꎬ采用Ｋ￣ｍｅａｎｓ＋＋聚类方法对锚框(Ａｎｃｈｏｒｂｏｘ)的宽和高进行计算ꎬ提高了模型检测精度ꎬ得到整体检测精准性(ｍＡＰ)为０ ７７ꎬ算法结果优于ＳＳＤ(单步多框目标检测)算法检测的ｍＡＰ值(０ ６９)ꎬ但模型单样本耗时比ＳＳＤ算法多２ｓꎮ王超学等[９]分别以一张葡萄叶片和一串葡萄果实为单位做标注ꎬ将ＹＯＬＯｖ３算法中的主干网络ＤａｒｋＮｅｔ￣５３替换为Ｅｆ￣ｆｉｃｉｅｎｔＮｅｔ￣Ｂ３作为模型的主干特征提取网络ꎬ对１２种葡萄病害㊁健康葡萄叶片和健康葡萄果实进行识别ꎬ识别精度为９８ ６０％ꎬＢ３网络结构模型与其他以ＥｆｆｉｃｉｅｎｔＮｅｔ作为主干特征提取网络的模型训练时间和模型体积相近ꎬ且相对于ＹＯＬＯｖ３网络模型ꎬ参数量缩减５０％ꎬ模型体积缩减２/３的同时ꎬ模型平均识别精度提升３％ꎬ最终参数量仍然较大ꎬ约为２９Ｍꎮ周维等[１０]利用ＧｈｏｓｔＮｅｔ网络代替ＹＯＬＯｖ４中主干网络ＣＳＰＤａｒｋＮｅｔ￣５３ꎬ并以深度可分离卷积代替普通卷积的方式改进路径聚合网络(ＰＡＮｅｔ)ꎬ对网上获取的６种水稻病虫害数据集进行检测识别ꎬ识别准确率为７９ ３６％ꎮ王权顺等[１１]利用ＰｌａｎｔＶｉｌｌａｇｅ中苹果叶部黑星病图片与网上另外３种苹果叶部病害图片构建数据集ꎬ通过将ＹＯＬＯｖ４中主干网络ＣＳＰｄａｒｋｎｅｔ５３替换为ＤｅｎｓｅＮｅｔ１２１网络ꎬ在保证特征提取能力的同时减少计算量ꎬ针对ＹＯＬＯｖ４的预设锚框不适合应用于病斑检测的情况ꎬ采用二分Ｋ均值聚类算法得到一组新的锚框优化算法ꎬ相较于原ＹＯＬＯｖ４算法ｍＡＰ值提高０ ８９％ꎬ模型权重大小为６２ ７１ＭＢꎬ相较于其他文献报道ꎬ该算法识别病害种类较少ꎬ仅有４种ꎮ考虑到上述国内外学者对作物叶片病害检测识别的研究中存在的一些问题ꎬ例如ꎬ精确度低㊁检测速度慢㊁模型参数大等ꎬ本研究针对番茄叶片多类病害病斑差别较小㊁病斑形状复杂且无规律㊁检测识别方法的检测速率低和模型参数大等问题ꎬ提出一种改进的ＹＯＬＯｖ４轻量化番茄叶部病害识别方法ꎬ使用Ｋ均值聚类算法得到９个新的先验框ꎬ同时利用迁移学习ꎬ将预训练ＹＯＬＯｖ４算法得到的最优参数与在ＣＯＣＯ数据集训练得到的ＭｏｂｉｌｅＮｅｔｖ１权重进行融合ꎬ并对主干网络㊁路径聚合网络进行改进ꎬ达到降低模型参数和减小计算量的目的ꎮ在主干网络的２个输出特征层和空间金字塔池化输出层分别嵌入坐标注意力机制ＣＢＡＭ(卷积块注意力模块)ꎬ以此避免改进网络后减少模型参数带来的精度损失ꎮ１㊀ＹＯＬＯｖ４模型改进１.１㊀ＹＯＬＯｖ４模型ＹＯＬＯｖ４[１２￣１３]作为ＹＯＬＯ系列第４代单阶段目标检测算法ꎬ相较于ＹＯＬＯｖ３算法ꎬ其在检测精度与检测速度方面均有较大的提升ꎮＹＯＬＯｖ４模型主要包括４个方面:输入端㊁主干网络(Ｂａｃｋｂｏｎｅ)㊁颈部网络(Ｎｅｃｋ)以及头部网络(Ｈｅａｄ)ꎮＹＯＬＯｖ４在输入端采用Ｍｏｓａｉｃ数据增强[１４]ꎬ丰富了数据的多样性ꎬ提高了模型的泛化能力ꎮ主干网络在ＤａｒｋＮｅｔ５３的基础上融合了跨阶段局部网络的思想ꎬ形成特征提取效果更强的ＣＳＰＤａｒｋＮｅｔ５３结构ꎮＣＳＰＤａｒｋＮｅｔ５３主干网络主要由５层残差网络Ｒｅｓｂｌｏｃｋ＿Ｂｏｄｙ组成ꎬ同时通过下００２１江苏农业学报㊀２０２３年第３９卷第５期采样输出３个有效特征层ꎬ以此保证提取更完备的图像语义信息ꎮ颈部网络主要由空间金字塔池化(ＳｐａｃｅｐｙｒａｍｉｄｐｏｏｌꎬＳＰＰ)[１５]和ＰＡＮｅｔ[１６]组成ꎬ空间金字塔池化通过５个大小为５ˑ５㊁９ˑ９和１３ˑ１３的最大池化层来融合尺度大小不同的特征图ꎬ起到增加感受野的作用ꎮ路径聚合网络可以提高信息流在网络中的传递效率[１７]ꎬ其对特征图进行上采样与下采样ꎬ借此融合网络提取到的特征信息ꎮ最后ＹＯＬＯｖ４生成３个检测头用于检测目标[１８]ꎮＹＯＬＯｖ４网络结构如图１所示ꎮ为提高模型检测效率ꎬ降低模型参数量ꎬ本研究提出一种改进的ＹＯＬＯｖ４算法的番茄叶部病害识别方法ꎮＩｎｐｕｔｓ:输入图像ꎻＳＰＰ:空间金字塔池化ꎻＣＳＰＤａｒｋｎｅｔ５３:ＹＯＬＯｖ４主干网络ꎻＲｅｓｂｌｏｃｋ＿Ｂｏｄｙ:残差网络ꎻＰＡＮｅｔ:路径聚合网络ꎻＹｏｌｏＨｅａｄ:头部网络ꎮ图１㊀ＹＯＬＯｖ４网络结构Ｆｉｇ.１㊀ＹＯＬＯｖ４ｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｄｉａｇｒａｍ１.２㊀改进ＹＯＬＯｖ４模型１.２.１㊀运用迁移学习㊀在原先的ＹＯＬＯｖ４模型中ꎬ输入图片尺寸大小为４１６ˑ４１６ꎬ冻结层与非冻结层批次大小(Ｂａｔｃｈｓｉｚｅ)均为１６ꎬ模型检测番茄叶片的ｍＡＰ为９８ １６％ꎮ由于本研究采用的番茄叶部病害数据集尺寸大小为２５６ˑ２５６ꎬ因此ꎬ在模型输入端将尺寸改为２５６ˑ２５６ꎬ并将冻结层与非冻结层ｂａｔｃｈｓｉｚｅ均改为８ꎬ最终得到模型检测番茄叶片的ｍＡＰ为９８ ５８％ꎮ因此ꎬ在下文其他模型训练时均采用上述参数进行训练ꎮ由于ＣＯＣＯ数据集包含的数据特征丰富ꎬ因此ꎬ本研究用到的所有模型的训练权重均为对应模型在ＣＯＣＯ数据集训练所得ꎬ利用这些训练权重有利于得到更高精度的结果ꎮ由此可见ꎬ运用迁移学习有利于检测精度的提升ꎬ迁移学习改进后参数量由６４ ３６Ｍ降低为６３ ７９Ｍꎬ图２为参数改进前后ｍＡＰ的对比ꎮ１０２１储㊀鑫等:基于改进ＹＯＬＯｖ４算法的番茄叶部病害识别方法左图为修改参数前ꎬ右图为修改参数后ꎮｍＡＰ:整体检测精准性ꎮ图２㊀修改参数前后ｍＡＰ对比Ｆｉｇ.２㊀Ｃｏｍｐａｒｉｓｏｎｏｆｏｖｅｒａｌｌｄｅｔｅｃｔｉｏｎａｃｃｕｒａｃｙ(ｍＡＰ)ｂｅｆｏｒｅａｎｄａｆｔｅｒｔｈｅｐａｒａｍｅｔｅｒｗａｓｍｏｄｉｆｉｅｄ１.２.２㊀使用ＭｏｂｉｌｅＮｅｔｖ１为主干网络㊀ＭｏｂｉｌｅＮｅｔｖ１是２０１７年由谷歌公司提出的一种轻量化深层神经网络ꎬ与传统的卷积神经网络模型相比ꎬ该模型需要的计算工作量相对较少[１９]ꎬ主要是用于嵌入各类硬件和软件设备ꎬ其最大优势是提出了深度可分离卷积(Ｄｅｐｔｈｗｉｓｅｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎ)ꎬ并且Ｍｏｂｉｌｅ￣Ｎｅｔｖ１采用ＲｅＬＵ６代替ＲｅＬＵ作为激活函数ꎮ图３为普通卷积和深度可分离卷积结构的对比ꎮ采用多个ＲｅＬＵ６激活函数ꎬ可以在减少计算量的同时避免带来精度损失ꎮ图３㊀普通卷积(左)和深度可分离卷积结构(右)对比Ｆｉｇ.３㊀Ｏｒｄｉｎａｒｙｃｏｎｖｏｌｕｔｉｏｎ(ｌｅｆｔ)ａｎｄｄｅｐｔｈｓｅｐａｒａｂｌｅｃｏｎｖｏ￣ｌｕｔｉｏｎｓｔｒｕｃｔｕｒｅ(ｒｉｇｈｔ)㊀㊀为了使模型参数量更小ꎬ检测速度更快ꎬＭｏ￣ｂｉｌｅＮｅｔｖ１在输入通道上引入可以使每一层网络均匀细化的宽度因子(ａ)ꎬ其取值为０ ２５㊁０ ５０㊁０ ７５㊁１ ００ꎮ当ａ取１ ００时ꎬ代表原始的网络ꎬ只有当ａ<１ ００时ꎬ才有细化网络层的功能ꎮ本研究选取ａ为０ ２５的ＭｏｂｉｌｅＮｅｔｖ１网络作为主干网络对ＹＯＬＯｖ４模型进一步压缩ꎬ在只给精度仅带来０ ０１％的损失的同时减少了２３ ２３Ｍ参数量ꎬ因此ꎬ选取ａ为０ ２５的ＭｏｂｉｌｅＮｅｔｖ１网络代替ＹＯＬＯｖ４的主干网络ＣＳＰＤａｒｋＮｅｔ￣５３ꎬ大大地减少了模型参数量且几乎不带来识别精度的损失ꎮ１.２.３㊀改进ＰＡＮｅｔ㊀深度可分离卷积的核心思想是将普通卷积运算分为逐深度卷积(Ｄｅｐｔｈｗｉｓｅｃｏｎｖｏ￣ｌｕｔｉｏｎ)与逐点１ˑ１卷积(Ｐｏｉｎｔｗｉｓｅｃｏｎｖｏｌｕｔｉｏｎ)２步进行[２０]ꎮ逐深度卷积不同于普通卷积的是１个通道由１个卷积核负责ꎬ每个通道独立进行空间卷积运算ꎮ不同深度卷积的输出由逐点１ˑ１卷积重新组合输出ꎬ从而得到新的特征图ꎮ图４Ａ为普通卷积运算ꎬ图４Ｂ为逐深度卷积运算ꎬ图４Ｃ为逐点卷积运算ꎮ㊀㊀由图４Ａ可知ꎬ普通卷积计算量为:ＨˑＷˑＭˑＮˑＤｋˑＤｋ(１)由图４Ｂ可知ꎬ逐深度卷积计算量为:ＨˑＷˑＭˑＤｋˑＤｋ(２)由图４Ｃ可知ꎬ逐点卷积计算量为:ＨˑＷˑＭˑＮ(３)式中ꎬＷ㊁Ｈ表示输入特征图ꎬＭ表示输入通道ꎬＮ表示输出通道ꎬＤｋ表示卷积核ꎮ因此ꎬ采用深度可分离卷积代替普通卷积后的计算量与普通卷积计算量之比如公式(４)所示ꎬＰＡ￣Ｎｅｔ采用深度可分离卷积代替３ˑ３普通卷积可以大２０２１江苏农业学报㊀２０２３年第３９卷第５期Ａ:普通卷积ꎻＢ:逐深度卷积ꎻＣ:逐点卷积ꎮＭ表示输入通道ꎬＮ表示输出通道ꎬＤｋ表示卷积核ꎮ图４㊀深度可分离卷积Ｆｉｇ.４㊀Ｄｅｐｔｈｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎ幅度降低计算量ꎬ有利于模型的压缩ꎮＨˑＷˑＭˑＤｋˑＤｋ＋ＨˑＷˑＭˑＮＨˑＷˑＭˑＮˑＤｋˑＤｋ＝１Ｎ＋１Ｄ２ｋ(４)１.２.４㊀改进Ａｎｃｈｏｒｂｏｘ㊀ＹＯＬＯｖ４是一种根据锚框对目标物体进行预测回归的算法ꎬ其原先Ａｎｃｈｏｒｂｏｘ是根据ＣＯＣＯ数据集训练得到的固定数值ꎮ而本研究的对象是ＣＯＣＯ数据集中鲜少出现的番茄叶片病害ꎬ并且数据集中番茄叶片病害种类繁多ꎬ导致数据集标注边界框尺寸相差甚远ꎮ为了使Ａｎｃｈｏｒｂｏｘ更接近数据集标注尺寸ꎬ本研究采用Ｋ均值聚类算法对本研究数据集的Ａｎｃｈｏｒｂｏｘ进行聚类分析ꎬ得到合适的锚框尺寸ꎮＫ均值聚类算法具有计算复杂度低㊁收敛速度快和可解释性强等特点ꎮ根据Ｋ均值聚类算法随机初始化得到９个中心点ꎬ计算每个坐标到中心点的欧式距离ꎬ将每个样本分配给离它最近的中心点ꎬ不断重复此步骤直到９个中心点不再移动ꎬ从而得到９个新的Ａｎｃｈｏｒｂｏｘꎬ分别为(１３２ꎬ１９８)㊁(１６２ꎬ２２２)㊁(１８２ꎬ２００)㊁(１８６ꎬ２３４)㊁(２０３ꎬ２２４)㊁(２２６ꎬ２１２)㊁(２０９ꎬ２４０)㊁(２２３ꎬ２３７)㊁(２３７ꎬ２４２)ꎬ将新的Ａｎｃｈｏｒｂｏｘ运用到算法中ꎬ并采用ｍＡＰ值和ＧＦＬＯＰｓ值(每秒浮点运算次数)作为优化前后的评价指标ꎮ最终结果表明ꎬ优化后的ｍＡＰ值增长了０ ０２％ꎬＧＦＬＯＰｓ值也比优化前高出１ ３６Ｇꎮ图５是Ｋ均值聚类分布ꎮ１.２.５㊀添加ＣＢＡＭ㊀注意力机制ＣＢＡＭ模块是一种在通道和空间２个维度上对特征图像进行权重分配ꎬ从而提取到更有用的特征信息的模块ꎮ特ˑ:质心ꎻ圆点:数据集标注框样本ꎮ图５㊀先验框Ｋ均值聚类分布Ｆｉｇ.５㊀ＣｌｕｓｔｅｒｄｉｓｔｒｉｂｕｔｉｏｎｏｆｐｒｉｏｒｂｏｘＫ￣ｍｅａｎｓ征图像首先进入通道注意力模块ꎬ通过平均池化和最大池化得到各个通道的信息ꎬ并将得到的参数通过多层感知进行叠加ꎬ再经过激活函数处理ꎬ从而得到通道注意力特征图[２１]ꎮ空间注意力模块主要关注空间层面上特征图的内在联系ꎬ将通道注意力模块的输出作为空间注意力模块的输入ꎬ经过卷积和激活操作后获得空间注意力模块的特征图[２２]ꎮ为提取到番茄病害更丰富的有效特征信息ꎬ本研究在ＹＯＬＯｖ４改进后的主干特征提取网络Ｍｏ￣ｂｉｌｅＮｅｔｖ１的２个输出特征层以及加强特征提取网络ＳＰＰ的输出特征层上添加ＣＢＡＭ模块ꎬ以ＣＢＡＭ模块输出的有效特征图作为ＰＡＮｅｔ的输入ꎬ传入ＰＡ￣Ｎｅｔ结构中进行卷积和上采样ꎬ最终提取到包含更多关键信息的特征图ꎮ改进后ＹＯＬＯｖ４的网络结构如图６所示ꎮ２㊀结果与分析为验证本研究算法在多类番茄病害识别与分类方面的性能ꎬ首先构建数据集ꎬ然后分别对ＹＯＬＯｖ４不同主干网络和在主干网络输出层加入的不同注意力机制模块进行训练ꎬ并选取经典的单阶段目标检测算法与本研究改进的ＹＯＬＯｖ４算法进行对比ꎮ试验的硬件配置为ＩｎｔｅｌＣｏｒｅＴＭｉ７￣１０７００Ｋ处理器和ＮＶＩＤＩＡＧｅＦｏｒｃｅＲＴＸ３０６０显卡ꎮ操作系统是Ｕｂｕｎｔｕ２０.０４.２ＬＴＳ６４位系统ꎮＰｙｔｈｏｎ的版本为３.８.５ꎬＰｙｔｏｒｃｈ的版本为１.８.１ꎮ在训练过程中ꎬ首先对输入的图片进行Ｍｏｓａｉｃ(马赛克)数据增强ꎬ并使用余弦退火算法对学习率进行调整ꎬ每轮共设置３００次迭代ꎬ冻结层和非冻结层ｂａｔｃｈｓｉｚｅ设置为８ꎮ３０２１储㊀鑫等:基于改进ＹＯＬＯｖ４算法的番茄叶部病害识别方法ＭｏｂｉｌｅＮｅｔ:ＭｏｂｉｌｅＮｅｔ轻量化网络ꎻＳＰＰ:空间金字塔池化网络ꎻＣＢＡＭ:注意力机制ꎻＰＡＮｅｔ:路径聚合网络ꎻＹＯＬＯＨｅａｄ:头部网络ꎮ图６㊀改进后ＹＯＬＯｖ４的网络结构Ｆｉｇ.６㊀ＩｍｐｒｏｖｅｄｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅｏｆＹＯＬＯｖ４２.１㊀数据集的构建本研究所用数据集选自ＰｌａｎｔＶｉｌｌａｇｅ公开数据集中的番茄叶片集ꎬ其中包括细菌性斑点病㊁叶霉病㊁晚疫病㊁叶斑病㊁二斑叶螨病㊁黄曲叶病㊁早疫病叶片以及健康叶片ꎬ共８个类别ꎮ由于样本分布不均匀会影响模型训练结果ꎬ因此ꎬ每个类别的叶片选取相同的数量ꎬ均为１２５０张ꎮ数据集中早疫病图片仅有１０００张ꎬ通过编写程序将其中２５０张图片旋转２７０ʎ后与原有图像整合ꎬ使其与其他类别图像达到相同数量ꎬ最终得到所有数据集１００００张ꎬ数据集如图７所示ꎮ使用ＭａｋｅＳｅｎｓｅ工具对上述１００００张番茄叶片病害图像进行标注ꎬ标注时利用最小外接矩形框标记出叶片位置并选择对应的类别标签ꎮ标注完成后ꎬ每张图片会产生１个对应的包含病害类别标签和矩形框坐标信息的ｔｘｔ文件ꎬ图８为数据集标注示例ꎮ通过编写随机抽样的程序ꎬ从１００００张图片中随机选择８００１张作为训练集ꎬ随机选择９９９张图片作为验证集ꎬ随机选择１０００张图片作为测试集ꎮ２.２㊀评价指标为了评估算法的性能优劣ꎬ本研究以对所有类别的番茄叶片整体检测精准性(ｍＡＰ)㊁每秒所执行的浮点运算次数㊁每秒帧数(ＦＰＳ)㊁平均每张图片检测时间以及模型参数量作为评价模型大小㊁检测速度和精度的指标ꎮｍＡＰ由所有类别的平均精度(ＡＰ)取平均值得到ꎬＡＰ是精确度(Ｐ)和召回率(Ｒ)组成的曲线的面积ꎮＰ㊁Ｒ的计算方法分别见公式(５)㊁公式(６)ꎬｍＡＰ的计算公式如公式(７)所示ꎮＧＦＬＯＰｓ用于衡量模型的计算量ꎬ其值越大ꎬ表明模型计算速度越高ꎮＦＰＳ用于衡量模型的实时性能ꎬ其值越大ꎬ表明模型实时检测的性能越好ꎮＰ＝ＴＰＴＰ＋ＦＰ(５)Ｒ＝ＴＰＴＰ＋ＦＮ(６)ｍＡＰ＝１ｎðｎｉ＝１ＡＰ(７)式中ꎬＴＰ表示正确检测到的病害类别的数量ꎻＦＰ表示误检病害类别的数量ꎻＦＮ表示未检测到的病害类别的数量ꎻｎ表示番茄病害样本类别数ꎮ２.３㊀不同主干网络的性能比较针对ＹＯＬＯｖ４参数量多和网络结构复杂等问题ꎬ分别选取不同的轻量化主干网络代替原来的ＣＳＰＤａｒｋｎｅｔ网络ꎬ对８００１张训练集进行训练后ꎬ得到相应权重再分别检测验证集和测试集ꎮ为验证ＭｏｂｉｌｅＮｅｔｖ１轻量化网络检测番茄病害的优越性ꎬ选取的网络分别是ＭｏｂｉｌｅＮｅｔｖ２㊁ＭｏｂｉｌｅＮｅｔｖ３以及ＣＳＰＤａｒｋｎｅｔꎬ预测结果如表１所示ꎮ由表１可以看出ꎬＭｏｂｉｌｅＮｅｔｖ２和ＭｏｂｉｌｅＮｅｔｖ３虽然检测时间优于原ＹＯＬＯｖ４模型ꎬ但识别精度(整体检测精准性)却低于原ＹＯＬＯｖ４模型ꎮＭｏ￣ｂｉｌｅＮｅｔｖ１不仅比其他轻量化网络识别模型的整体检测精准性高ꎬ检测速度也具有较大的优势ꎬ检测每张图片平均仅需９ｍｓꎬ比原ＹＯＬＯｖ４模型快了１３ｍｓꎬ满足实时检测的条件ꎮ４０２１江苏农业学报㊀２０２３年第３９卷第５期图７㊀番茄叶片数据集Ｆｉｇ.７㊀Ｄａｔａｓｅｔｏｆｔｏｍａｔｏｌｅａｖｅｓ图８㊀番茄叶片数据集标注示例Ｆｉｇ.８㊀Ｌａｂｅｌｉｎｇｓａｍｐｌｅｓｏｆｔｏｍａｔｏｌｅａｆｄａｔａｓｅｔ表１㊀不同主干网络的性能比较Ｔａｂｌｅ１㊀Ｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｂａｃｋｂｏｎｅｎｅｔｗｏｒｋｓ模型ｍＡＰ(％)ＧＦＬＯＰｓＦＰＳ(帧ꎬ１ｓ)Ｔｉｍｅ(ｍｓ)ＹＯＬＯｖ４９８.５８２２.６５４４.２４２２ＹＯＬＯｖ４＋ＭｏｂｉｌｅＮｅｔｖ３９８.３３２.６８７０.４７１４ＹＯＬＯｖ４＋ＭｏｂｉｌｅＮｅｔｖ２９８.４０２.８８８１.１８１２ＹＯＬＯｖ４＋ＭｏｂｉｌｅＮｅｔｖ１９８.６８１０.０１１０２.３１９ｍＡＰ:模型对８类叶片整体检测精准性ꎻＧＦＬＯＰｓ:每秒所执行的浮点运算次数ꎻＦＰＳ:每秒传输帧数ꎻＴｉｍｅ:模型检测时间ꎮ２.４㊀不同注意力机制的比较为验证本研究在主干网络２个输出层和ＳＰＰ结构的输出层添加ＣＢＡＭ模块的有效性ꎬ本研究设计了在同等条件下添加不同注意力模块的对比试验ꎬ结果如表２所示ꎮ由表２可以看出ꎬ在设定参数以及其他改进均相同的情况下ꎬ添加ＣＢＡＭ模块比添加ＣＡ模块和ＥＣＡ模块的平均检测精度都具有优势ꎬ并且没有带来检测速度方面的损失ꎮ原因可能是ＣＢＡＭ模块属于轻量级模块ꎬ其插入５０２１储㊀鑫等:基于改进ＹＯＬＯｖ４算法的番茄叶部病害识别方法网络层后并不会给网络带来运行负担ꎬ并且相较于ＥＣＡ模块与ＣＡ模块只关注通道注意力ꎬＣＢＡＭ模块可以在关注通道注意力的同时又关注空间注意力ꎬ而空间注意力对图像中的有效语义信息更为敏感ꎬ因此ꎬ添加ＣＢＡＭ模块使得空间注意力与通道注意力相辅相成ꎬ从而有效地提高网络的特征提取能力ꎮ表２㊀不同注意力机制的性能比较Ｔａｂｌｅ２㊀Ｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｓ模型㊀㊀㊀㊀ｍＡＰ(％)ＦＰＳ(帧ꎬ１ｓ)Ｔｉｍｅ(ｍｓ)ＹＯＬＯｖ４９８.６８１０２.３１９ＹＯＬＯｖ４＋ＥＣＡ９８.５８１０２.３０９ＹＯＬＯｖ４＋ＣＡ９８.６４９９.１４１０ＹＯＬＯｖ４＋ＣＢＡＭ９８.７６１０１.７６９ｍＡＰ㊁ＦＰＳ㊁Ｔｉｍｅ见表１注ꎮＥＣＡ㊁ＣＡ㊁ＣＢＡＭ表示不同的注意力机制模块ꎮ２.５㊀消融试验为验证本研究提出的每个改进对试验结果的积极影响ꎬ本研究设计了消融对比试验ꎬ试验内容包括运用迁移学习ꎬ以ＭｏｂｉｌｅＮｅｔｖ１为主干网络ꎬ改进ＰＡＮｅｔꎬ采用Ｋ均值聚类Ａｎｃｈｏｒｂｏｘ和添加ＣＢＡＭ模块ꎬ试验结果如表３所示ꎮ由表３可知ꎬ采用参数迁移学习后ꎬ番茄病害平均检测精度有所提高ꎬ而在采用ＭｏｂｉｌｅＮｅｔｖ１替换主干网络后ꎬ模型参数量减少了２３ ２３Ｍꎬ在此基础上ꎬ进一步对ＰＡＮｅｔ进行改进ꎬ使得模型参数量大幅度减少了２８ ２６Ｍꎮ由此可以看出ꎬ对ＹＯＬＯｖ４算法主干网络和路径聚合网络的改进ꎬ有效地减少了模型参数量ꎮ并且在网络中添加ＣＢＡＭ模块后ꎬ使得ｍＡＰ有所提升的同时参数量仅有微小提升ꎮ因此ꎬ改进后的ＹＯＬＯｖ４算法在保障精度有所提升的前提下ꎬ大大提高了模型检测病害的速度ꎮ表３㊀消融试验的性能比较Ｔａｂｌｅ３㊀Ｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆａｂｌａｔｉｏｎｔｅｓｔｓ迁移学习引入ＭｏｂｉｌｅＮｅｔｖ１改进ＰＡＮｅｔＫ均值添加ＣＢＡＭ模型参数量(Ｍ)ｍＡＰ(％)６４.３６９８.１６ɿ ６３.７９９８.５８ɿɿ ４０.５６９８.５７ɿɿɿ １２.３０９８.６８ɿɿɿɿ １２.３０９８.７０ɿɿɿɿɿ１２.６４９８.７６ 表示未做改进ꎻ ɿ 表示已做改进ꎻｍＡＰ㊁Ｔｉｍｅ见表１注ꎮ２.６㊀与其他单阶段目标检测算法比较当前的目标检测算法分为２类ꎬ一类是以Ｆａｓ￣ｔｅｒＲ￣ＣＮＮ[２３]为代表的Ｔｗｏ￣ｓｔａｇｅ检测算法ꎬＴｗｏ￣ｓｔａｇｅ检测算法识别精度较高ꎬ但对检测速度有所限制ꎬ显然不适用于实时检测场景ꎮ另一类是Ｏｎｅ￣ｓｔａｇｅ检测算法ꎬ这类算法直接使用网络检测目标边界框和类概率分数ꎬ检测速度高ꎬ识别准确率较高ꎬ适用于农业病害实时检测场景ꎮ因此ꎬ本研究选择对以ＳＳＤ[２４]和ＹＯＬＯ为代表的Ｏｎｅ￣ｓｔａｇｅ目标检测算法与改进的ＹＯＬＯｖ４轻量化算法进行对比ꎬ表４为不同单阶段算法对比ꎮ由表４可以看出ꎬ本研究提出的算法平均每张图片检测速度分别比ＳＳＤ和ＲｅｔｉｎａＮｅｔ算法快６ｍｓ和５ｍｓꎬｍＡＰ比ＳＳＤ和Ｒｅｔｉ￣ｎａＮｅｔ算法高ꎮ本研究提出的算法模型参数量更是远远小于ＳＳＤ㊁ＲｅｔｉｎａＮｅｔ以及原ＹＯＬＯｖ４模型ꎬ分别比ＳＳＤ㊁ＲｅｔｉｎａＮｅｔ以及原ＹＯＬＯｖ４模型小９ ６４Ｍ㊁９ ７７Ｍ和５１ ３３Ｍꎮ因此ꎬ本研究提出的算法在不影响识别精度的前提下大大减少了模型大小ꎬ更适合在嵌入式系统上部署ꎮ㊀㊀为验证改进后的ＹＯＬＯｖ４算法是否可以较好地应用于自然场景ꎬ选择现实场景里番茄相对感染较多的４种病害ꎬ分别是早疫病㊁晚疫病㊁细菌性斑点病和黄曲叶病ꎬ使用改进后的ＹＯＬＯｖ４算法对４种病害进行检测识别ꎮ图９为使用改进后的ＹＯＬＯｖ４算法对病害识别的结果ꎬ可以看出该算法可以准确识别自然环境下的番茄叶部病害ꎮ６０２１江苏农业学报㊀２０２３年第３９卷第５期表４㊀不同单阶段目标检测算法的性能比较Ｔａｂｌｅ４㊀Ｐｅｒｆｏｒｍａｎｃｅｃｏｍｐａｒｉｓｏｎｏｆｄｉｆｆｅｒｅｎｔｓｉｎｇｌｅ￣ｓｔａｇｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｓ模型㊀㊀㊀ｍＡＰ(％)ＧＦＬＯＰｓＦＰＳ(帧ꎬ１ｓ)参数量(Ｍ)Ｍｏｄｅｌｓｉｚｅ(ＭＢ)Ｔｉｍｅ(ｍｓ)ＳＳＤ９８.５０６２.７９６６.３６２２.２８９８.８１５ＹＯＬＯｖ４９８.１６２２.６５４４.２４６３.９７２５６.４２２ＲｅｔｉｎａＮｅｔ９８.４８３４.３５６７.７２２２.４１１４６.２１４本研究算法９８.７６３.７９１０１.７６１２.６４５３.７９Ｍｏｄｅｌｓｉｚｅ:模型权重大小ꎻｍＡＰ㊁ＧＦＬＯＰｓ㊁ＦＰＳ㊁Ｔｉｍｅ见表１注ꎮＡ:早疫病ꎻＢ:晚疫病ꎻＣ:细菌性斑点病ꎻＤ:黄曲叶病ꎮ图９㊀自然场景病害识别结果Ｆｉｇ.９㊀Ｄｉｓｅａｓｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｒｅｓｕｌｔｓｉｎｎａｔｕｒａｌｓｃｅｎｅｓ３㊀结论针对不同种类番茄叶片病害误检率高㊁实时检测速度低等问题[２５￣２６]ꎬ本研究提出一种改进的ＹＯＬＯｖ４轻量化检测算法ꎬ应用于８种番茄病害识别ꎬ改进后的模型在平均识别精确度㊁检测速度以及参数内存大小方面均取得了良好的效果ꎮ将ＹＯＬＯｖ４的主干网络ＣＳＰＤａｒｋＮｅｔ替换成轻量化的ＭｏｂｉｌｅＮｅｔｖ１网络ꎬ并采用深度可分离卷积取代ＰＡ￣Ｎｅｔ加强特征提取网络中的３ˑ３普通卷积ꎬ使得模型的计算量得到进一步压缩ꎮ通过有效调整ＹＯＬＯｖ４原始模型参数ꎬ结合迁移学习策略ꎬ将Ｍｏ￣ｂｉｌｅＮｅｔｖ１在ＣＯＣＯ数据集上训练的权重运用到改进的ＹＯＬＯｖ４模型ꎬ并在主干网络的２个输出特征层和空间金字塔池化输出层分别嵌入坐标注意力机制ꎬ以此避免减小模型参数带来精度损失ꎮ应用Ｋ均值聚类算法对Ａｎｃｈｏｒｂｏｘ进行重新优化ꎬ得到新的Ａｎｃｈｏｒｂｏｘ值ꎬ取代原始ＹＯＬＯｖ４的盲目搜索方法ꎬ从而提升了模型检测能力ꎮ本研究提出的模型传输帧数为１０１ ７６ｆ/ｓꎬ比原始ＹＯＬＯｖ４模型提高了１３０％ꎬ而模型参数量仅为１２ ６４Ｍꎬ比原ＹＯＬＯｖ４模型参数量减少了８０％ꎬ在１０００张测试集图片上整体检测精准性为９８ ７６％ꎬ比原始ＹＯＬＯｖ４模型提高了０ ６个百分点ꎬ平均每张病害图片检测时间为９ｍｓꎮ因此ꎬ改进后的轻量化ＹＯＬＯｖ４模型实时检测性能更好ꎬ精确度更高并且更适合在硬件上部署ꎮ下一步的研究重点是将本研究算法应用到各种复杂的自然场景ꎬ将深度学习应用到更广泛的农业工程中ꎮ参考文献:[１]㊀ＷＡＮＧＸＷꎬＬＩＵＪꎬＺＨＵＸＮ.Ｅａｒｌｙｒｅａｌ￣ｔｉｍｅｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｏｆｔｏｍａｔｏｄｉｓｅａｓｅｓａｎｄｐｅｓｔｓｉｎｔｈｅｎａｔｕｒａｌｅｎｖｉｒｏｎｍｅｎｔ[Ｊ].ＰｌａｎｔＭｅｔｈｏｄｓꎬ２０２１ꎬ１７(１):１￣１７.[２]㊀ＸＵＣꎬＤＩＮＧＪＱꎬＱＩＡＯＹꎬｅｔａｌ.Ｔｏｍａｔｏｄｉｓｅａｓｅａｎｄｐｅｓｔｄｉａｇｎｏ￣ｓｉｓｍｅｔｈｏｄｂａｓｅｄｏｎｔｈｅＳｔａｃｋｉｎｇｏｆｐｒｅｓｃｒｉｐｔｉｏｎｄａｔａ[Ｊ].Ｃｏｍｐｕｔ￣ｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅꎬ２０２２ꎬ１９７:１０６９９７. [３]㊀吕盛坪ꎬ李灯辉ꎬ冼荣亨.深度学习在我国农业中的应用研究现状[Ｊ].计算机工程与应用ꎬ２０１９ꎬ５５(２０):２４￣３３ꎬ５１. [４]㊀刘文波ꎬ叶㊀涛ꎬ李㊀颀.基于改进ＳＯＬＯｖ２的番茄叶部病害检测方法[Ｊ].农业机械学报ꎬ２０２１ꎬ５２(８):２１３￣２２０. [５]㊀文㊀斌ꎬ曹仁轩ꎬ杨启良ꎬ等.改进ＹＯＬＯｖ３算法检测三七叶片病害[Ｊ].农业工程学报ꎬ２０２２ꎬ３８(３):１６４￣１７２. [６]㊀ＨＵＧＳꎬＹＡＮＧＸＷꎬＺＨＡＮＧＹꎬｅｔａｌ.Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｔｅａｌｅａｆｄｉｓｅａｓｅｓｂｙｕｓｉｎｇａｎｉｍｐｒｏｖｅｄｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｕｒａｌｎｅｔｗｏｒｋ[Ｊ].ＳｕｓｔａｉｎａｂｌｅＣｏｍｐｕｔｉｎｇ:ＩｎｆｏｒｍａｔｉｃｓａｎｄＳｙｓｔｅｍｓꎬ２０１９ꎬ２４:１００３５３.[７]㊀ＱＩＪＴꎬＬＩＵＸＮꎬＬＩＵＫꎬｅｔａｌ.ＡｎｉｍｐｒｏｖｅｄＹＯＬＯｖ５ｍｏｄｅｌｂａｓｅｄｏｎｖｉｓｕａｌａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ:ａｐｐｌｉｃａｔｉｏｎｔｏｒｅｃｏｇｎｉｔｉｏｎｏｆｔｏｍａｔｏｖｉｒｕｓｄｉｓｅａｓｅ[Ｊ].ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅꎬ２０２２ꎬ１９４:１０６７８０.[８]㊀刘延鑫ꎬ王俊峰ꎬ杜传印ꎬ等.基于ＹＯＬＯｖ３的多类烟草叶部病害检测研究[Ｊ].中国烟草科学ꎬ２０２２ꎬ４３(２):９４￣１００. [９]㊀王超学ꎬ祁㊀昕ꎬ马㊀罡ꎬ等.基于ＹＯＬＯｖ３的葡萄病害人工智能识别系统[Ｊ].植物保护ꎬ２０２２ꎬ４８(６):２７８￣２８８.[１０]周㊀维ꎬ牛永真ꎬ王亚炜ꎬ等.基于改进的ＹＯＬＯｖ４￣ＧｈｏｓｔＮｅｔ水稻病虫害识别方法[Ｊ].江苏农业学报ꎬ２０２２ꎬ３８(３):６８５￣６９５. [１１]王权顺ꎬ吕㊀蕾ꎬ黄德丰ꎬ等.基于改进ＹＯＬＯｖ４算法的苹果叶部病害缺陷检测研究[Ｊ].中国农机化学报ꎬ２０２２ꎬ４３(１１):１８２￣１８７.[１２]ＲＥＤＭＯＮＪꎬＤＩＶＶＡＬＡＳꎬＧＩＲＳＨＩＣＫＲꎬｅｔａｌ.Ｙｏｕｏｎｌｙｌｏｏｋｏｎｃｅ:ｕｎｉｆｉｅｄꎬｒｅａｌ￣ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ[Ｃ].ＬａｓＶｅｇａｓ:ＩＥＥＥＣｏｍ￣ｐｕｔｅｒＳｏｃｉｅｔｙꎬ２０１６.７０２１储㊀鑫等:基于改进ＹＯＬＯｖ４算法的番茄叶部病害识别方法[１３]ＢＯＣＨＫＯＶＳＫＩＹＡꎬＷＡＮＧＣＹꎬＬＩＡＯＨＹ.ＹＯＬＯｖ４:ｏｐｔｉｍａｌｓｐｅｅｄａｎｄａｃｃｕｒａｃｙｏｆｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ[Ｊ/ＯＬ].ａｒＸｉｖꎬ２０２０. [１４]胡文骏ꎬ杨莉琼ꎬ肖宇峰ꎬ等.识别安全帽佩戴的轻量化网络模型[Ｊ/ＯＬ].计算机工程与应用:１￣９.[２０２３￣０３￣１５].ｈｔｔｐ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/１１.２１２７.ＴＰ.２０２２０５２４.１１０６.０１１.ｈｔｍｌ. [１５]ＨＥＫꎬＺＨＡＮＧＸꎬＲＥＮＳꎬｅｔａｌ.Ｓｐａｔｉａｌｐｙｒａｍｉｄｐｏｏｌｉｎｇｉｎｄｅｅｐｃｏｎｖｏｌｕｔｉｏｎａｌｎｅｔｗｏｒｋｓｆｏｒｖｉｓｕａｌｒｅｃｏｇｎｉｔｉｏｎ[Ｊ].ＩＥＥＥｔｒａｎｓａｃｔｉｏｎｓｏｎｐａｔｔｅｒｎａｎａｌｙｓｉｓａｎｄｍａｃｈｉｎｅｉｎｔｅｌｌｉｇｅｎｃｅꎬ２０１５ꎬ３７(９):１９０４￣１９１６.[１６]ＬＩＵＳꎬＱＩＬꎬＱＩＮＨＦꎬｅｔａｌ.Ｐａｔｈａｇｇｒｅｇａｔｉｏｎｎｅｔｗｏｒｋｆｏｒｉｎ￣ｓｔａｎｃｅｓｅｇｍｅｎｔａｔｉｏｎ[Ｃ].ＳａｌｔＬａｋｅＣｉｔｙꎬＵＴꎬＵＳＡ:ＩＥＥＥＰｒｅｓｓꎬ２０１８:８７５９￣８７６８.[１７]陈道怀ꎬ汪杭军.基于改进ＹＯＬＯｖ４的林业害虫检测[Ｊ].浙江农业学报ꎬ２０２２ꎬ３４(６):１３０６￣１３１５.[１８]裴瑞景ꎬ王㊀硕ꎬ王华英.基于改进ＹＯＬＯｖ４算法的水果识别检测研究[Ｊ/ＯＬ].激光技术:１￣１１[２０２３￣０３￣１５].ｈｔｔｐ://ｋｎｓ.ｃｎｋｉ.ｎｅｔ/ｋｃｍｓ/ｄｅｔａｉｌ/５１.１１２５.ＴＮ.２０２２０５１８.１１３５.００４.ｈｔｍｌ. [１９]ＳＲＩＮＩＶＡＳＵＰＮꎬＳＩＶＡＳＡＩＪＧꎬＩＪＡＺＭＦꎬｅｔａｌ.ＣｌａｓｓｉｆｉｃａｔｉｏｎｏｆｓｋｉｎｄｉｓｅａｓｅｕｓｉｎｇｄｅｅｐｌｅａｒｎｉｎｇｎｅｕｒａｌｎｅｔｗｏｒｋｓｗｉｔｈＭｏｂｉｌｅＮｅｔＶ２ａｎｄＬＳＴＭ[Ｊ].Ｓｅｎｓｏｒｓꎬ２０２１ꎬ２１(８):２８５２.[２０]ＷＡＮＧＨＴꎬＬＵＦＹꎬＴＯＮＧＸꎬｅｔａｌ.Ａｍｏｄｅｌｆｏｒｄｅｔｅｃｔｉｎｇｓａｆｅｔｙｈａｚａｒｄｓｉｎｋｅｙｅｌｅｃｔｒｉｃａｌｓｉｔｅｓｂａｓｅｄｏｎｈｙｂｒｉｄａｔｔｅｎｔｉｏｎｍｅｃｈａ￣ｎｉｓｍｓａｎｄｌｉｇｈｔｗｅｉｇｈｔＭｏｂｉｌｅｎｅｔ[Ｊ].ＥｎｅｒｇｙＲｅｐｏｒｔｓꎬ２０２１ꎬ７(Ｓ７):７１６￣７２４.[２１]郝㊀帅ꎬ张㊀旭ꎬ马㊀旭ꎬ等.基于ＣＢＡＭ￣ＹＯＬＯｖ５的煤矿输送带异物检测[Ｊ].煤炭学报ꎬ２０２２ꎬ４７(１１):４１４９￣４１５８. [２２]姚齐水ꎬ别帅帅ꎬ余江鸿.一种结合改进ＩｎｃｅｐｔｉｏｎＶ２模块和ＣＢＡＭ的轴承故障诊断方法[Ｊ].振动工程学报ꎬ２０２２ꎬ３５(４):９４９￣９５７.[２３]ＲＥＮＳＱꎬＨＥＫＭꎬＧＩＲＳＨＩＣＫＲꎬｅｔａｌ.ＦａｓｔｅｒＲ￣ＣＮＮ:ｔｏｗａｒｄｓｒｅａｌ￣ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｗｉｔｈｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔｗｏｒｋｓ[Ｊ].ＩＥＥＥＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅꎬ２０１７ꎬ３９(６):１１３７￣１１４９.[２４]ＬＩＵＷꎬＡＮＧＵＥＬＯＶＤꎬＥＲＨＡＮＤꎬｅｔａｌ.ＳＳＤ:ｓｉｎｇｌｅｓｈｏｔｍｕｌｔｉｂｏｘｄｅｔｅｃｔｏｒ[Ｍ].ＡｍｓｔｅｒｄａｍꎬＴｈｅＮｅｔｈｅｒｌａｎｄ:ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＥｕｒｏｐｅａｎＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎꎬ２０１６. [２５]胡㊀政ꎬ张㊀艳ꎬ尚㊀静ꎬ等.高光谱图像在农作物病害检测识别中的研究进展[Ｊ].江苏农业科学ꎬ２０２２ꎬ５０(８):４９￣５５. [２６]牛学德ꎬ高丙朋ꎬ南新元ꎬ等.基于改进ＤｅｎｓｅＮｅｔ卷积神经网络的番茄叶片病害检测[Ｊ].江苏农业学报ꎬ２０２２ꎬ３８(１):１２９￣１３４.(责任编辑:陈海霞)８０２１江苏农业学报㊀２０２３年第３９卷第５期。
基于YOLOv3_改进算法的烟叶原料烟草甲识别方法研究
河南农业科学，2023，52（11）：157⁃166Journal of Henan Agricultural Sciencesdoi:10.15933/ki.1004-3268.2023.11.017基于YOLOv3改进算法的烟叶原料烟草甲识别方法研究张卫正1，陈赛越扬1，王艳玲1，帖金鑫2，丁佳3，李萌4，李灿林1，苏晓珂1，甘勇1（1.郑州轻工业大学计算机科学与技术学院，河南郑州450001；2.浙江中烟工业有限责任公司宁波卷烟厂，浙江宁波315040；3.河北中烟有限责任公司，河北石家庄050051；4.郑州轻工业大学烟草科学与工程学院，河南郑州450001）摘要：为了解决烟叶原料中烟草甲人工识别效率低、不准确的问题，实现烟草甲的精准、智能识别，提出一种基于YOLOv3改进算法的烟草甲识别模型。
首先采用Random Mix 数据增强技术扩充烟草甲数据集；然后，通过引入K-means++算法重新聚类锚框，改进YOLOv3对于烟草甲的识别能力；使用SIoU Loss 改进YOLOv3的边界框损失函数，提高模型定位的准确性，加速模型收敛；最后加入特征细化模块过滤冲突信息，优化模型对烟草甲数据集中小目标识别的精准度。
结果表明，改进的YOLOv3网络模型对测试集中烟草甲的平均检测精确率、召回率、F1分数和平均精度均值（mAP ）分别达到93.26%、88.25%、0.90和94.59%，分别比现有的YOLOv3算法提高了12.21百分点、11.79百分点、0.12、12.40百分点，可为烟草甲的有效识别提供支撑。
关键词：烟叶；烟草甲；YOLOv3改进算法；数据增强；损失函数；目标识别中图分类号：S126；TP391.4文献标志码：A文章编号：1004-3268（2023）11-0157-10收稿日期：2023-06-03基金项目：河南省科技攻关项目（222102210037）；河南省高等教育教学改革研究与实践重点项目（2021SJGLX189）；浙江中烟工业有限责任公司科技项目（ZJZY2023D020）作者简介：张卫正（1982-），男，河南滑县人，讲师，博士，主要从事烟草信息学、数字农业与农业物联网研究。
基于YOLO_v5s目标检测算法的烤烟鲜叶成熟度识别方法
杜鹏程，蒋笃忠，向 阳，等．基于ＹＯＬＯｖ５ｓ目标检测算法的烤烟鲜叶成熟度识别方法［Ｊ］．江苏农业科学，２０２３，５１（１９）：１５８－１６５．ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１９．０２４基于ＹＯＬＯｖ５ｓ目标检测算法的烤烟鲜叶成熟度识别方法杜鹏程１，蒋笃忠２，向 阳１，敬礼恒２，伍守贵２，骆君华２（１．湖南农业大学机电工程学院，湖南长沙４１０１２８；２．湖南省烟草公司永州市公司，湖南永州４２５０９９） 摘要：新鲜烟叶的成熟度对烤后烟叶的质量有显著影响，可于烘烤前完成不同成熟度的新鲜烟叶分选，并对各成熟度采用特定烘烤工艺，以提高烘烤后的烟叶质量。
以云烟８７的新鲜烟叶为试验样本，将采集的新鲜烟叶分为上部叶、中部叶、下部叶，并依据不同部位成熟度划分为欠熟、成熟、过熟。
采用ＹＯＬＯｖ５ｓ目标检测算法，利用卷积神经网络提取新鲜烟叶的不同成熟度特征，完成不同部位新鲜烟叶的成熟度识别试验，并与Ｆａｓｔｅｒ－ＲＣＮＮ、Ｍａｓｋ－ＲＣＮＮ检测模型的测试结果进行对比。
结果表明，ＹＯＬＯｖ５ｓ对云烟８７不同部位新鲜烟叶成熟度检测的总体ｍＡＰ值分别为９９ １％、９７．５％、９８．５％，单幅图像检测平均时间为２９～３０ｍｓ。
３种模型的对比试验中，Ｍａｓｋ－ＲＣＮＮ、Ｆａｓｔｅｒ－ＲＣＮＮ测试的ｍＡＰ值均低于ＹＯＬＯｖ５ｓ，单幅图像检测平均时间均远高于ＹＯＬＯｖ５ｓ。
采用ＹＯＬＯｖ５ｓ训练的不同部位新鲜烟叶的检测模型，在检测速度与精准度方面基本满足对新鲜烟叶成熟度识别的生产要求。
关键词：新鲜烟叶；深度学习；ＹＯＬＯｖ５；成熟度 中图分类号：ＴＰ３９１．４１ 文献标志码：Ａ 文章编号：１００２－１３０２（２０２３）１９－０１５８－０７收稿日期：２０２３－０２－１２基金项目：湖南省自然科学基金（编号：２０２１ＪＪ３０３６３）；湖南省烟草公司永州市公司科技计划项目。
作者简介：杜鹏程（１９９９—），男，湖南常德人，硕士研究生，主要从事农业电气化与自动化、机器视觉、深度学习、近红外检测、图像识别等研究。
基于改进的YOLOv3农作物目标检测算法
基于改进的YOLOv3农作物目标检测算法
郭蓓;王贝贝;张志红;吴苏;李鹏;胡莉婷
【期刊名称】《农业大数据学报》
【年(卷),期】2024(6)1
【摘要】农作物图像在进行目标检测时,由于作物种植较密集、成像质量不佳等原因严重影响目标检测算法的检测精度。
针对存在的问题,提出一种基于YOLOv3的改进算法优化在农作物目标检测的检测性能:对YOLOv3的主干特征提取网络进行优化,利用原网络中输出的4倍降采样特征图对目标进行检测,并且在算法原网络残差块的基础上增加残差单元,以检测目标较小的农作物位置信息;提出高斯衰减函数,对图像中高度重叠的农作物候选框的衰减较强,在有效抑制冗余框的同时也可以有效地降低漏检率;对回归损失函数进行优化改进,用CIOU Loss作为损失函数,使得目标检测过程中最终的目标定位更加精确。
将改进的YOLOv3算法和原YOLOv3算法、Faster R-CNN算法在实拍的玉米作物图像数据集上进行对比实验,结果表明改进后的YOLOv3算法能有效检测农作物小目标,算法检测的平均准确率均值和检测速度都有明显的提升。
【总页数】8页(P40-47)
【作者】郭蓓;王贝贝;张志红;吴苏;李鹏;胡莉婷
【作者单位】中国气象局·河南省农业气象保障与应用技术重点开放实验室;河南中原光电测控技术有限公司
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于改进YOLOv3的列车运行环境图像小目标检测算法
2.基于改进Yolov3的飞机目标检测算法
3.基于改进YOLOv3的轻量级目标检测算法
4.基于改进YOLOv3的遥感目标检测算法
因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进YOLOv5s-ECA-ASFF算法的茶叶病害目标检测
基于改进YOLOv5s-ECA-ASFF算法的茶叶病害目标检测叶荣;马自飞;高泉;李彤;邵郭奇;王白娟【期刊名称】《中国农机化学报》【年(卷),期】2024(45)1【摘要】在自然场景下,茶叶病害形状各异、目标小,传统卷积神经网络不适用于复杂背景下的病害检测。
因此,提出一种改进的YOLOv5s-ECA-ASFF茶叶病害目标检测算法。
该算法通过引入ECA通道注意力模块来增强通道维度上的全局上下文信息,并使用自适应空间特征融合(ASFF)技术改进茶叶病害的多尺度特征融合,提高模型的背景抗干扰能力。
同时,使用GIoU损失函数作为边界框损失函数,进一步提高回归目标的检测精度。
与原始YOLOv5s模型相比,改进YOLOv5s-ECA-ASFF模型在茶白星病、茶轮斑病、茶炭疽病、茶藻斑病的识别平均精度分别提高5%、4%、3%、2%,平均精度均值为92.1%。
此外,该模型的图像检测速度为64 f/s,并且综合性能也优于YOLOv4、SSD和Faster R-CNN模型。
因此,该模型为茶叶在自然生长环境下不同种类病害的检测提供参考,并为早期预测提供重要的技术支持。
【总页数】8页(P244-251)【作者】叶荣;马自飞;高泉;李彤;邵郭奇;王白娟【作者单位】云南农业大学食品科学技术学院;云南省作物生产与智慧农业重点实验室;云南农业大学大数据学院;云南农业大学茶学院【正文语种】中文【中图分类】S24;TP391.4【相关文献】1.基于改进SSD算法的航拍目标检测算法研究2.基于改进YOLOX的茶叶嫩芽目标检测研究3.基于改进单步多框目标检测的道路小目标检测算法4.基于YOLO-v5算法的航拍图像小目标检测改进算法因版权原因，仅展示原文概要，查看原文内容请购买。
基于改进YOLOv4模型的茶叶病害识别
第51卷 第9期2023年9月西北农林科技大学学报(自然科学版)J o u r n a l o f N o r t h w e s t A&F U n i v e r s i t y(N a t .S c i .E d .)V o l .51N o .9S e p.2023网络出版时间:2023-03-08 08:57 D O I :10.13207/j .c n k i .jn w a f u .2023.09.016网络出版地址:h t t ps ://k n s .c n k i .n e t /k c m s /d e t a i l /61.1390.S .20230306.1800.010.h t m l 基于改进Y O L O v 4模型的茶叶病害识别[收稿日期] 2022-05-19[基金项目] 广东省现代农业关键技术模式集成与示范推广项目(粤财农[2021]37号-200011);国家自然科学基金项目(31671591,31971797);广州市科技计划项目(202002030245);广东省科技专项资金项目( 大专项+任务清单 )(2020020103);广东省现代农业产业技术体系创新团队建设专项资金项目(2022K J 108);广东省教育厅特色创新类项目(2019K T S C X 013);2020年广东省科技创新战略专项资金项目( 攀登计划 ,p d jh 2020a 0084);广东省大学生创新创业项目(S 202010564150,202110564042) [作者简介] 孙道宗(1979-),男,安徽怀远人,副教授,博士,主要从事喷雾技术及传感器技术应用研究㊂E -m a i l :s u n d a o z o n g@s c a u .e d u .c n [通信作者] 王卫星(1963-),男,河北宣化人,教授,博士,主要从事农业信息化研究㊂E -m a i l :w e i x i n g@s c a u .e d u .c n 孙道宗1,2,刘 欢1,刘锦源1,丁 郑1,谢家兴1,2,王卫星1,2(1华南农业大学电子工程学院(人工智能学院),广东广州510642;2广东省农情信息监测工程技术研究中心,广东广州510642)[摘 要] ʌ目的ɔ提出了一种改进的Y O L O v 4模型,为自然环境下3种常见茶叶病害(茶白星病㊁茶云纹叶枯病和茶轮斑病)的快速精准识别提供支持㊂ʌ方法ɔ使用M o b i l e N e t v 2和深度可分离卷积来降低Y O L O v 4模型的参数量,并引入卷积注意力模块对Y O L O v 4模型进行识别精度改进㊂采用平均精度㊁平均精度均值㊁图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进Y O L O v 4模型与原始Y O L O v 4模型㊁其他目标检测模型(Y O L O v 3㊁S S D 和F a s t e r R -C N N )的病害识别效果进行对比试验㊂ʌ结果ɔ与原始Y O L O v 4模型相比,改进Y O L O v 4模型的大小减少了83.2%,对茶白星病㊁茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s ㊂与Y O L O v 3㊁S S D 和F a s t e r R -C N N 模型相比,改进Y O L O v 4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s ㊂ʌ结论ɔ对Y O L O v 4模型所使用的改进方法具备有效性,所提出的改进Y O L O v 4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别㊂[关键词] 茶白星病;茶云纹叶枯病;茶轮斑病;Y O L O v 4模型;茶叶病害识别[中图分类号] T P 391.4;S 435.711[文献标志码] A[文章编号] 1671-9387(2023)09-0145-10R e c o g n i t i o n o f t e a d i s e a s e s b a s e d o n i m pr o v e d Y O L O v 4m o d e l S U N D a o z o n g 1,2,L I U H u a n 1,L I U J i n y u a n 1,D I N G Z h e n g 1,X I E J i a x i n g 1,2,WA N G W e i x i n g1,2(1C o l l e g e o f E l e c t r o n i c E n g i n e e r i n g (C o l l e g e o f A r t i f i c i a l I n t e l l i ge n c e ),S o u t h C h i n a A g r i c u l t u r a l U n i v e r s i t y ,G u a n g z h o u ,G u a n g d o n g 510642,C h i n a ;2G u a n g d o n g E n g i n e e r i n g R e s e a r c h C e n t e r f o r M o n i t o r i n g A g r i c u l t u r a l I n f o r m a t i o n ,G u a n g z h o u ,G u a n g d o n g 510642,C h i n a )A b s t r a c t :ʌO b j e c t i v e ɔA n i m p r o v e d Y O L O v 4m o d e l w a s p r o p o s e d t o p r o v i d e s u p p o r t f o r t h e r a pi d a n d a c c u r a t e r e c o g n i t i o n o f t h r e e c o mm o n t e a d i s e a s e s o f t e a w h i t e s c a b d i s e a s e ,t e a c l o u d l e a f b l i gh t a n d t e a r i n g s p o t i n n a t u r a l e n v i r o n m e n t .ʌM e t h o d ɔT h e n u m b e r o f pa r a m e t e r s o f t h e Y O L O v 4m o d e l w a s r e d u c e db y u s i n g M o b i l e N e t v 2a n d d e p t h w i s e s e pa r ab l ec o n v o l u t i o n ,a nd t he c o n v o l u t i o n a l b l o c k a t t e n t i o n m o d u l e w a s i n t r o d u c e d t o i m p r o v e r e c o g n i t i o n p r e c i s i o n of t h e m o d e l .U s i ng a v e r a g e p r e c i s i o n ,m e a n a v e r a g e p r e c i -s i o n ,i m a g e d e t e c t i o n s p e e d a n d m o d e l s i z e a s e v a l u a t i o n i n d e x e s ,th e di s e a s e r e c o g n i t i o n a b i l i t y of t h e i m -p r o v e d Y O L O v 4m o d e l w a s c o m p a r e d w i t h t h a t o f t h e o r ig i n a l Y O L O v 4m o d e l a n d o th e r t a r ge t d e t e c t i o n Copyright ©博看网. All Rights Reserved.m o d e l s(Y O L O v3,S S D a n d F a s t e r R-C N N)u s i n g t h e s a m e t e a d i s e a s e d a t a s e t a n d t e s t b e d.ʌR e s u l tɔC o m-p a r e d w i t h t h e o r i g i n a l Y O L O v4m o d e l,t h e s i z e o f t h e i m p r o v e d Y O L O v4m o d e l w a s d e c r e a s e d b y83.2%, a n d t h e a v e r a g e r e c o g n i t i o n p r e c i s i o n o f t e a w h i t e s c a b d i s e a s e,t e a c l o u d l e a f b l i g h t a n d t e a r i n g s p o t w a s i n c r e a s e d b y6.2%,1.7%a n d1.6%,r e s p e c t i v e l y.T h e m e a n a v e r a g e p r e c i s i o n r e a c h e d93.85%,a n d t h e i m a g e d e t e c t i o n s p e e d w a s26.6f r a m e s/s.C o m p a r e d w i t h Y O L O v3,S S D a n d F a s t e r R-C N N m o d e l s,t h e m e a n a v e r a g e p r e c i s i o n o f t h e i m p r o v e d Y O L O v4m o d e l w a s i n c r e a s e d b y6.0%,13.7%a n d3.4%,a n d t h e i m a g e d e t e c t i o n s p e e d w a s i n c r e a s e d b y5.5,7.3a n d11.7f r a m e s/s,r e s p e c t i v e l y.ʌC o n c l u s i o nɔT h e i m-p r o v e d m e t h o d s w e r e v a l i d,a n d t h e i m p r o v e d Y O L O v4m o d e l a c h i e v e d r a p i d a n d a c c u r a t e r e c o g n i t i o n o f t h r e e c o mm o n t e a d i s e a s e s i n n a t u r a l e n v i r o n m e n t.K e y w o r d s:t e a w h i t e s c a b d i s e a s e;t e a c l o u d l e a f b l i g h t;t e a r i n g s p o t;Y O L O v4m o d e l;r e c o g n i t i o n o f t e a d i s e a s e s中国是茶叶原产国和消费大国,茶产业也是独具特色的民生产业,在推动乡村振兴的进程中为全国百余个贫困县的脱贫攻坚提供了强大助力[1]㊂然而,同多数农作物一样,难控多发的茶叶病害若不及时加以控制会导致叶片细小㊁扭曲甚至过早枯萎,从而影响茶叶品质和产量㊂在茶叶的病害类型中,茶云纹叶枯病是茶园中最为常见的广泛分布于各产茶省份的病害,茶轮斑病是茶树整个生长周期内均易发生的顽固病害,茶白星病则是对嫩叶危害程度较大㊁发病率可达80%以上的病害[2-3]㊂传统人工巡视辨别茶叶病害的流程效率较低[4],而在茶叶生长过程中及时精准地识别病害类型是有效防治病害的前提,同时对于辅助茶农尽早采取治理措施㊁保障茶叶品质也具有重要意义㊂在深度学习兴起前,国内外相关学者基于机器学习和传统图像处理法在农作物病害识别领域进行了积极探索[5-6],其中代表性的方法主要有支持向量机(s u p p o r t v e c t o r m a c h i n e,S VM)㊁K-m e a n s聚类和边缘检测等[7-8]㊂但基于机器学习的病害图像识别研究中,通常提前去除了作物生长的复杂背景,且对作物患病部位的处理较为理想化,导致所设计的病害特征分类器存在客观限制,在自然生长环境中的作物上适用性欠佳[8-10]㊂随着 智慧农业 理念的推进以及深度学习技术的发展,应用卷积神经网络(c o n v o l u t i o n a l n e u r a l n e t w o r k s,C N N)对农作物病害图像进行识别,是近年来植物表型特征研究的重要方向之一[11-13]㊂其中涉及的方法主要包括两类:第一类是以区域卷积神经网络(r e g i o n-c o n v o l u t i o n a l n e u r a l n e t w o r k s,R-C N N)[14]和快速区域卷积神经网络(f a s t e r r e g i o n-c o n v o l u t i o n a l n e u r a l n e t w o r k s,F a s t e r R-C N N)[15]为代表的两阶段目标检测法,该方法对图像的处理思想是首先获得检测对象的候选区域,然后再于候选区域中生成候选框进行回归预测,以生成最终的预测框㊂如O z g u v e n等[16]提出用改进的F a s t e r R-C N N对患叶斑病的甜菜叶片进行识别,准确率达到了95.5%;R e h m a n等[17]使用增强后的苹果叶片病害图像训练R-C N N,训练完成后的R-C N N对3种苹果叶片病害(黑星病㊁黑腐病和锈病)识别的平均精度均值为86.1%㊂第二类是以单次检测器(y o u o n l y l o o k o n c e,Y O L O)[18-20]㊁单次多框检测器(s i n-g l e s h o t m u l t i b o x d e t e c t o r,S S D)[21]为代表的单阶段目标检测法,该方法简化了图像处理步骤,直接在输入图像中生成若干候选框,以对检测对象的类型和位置进行回归预测,因此检测速度快于第一类方法㊂如佘颢等[22]通过在S S D中引入特征金字塔网络(f e a t u r e p y r a m i d n e t w o r k s,F P N)以充分获取图像不同特征层的分辨率信息,改进后的S S D对识别水稻害虫稻飞虱的平均精度由67.6%提升至75.8%;R o y等[23]对Y O L O v4进行改进,发现融合多尺度检测模块的Y O L O v4对识别4种番茄病害(早疫病㊁晚疫病㊁斑枯病和叶霉病)的平均精度均值达到了90.33%㊂但以上试验中较少涉及作物在复杂生长环境下的病害目标识别,且在网络模型的改进方法上并未明显降低模型参数量,从而影响了模型的图像检测速度㊂Y O L O v4是Y O L O的第4代版本,与前几代版本相比,Y O L O v4在目标检测任务中具有较大的优势,但将Y O L O v4应用于自然环境下茶白星病㊁茶云纹叶枯病和茶轮斑病这3种常见茶叶病害的识别还存在改进空间,具体表现在3个方面:一是茶白星病的病斑较小,Y O L O v4模型对小目标易漏检;二是茶云纹叶枯病和茶轮斑病的病斑形状不规则,且其褐色病斑与茶树枝干的颜色较为接近,Y O L O v4模型的识别精度有待提高;三641西北农林科技大学学报(自然科学版)第51卷Copyright©博看网. All Rights Reserved.是Y O L O v4模型参数量较大,对茶叶病害目标识别的实时性有待改进㊂综上,本研究针对自然环境下茶白星病㊁茶云纹叶枯病和茶轮斑病的特点及病害目标识别中存在的问题,以Y O L O v4模型为基础对其进行轻量化改进以提高识别速度,同时引入卷积注意力模块和K-m e a n s聚类算法,以期提升Y O L O v4模型对茶叶病害的识别精度,为构建更适于自然环境下茶叶病害的识别模型提供参考㊂1材料与方法1.1试验数据采集采集自然环境下的茶叶病害数据集是开展病害目标识别的前提㊂试验中茶叶病害图像的采集地点位于广东省广州市天河区柯木塱农技推广中心及广州市白云区农业科学院的茶园内,拍摄时间为2021年7月10日㊁8月9日㊁9月18日㊁10月20日和11月17日㊂拍摄时,手持高清移动设备(4800万像素)距茶叶病害叶片10~15c m处拍摄,拍摄角度为正面拍㊁俯拍和侧拍等,成像背景含有茶树枝干和土壤等干扰以保证病害数据的真实性㊂共采集到茶白星病㊁茶云纹叶枯病和茶轮斑病3种茶叶病害图像1083张,其中茶白星病样本389张,茶云纹叶枯病样本342张,茶轮斑病样本352张㊂1.2数据增强与数据集制作卷积神经网络需要足够的样本来学习图像特征,以提升对待测图像的识别效果㊂为提升网络的泛化能力,结合P y t h o n语言和O p e n C V计算机视觉库对采集的病害图像进行增强,分别使用图像翻转㊁旋转㊁对比度增强和添加高斯噪声这4种方法从每种病害样本中随机选择一部分进行增强,增强结束后共得到2092张茶叶病害图像㊂以茶白星病为例,原图与增强后的图像如图1所示㊂对增强后的2092张茶叶病害图像,使用L a b e l I m g可视化标注工具对其中的每种病害进行标注,标注完成后会得到与每张图像一一对应的包含病害类型㊁位置坐标等信息的x m l文件,与茶叶病害图像共同组成最终的数据集㊂根据茶叶病害样本的数量并参考深度学习领域主流的数据集划分标准[11,24-25],以7ʒ1ʒ2的比例将数据集随机划分为训练集(1464张)㊁验证集(210张)和测试集(418张),其中训练集用于训练网络模型,验证集用于在网络模型训练时验证其收敛性,测试集用于评估训练结束后模型的性能㊂图1茶白星病图像的增强处理F i g.1 E n h a n c e m e n t o f t e a w h i t e s c a b d i s e a s e i m a g e2茶叶病害识别模型2.1 Y O L O v4网络模型Y O L O v4[20]是经典单阶段目标检测网络,相比前代Y O L O v3[19],Y O L O v4在网络结构和图像特征融合方式上取得了较多突破,主要由C S P D a r k-n e t53㊁空间金字塔池化(s p a t i a l p y r a m i d p o o l i n g,S P P)㊁路径聚合网络(p a t h a g g r e g a t i o n n e t w o r k,P A N e t)以及头部网络(h e a d n e t w o r k)组成,其组成如图2所示㊂C S P D a r k n e t53是负责对输入的图像进行特征提取的主干网络,输入图像经C S P D a r k-n e t53进行特征提取后会输出3个尺寸的特征图:13像素ˑ13像素ˑ1024通道㊁26像素ˑ26像素ˑ512通道和52像素ˑ52像素ˑ256通道㊂为进一步融合多重感受野[26],13像素ˑ13像素ˑ1024通道的特征图会进入S P P中进行多尺度的分块池化和拼接,经S P P处理后与其他2个特征图一起输入到P A N e t中㊂P A N e t会继续对3个特征图进行卷积(C o n v)㊁上采样(U p s a m p l i n g)和拼接(C o n c a t)等步骤,以融合特征图的浅层分辨率信息(纹理㊁形状㊁颜色等)和高层语义信息(图像整体特征)㊂在H e a dn e t w o r k中,其会基于已获得的特征提取能力在输入图像中生成若干候选框,以对待识别目标的位置和所属类型的置信度进行回归预测,并输出包含最741第9期孙道宗,等:基于改进Y O L O v4模型的茶叶病害识别Copyright©博看网. All Rights Reserved.终预测框的图像㊂Y O L O v 4使用完全交并比(c o m pl e t e i n t e r s e c -t i o n o v e r u n i o n ,C I o U )[27]作为预测阶段计算回归损失的函数,与传统的交并比(i n t e r s e c t i o n o v e ru n i o n ,I o U )[27]相比,C I o U 综合考量了预测框和真实框的重叠面积㊁两框中心点的欧氏距离和宽高比等因素,能较为准确地衡量回归损失值,以提升网络预测能力㊂C I o U 损失函数的定义为:L C I o U =1-I o U (P ,T )+ρ2(P c t r ,T c t r )c2+αv ㊂(1)式中:L C I o U 为损失函数;I o U (P ,T )为预测框和真实框交集(重叠面积)与并集的比值,取值为0~1;P为预测框;T 为真实框;ρ为预测框和真实框中心点之间的欧氏距离;P c t r 为预测框中心点的坐标;T c t r 为真实框中心点的坐标;c 为预测框和真实框的最小外接矩形的对角线长度;α为权重函数;v 为衡量宽高比相似度的参数㊂当H e a d n e t w o r k 生成的预测框越接近于真实框时,I o U 的值越接近于1;当预测框和真实框的宽高比越接近时,αv 的值越小,使得损失函数的值进一步减少以提升预测效果㊂C o n v _B N _M i s h 表示包含卷积㊁批量正则化和M i s h 激活函数的结构块,R e s b l o c k _b o d y 表示残差结构块,S P P 表示空间金字塔池化,C o n v ˑ5表示5次卷积C o n v _B N _M i s h d e n o t e s t h e s t r u c t u r e b l o c k c o n t a i n i n g c o n v o l u t i o n ,b a t c h n o r m a l i z a t i o n a n d M i s h a c t i v a t i o n f u n c t i o n ,R e s b l o c k _b o d y de n o t e s t h e r e s i d u a l s t r u c t u r e b l o c k ,S P P d e n o t e s s p a t i a l p y r a m i d p o o l i n g,a n d C o n v ˑ5d e n o t e s 5t i m e s c o n v o l u t i o n 图2 Y O L O v 4模型的结构F i g.2 S t r u c t u r e o f t h e Y O L O v 4m o d e l 2.2 改进的Y O L O v 4网络模型2.2.1 轻量级卷积神经网络M o b i l e N e t v 2 Y O L O v 4网络模型的C S P D a r k n e t 53中包含大量残差块和卷积层,在网络深层进行特征提取时可能会丢失小尺寸目标(如茶白星病的小病斑)的特征图信息[28-29];另一方面,Y O L O v 4网络模型参数量和计算负荷较大,影响了其在农业场景下对茶叶病害识别的实时性㊂因此,试验中首先对Y O L O v 4模型进行轻量化改进,即用M o b i l e N e t v 2[30]替换Y O L O v 4模型中的C S P D a r k n e t 53㊂改进后的Y O L O v 4模型的结构如图3所示㊂M o b i l e N e t v 2是谷歌近年来推出的面向嵌入式设备的轻量级卷积神经网络,其在使用深度可分离卷积(d e p t h w i s e s e pa r ab l ec o n v o l u t i o n ,D S -C o n v )显著减少传统卷积计算量的基础上[30-31],引入了反向残差结构:依次通过1ˑ1卷积升维㊁3ˑ3深度可分离卷积提取图像特征和1ˑ1卷积降维等,使得M o b i l e N e t v 2能在相对稳定的高维空间上提取图像更为丰富的语义信息㊂将C S P D a r k n e t 53替换后,对M o b i l e N e t v 2相应层输出的3个特征图进行尺寸调整,使得M o b i l e N e t v 2与S P P 和P A N e t 之间传递图像信息的连接保持有效㊂如图3所示,从M o b i l e N e t v 2中输出P 3(52像素ˑ52像素ˑ32通道)㊁P 4(26像素ˑ26像素ˑ96通道)和P 5(13像素ˑ13像素ˑ320通道)3个尺寸的特征图,P 5经S P P 处理后得到P 5',将P 5'输入到P A N e t 中进行卷积和上采样,P 3和P 4同样输入到P A N e t 中进行图像特征融合㊂2.2.2 卷积注意力模块C B AM 在深度学习领域,卷积注意力模块(c o n v o l u t i o n a l b l o c k a t t e n t i o nm o d u l e ,C B AM )[32]是借鉴人眼观察物体的视觉特性而提出的一种图像特征加权方式㊂C B AM 在对输入图像进行全局扫描后,会对需要关注的重点区域(如茶叶病害区域)赋予更大的权重,以减弱重点841西北农林科技大学学报(自然科学版)第51卷Copyright ©博看网. All Rights Reserved.区域以外复杂背景的影响,C B AM 的结构如图4所示㊂B N 表示批量正则化,R e l u 6表示激活函数,C o n v 表示卷积,D S -C o n v 表示深度可分离卷积,C B AM 表示卷积注意力模块B N d e n o t e s b a t c h n o r m a l i z a t i o n ,R e l u 6d e n o t e s a c t i v a t i o n f u n c t i o n ,C o n v d e n o t e s c o n v o l u t i o n ,D S -C o n v d e n o t e sd e p t h w i s e s e pa r ab l ec o n v o l u t i o n ,a nd C B AM de n o t e s c o n v o l u t i o n a l b l o c k a t t e n t i o n m o d u l e 图3 改进Y O L O v 4模型的结构F i g .3 S t r u c t u r e o f t h e i m pr o v e d Y O L O v 4m o d e l 图4 卷积注意力模块的结构F i g.4 S t r u c t u r e o f t h e c o n v o l u t i o n a l b l o c k a t t e n t i o n m o d u l e 图4中,F 为该模块输入的特征图,C ㊁H 和W 分别为输入特征图的通道数㊁高度和宽度㊂输入的特征图F 首先通过全局平均池化等操作得到通道注意力特征图M c (F ),其计算公式为:M c (F )=σ(M L P (A v gP o o l (F ))+M L P (M a x P o o l (F )))=σ(W 1(W 0(A v gP o o l (F )))+W 1(W 0(M a x P o o l (F ))))㊂(2)式中:σ(㊃)为s i g m o i d 激活函数,M L P 为多层感知器,A v g P o o l 为全局平均池化,M a x P o o l 为全局最大池化,W 0㊁W 1为M L P 中的权重㊂为进一步获取重点区域在图像中的位置信息,通道注意力特征图M c (F )会继续进行通道拼接等操作以生成空间注意力特征图M s (F ),M s (F )再与特征图F '相乘,最终得到输出的特征图F ᵡ,其计算公式为:M s (F )=σ(f 7ˑ7([A v g P o o l (F );M a x P o o l (F )])),F ᵡ=M s (F )ˑF '㊂(3)式中:σ(㊃)为s i g m o i d 激活函数,f 7ˑ7为7ˑ7卷积运算,[A v gP o o l (F );M a x P o o l (F )]表示对全局平均池化和全局最大池化后的特征图进行通道拼接㊂由于试验数据集中的茶叶病害图像均于自然茶园环境下采集,图像中除茶叶病害区域外还包含枝叶等干扰,为准确定位茶叶病害区域㊁提高Y O L O v 4模型对病害的识别精度,本试验在Y O L O v 4模型的P A N e t 中引入3个C B AM (图3),这3个C B AM 分别对M o b i l e N e t v 2输出的P 3㊁P 4以及经过卷积和上采样后的P 5'3个特征图进行图像特征加权处理㊂C B AM 的空间占用量较小,但综合考虑改进模型的识别速度表现,借鉴上述M o b i l e -N e t v 2在卷积计算量上的优化方法,使用深度可分离卷积代替P A N e t 中的5次卷积和下采样(D o w n -s a m p l i n g)中的普通卷积,以进一步减少网络参数量和计算量[30-31]㊂2.2.3 基于K -m e a n s 聚类的先验框适应性调整先验框是根据数据集中所有待识别目标的常规宽高比而提前预设的一种矩形框,有助于预测网络生成更准确的预测框㊂Y O L O v 4模型的9个原始先验框基于包含汽车㊁人和猫等类型的开源C O C O 数据集归纳得出,该数据集中各类型物体的宽高尺寸相941第9期孙道宗,等:基于改进Y O L O v 4模型的茶叶病害识别Copyright ©博看网. All Rights Reserved.差较大,使得原始先验框相对于中小尺寸的茶叶病害而言不够适用㊂为使先验框的尺寸更适用于预测茶叶病害,采用K -m e a n s 聚类算法对原始先验框尺寸进行调整,具体流程为:将茶叶病害数据集中包含病害区域坐标㊁宽高等信息的标注框作为K -m e a n s聚类算法的输入样本,在多次迭代更新聚类中心(即更新先验框尺寸)的过程中,用聚类中心与其他标注框的交并比代替欧氏距离,作为先验框是否合适的评估标准㊂迭代结束后共得到9个聚类中心,对应于经K -m e a n s 聚类算法调整后的9个先验框尺寸(19像素,17像素)㊁(29像素,18像素)㊁(23像素,23像素)㊁(34像素,26像素)㊁(70像素,67像素)㊁(65像素,99像素)㊁(100像素,69像素)㊁(91像素,91像素)㊁(134像素,115像素)㊂图5中的9个 所示为先验框聚类中心,其中每个的x 轴和y 轴坐标分别表示该先验框的像素尺寸㊂图上不同颜色模块对应9个像素尺寸的先验框D i f f e r e n t c o l o r m o d u l e s o n t h e f i g u r e c o r r e s po n d t o 9p i x e l -s i z e d p r i o r b o x e s图5 K -m e a n s 算法调整后先验框聚类中心的分布F i g.5 D i s t r i b u t i o n o f p r i o r b o x c l u s t e r c e n t e r s a f t e r a d j u s t m e n t b y K -m e a n s a l go r i t h m 2.3 网络模型评价指标试验比较了改进Y O L O v 4模型与Y O L O v 3㊁S S D ㊁F a s t e r R -C N N 等代表性模型的识别性能㊂采用平均精度(a v e r a ge p r e c i s i o n ,A P )[23,27,33]㊁平均精度均值(m e a n a v e r a ge p r e c i s i o n ,m A P )㊁图像检测速度(帧/s )和模型大小(M B )作为评价网络模型性能的指标㊂其中,A P 和m A P 的具体定义为:P =T PT P +F P,R =T PT P +F N,A P =ʏ1P R d S ,(4)m A P =1N ðNi =1A P i ㊂(5)式中:P 为精确率;T P 表示被模型正确检测为病害目标的数量;F P 表示被模型错误检测为病害目标的数量;R 为召回率;F N 表示被模型漏检的病害目标的数量;A P 为P -R 曲线与坐标轴围成区域的面积,相较单独的P ㊁R 值能更为准确地评价网络模型的精度表现;S 为积分变量;m A P 为所有检测类别的A P i 取平均值后的结果;N 为所有检测类别的数量,本试验中N 取3,表示所检测的3种常见茶叶病害;A P i 为第i 个类别的平均精度,本试验中i 的取值为1~3㊂3 模型训练与结果分析3.1 试验平台设置与模型训练结果网络模型的训练基于P y T o r c h 深度学习框架,编程语言为P y t h o n 3.8,G P U 处理器为G e F o r c e G T X 1080T i ,C P U 处理器为I n t e l (R )C o r e (T M )i 7-6800K ,C U D A 11.0版本,基于W i n d o w s 操作系统分别对Y O L O v 4模型和本研究提出的改进Y O L O v 4模型进行训练,训练时输入图像的像素为416ˑ416,并根据网络模型复杂度㊁数据集样本数量和G P U 性能等因素设置以下参数:样本批处理大小为16,初始学习率为0.001,衰减系数为0.005,梯度优化器为A d a m ㊂在网络模型的训练中,损失值(l o s s v a -l u e s)[12,34]是评判模型训练效果的重要指标㊂当损失值随着训练迭代轮次的增加而减小时,表明模型训练效果变好;当损失值减小至某一数值后基本不变时,表明模型在相应的迭代轮次中已达到收敛㊂模型训练时每迭代一个轮次保存一次相应的损失值,最终Y O L O v 4模型和改进Y O L O v 4模型在训练集和验证集上损失值的变化曲线如图6所示㊂分析图6可知,随着迭代轮次的增加,2个模型的损失值均逐渐降低,但改进Y O L O v 4模型的收敛速度更快㊂在训练集中,Y O L O v 4模型的损失值曲线在第70个迭代轮次后趋于平稳,改进Y O L O v 4模型的损失值曲线在第50个迭代轮次后趋于平稳㊂在验证集中,Y O L O v 4模型在第32和第61个迭代轮次中损失值出现了小幅度波动,最终达到收敛时的损失值为0.90;而改进Y O L O v 4模型在第20个迭代轮次后损失值变化幅度更为平缓,最终达到收敛后的损失值为0.41,低于Y O L O v 4模型,说明本研究提出的改进Y O L O v 4模型具备更好的收敛性㊂051西北农林科技大学学报(自然科学版)第51卷Copyright ©博看网. All Rights Reserved.图6 Y O L O v 4模型与改进Y O L O v 4模型的损失值变化曲线F i g .6 L o s s v a l u e s c h a n g e c u r v e o f Y O L O v 4a n d i m pr o v e d Y O L O v 4m o d e l 3.2 茶叶病害识别试验结果3.2.1 改进前后模型对茶叶病害识别效果的对比 为验证本研究提出的改进Y O L O v 4模型对茶白星病㊁茶云纹叶枯病和茶轮斑病3种茶叶病害在识别效果等方面的优势,对Y O L O v 4模型和改进Y O L O v 4模型的识别效果进行对比试验㊂在对比试验中,基于相同训练集和试验平台对Y O L O v 4模型和改进Y O L O v 4模型进行训练,训练结束后基于相同测试集评估识别效果㊂主要选取病害较多的茶白星病样本㊁病害区域不规则的茶云纹叶枯病样本和病害区域受叶片遮挡的茶轮斑病样本作为展示,不同颜色的矩形框表示所识别出的不同病害类型,其中的数字表示置信度(图7)㊂第1列从上至下依次为茶白星病㊁茶云纹叶枯病和茶轮斑病原图;第2列为Y O L O v 4模型对第1列3种病害的识别效果;第3列为改进Y O L O v 4模型对第1列3种病害的识别效果T h e f i r s t c o l u m n s h o w s t h e o r i g i n a l i m a g e s o f t e a w h i t e s c a b d i s e a s e ,t e a c l o u d l e a f b l i g h t a n d t e a r i n g s p o t f r o m t o p to b o t t o m ;T h e s e c o n d c o l u m n s h o w s t h e r e c o gn i t i o n e f f e c t o f t h e Y O L O v 4m o d e l f o r t h r e e d i s e a s e s i n t h e f i r s t c o l u m n ,a n d t h e t h i r d c o l u m n s h o w s t h e r e c o g n i t i o n e f f e c t o f t h e i m pr o v e d Y O L O v 4m o d e l f o r t h r e e d i s e a s e s i n t h e f i r s t c o l u m n 图7 改进前后Y O L O v 4模型对3种茶叶病害识别效果的对比F i g .7 C o m p a r i s o n o f t h e r e c o g n i t i o n e f f e c t o f Y O L O v 4m o d e l b e f o r e a n d a f t e r i m pr o v e m e n t f o r t h r e e t e a d i s e a s e s 从图7可以看出,就茶白星病的识别而言,Y O L O v 4模型漏检了2处病斑;改进Y O L O v 4模型由于引入了卷积注意力模块,提升了病害区域在整幅图像中的 关注度 ,对茶白星病的微小病斑也取151第9期孙道宗,等:基于改进Y O L O v 4模型的茶叶病害识别Copyright ©博看网. All Rights Reserved.得了0.91以上的识别置信度㊂就茶云纹叶枯病和茶轮斑病的识别而言,由于受茶云纹叶枯病影响的茶叶在叶尖部位变得弯曲,而茶轮斑病的病害区域被附近其他叶片部分遮挡,Y O L O v 4模型对这2种病害的识别结果不够准确,存在着漏检㊁生成的矩形预测框与实际病害区域有偏差的问题;改进Y O L O v 4模型基于K -m e a n s 聚类算法调整了模型用于预测的先验框尺寸,同时引入的卷积注意力模块也有助于提升自然环境下对茶叶病害的识别置信度,因此改进Y O L O v 4模型生成了更接近于茶云纹叶枯病和茶轮斑病这2种病害区域的矩形预测框,且识别置信度进一步提升,其中对茶云纹叶枯病2处病害的识别置信度为0.96和0.98,对被部分遮挡的茶轮斑病的识别置信度由0.61提升至0.95㊂综上可知,本研究提出的改进Y O L O v 4模型表现出了较好的茶叶病害识别效果(图7第3列),这主要得益于2种改进:①模型轻量化改进,将Y O L O v 4模型的C S P D a r k n e t 53替换为M o b i l e -N e t v 2,并使用深度可分离卷积代替P A N e t 中的5次卷积和下采样中的普通卷积;②模型识别精度改进,引入C B AM 和K -m e a n s 聚类算法㊂为进一步衡量2种改进方法对模型性能的提升效果,使用相同测试集对Y O L O v 4㊁Y O L O v 4+轻量化改进(Y O L O v 4+①)㊁Y O L O v 4+轻量化改进+识别精度改进(Y O L O v 4+①+②,即本研究提出的改进模型)3种模型进行性能测试与评估,结果如表1所示㊂表1 改进前后Y O L O v 4模型对3种茶叶病害识别性能的对比T a b l e 1 C o m p a r i s o n o f r e c o g n i t i o n p e r f o r m a n c e o f t h e Y O L O v 4m o d e l b e f o r e a n d a f t e r i m pr o v e m e n t f o r t h r e e t e a d i s e a s e s 模型M o d e l 平均精度/%A v e r a ge p r e c i s i o n 茶白星病T e a w h i t e s c a b d i s e a s e 茶云纹叶枯病T e a c l o u dl e a f b l i gh t 茶轮斑病T e a r i n g s po t 平均精度均值/%M e a n a v e r a g e pr e c i s i o n 检测速度/(帧㊃s -1)D e t e c t i o n s pe e d 模型大小/M BM o d e l s i z eY O L O v 487.9890.8294.2991.0319.6246.00Y O L O v 4+①89.6588.2791.4889.8027.141.20Y O L O v 4+①+②93.4192.3795.7893.8526.641.35注:①M o b i l e N e t v 2和深度可分离卷积;②C B AM 和K -m e a n s ;Y O L O v 4+①+②表示本研究提出的改进Y O L O v 4模型㊂N o t e :①M o b i l e N e t v 2a n d d e p t h w i s e s e p a r a b l e c o n v o l u t i o n ;②C B AM a n d K -m e a n s ;Y O L O v 4+①+②r e p r e s e n t s t h e i m pr o v e d Y O L O v 4m o d e l i n t h e s t u d y. 分析表1可知,采用M o b i l e N e t v 2和深度可分离卷积对Y O L O v 4模型进行轻量化改进后,模型的平均精度均值略有下降,但模型大小减少了204.8M B ,对图像的检测速度提高了7.5帧/s ;在对模型轻量化改进的基础上,引入C B AM 并利用K -m e a n s 聚类算法调整先验框后,最终得到的改进Y O L O v 4模型(Y O L O v 4+①+②)对茶白星病㊁茶云纹叶枯病和茶轮斑病识别的平均精度较原始Y O L O v 4模型分别提高了6.2%,1.7%和1.6%,平均精度均值提高了3.1%,达到93.85%,且改进Y O L O v 4模型的图像检测速度依然保持较快的26.6帧/s ㊂说明所使用的2种改进方法均具备有效性,其中对Y O L O v 4模型进行的轻量化改进降低了模型的大小,在此基础上对Y O L O v 4模型进行识别精度改进后提高了模型对茶白星病㊁茶云纹叶枯病和茶轮斑病识别的精度㊂3.2.2 不同模型对茶叶病害识别性能的对比Y O L O v 4和Y O L O v 3[19]㊁S S D [21]㊁F a s t e r R -C N N [15]都是近年来深度学习领域具有代表性的目标检测模型,为客观评估本研究提出的改进Y O L O v 4模型的优势,使用改进Y O L O v 4模型和Y O L O v 3㊁S S D ㊁F a s t e r R -C N N 在相同的茶叶病害数据集及试验平台中进行对比试验㊂试验完成后,记录并统计每个模型的评价指标,结果如表2所示㊂表2 不同模型对3种茶叶病害识别性能的对比T a b l e 2 C o m p a r i s o n o f r e c o g n i t i o n p e r f o r m a n c e o f t h r e e t e a d i s e a s e s u s i n g di f f e r e n t m o d e l s 模型M o d e l s 平均精度/%A v e r a ge p r e c i s i o n 茶白星病T e a w h i t e s c a b d i s e a s e 茶云纹叶枯病T e a c l o u d l e af b l igh t 茶轮斑病T e a ri n g s po t 平均精度均值/%M e a n a v e r a g e pr e c i s i o n 检测速度/(帧㊃s -1)D e t e c t i o n s pe e d 模型大小/M BM o d e l s i z eY O L O v 387.9689.4088.1688.5121.1236.00S S D81.1386.6479.9482.5719.3100.00F a s t e r R -C N N 89.8790.9391.5990.8014.9522.00改进Y O L O v 4模型I m pr o v e d Y O L O v 4m o d e l 93.4192.3795.7893.8526.641.35251西北农林科技大学学报(自然科学版)第51卷Copyright ©博看网. All Rights Reserved.由表2可知,本研究提出的改进Y O L O v4模型的大小为41.35M B,分别较Y O L O v3㊁S S D和F a s-t e r R-C N N模型减小82.5%,58.7%和92.1%,且改进Y O L O v4模型对茶白星病㊁茶云纹叶枯病和茶轮斑病识别的平均精度均值为93.85%,分别较Y O L O v3㊁S S D和F a s t e r R-C N N模型提高了6.0%,13.7%和3.4%㊂在检测速度上,改进Y O L O v4模型以26.6帧/s的检测速度优于其他3种模型,分别较Y O L O v3㊁S S D㊁F a s t e r R-C N N模型的检测速度提高了5.5,7.3和11.7帧/s㊂综上所述,本研究所提出的改进Y O L O v4模型具有一定的优势,在自然环境下对3种常见茶叶病害的识别可以兼顾精度和速度㊂4结论1)本研究针对自然茶园环境下3种常见茶叶病害的特点和识别难题,提出了一种改进的Y O L O v4模型㊂主要改进方法为:使用M o b i l e N e t v2和深度可分离卷积对Y O L O v4模型进行轻量化改进,再引入C B AM和K-m e a n s聚类算法以提升Y O L O v4模型对茶叶病害的识别精度㊂2)在418张相同测试集上对改进方法的有效性和识别优势进行对比试验,以平均精度㊁平均精度均值㊁图像检测速度和模型大小作为模型性能评价指标㊂对比试验结果表明,与原始Y O L O v4模型相比,改进Y O L O v4模型对茶白星病㊁茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%, 1.7%和1.6%,平均精度均值提高了3.1%,达到93.85%;同时,模型的轻量化改进效果明显,改进后Y O L O v4模型的大小减少了83.2%,图像检测速度达到较快的26.6帧/s㊂与其他目标检测模型Y O L O v3㊁S S D和F a s t e r R-C N N相比,本研究提出的改进Y O L O v4模型在3种常见茶叶病害的识别精度和图像检测速度上具有一定的优势,为轻量化模型的确定和茶园病害防控提供了技术参考㊂3)除了试验中所研究的3种常见茶叶病害以外,茶园环境下还存在着其他复杂的病害类型,后续将于茶园中采集更多的病害样本,以丰富茶叶病害数据集,进一步提升茶叶病害识别模型的精度和泛化性㊂[参考文献][1]周国文,蔡昕佚,王虹媛.茶产业在振兴乡村中的作用㊁问题和方向[J].福建茶叶,2021,43(12):10-12.Z h o u G W,C a i X Y,W a n g H Y.T h e r o l e,p r o b l e m s a n d d i r e c-t i o n s o f t h e t e a i n d u s t r y i n r u r a l r e v i t a l i z a t i o n[J].T e a i n F u-j i a n,2021,43(12):10-12.[2]张洪,张孟婷,王福楷,等.4种间作作物对夏秋季茶园主要叶部病害发生的影响[J].茶叶科学,2019,39(3):318-324.Z h a n g H,Z h a n g M T,W a n g F K,e t a l.E f f e c t s o f f o u r i n t e r-c r o p p i n g c r o p s o n t h e o c c u r r e n c e o f m a j o r l e a fd i se a s e s i n t e ap l a n t a t i o n s i n s u mm e r a n d a u t u m n[J].J o u r n a l o f T e a S c i e n c e, 2019,39(3):318-324.[3]张洪光,阎莎莎,贺志清,等.中国农作物病虫害[M].3版.北京:中国农业出版社,2015:6-13.Z h a n g H G,Y a n S S,H e Z Q,e t a l.C r o p d i s e a s e s a n d p e s t s i nC h i n a[M].3r d e d.B e i j i n g:C h i n a A g r i c u l t u r e P r e s s,2015:6-13.[4]王文明,肖宏儒,陈巧敏,等.基于图像处理的茶叶智能识别与检测技术研究进展分析[J].中国农机化学报,2020,41(7): 178-184.W a n g W M,X i a o H R,C h e n Q M,e t a l.R e s e a r c h p r o g r e s sa n a l y s i s o f t e a i n t e l l i g e n t r e c o g n i t i o n a n d d e t e c t i o n t e c h n o l o g yb a s e d o n i m a g e p r oc e s s i n g[J].J o u r n a l o f C h i n e s e A g r i c u l t u r a lM e c h a n i z a t i o n,2020,41(7):178-184.[5]王聃,柴秀娟.机器学习在植物病害识别研究中的应用[J].中国农机化学报,2019,40(9):171-180.W a n g D,C h a i X J.A p p l i c a t i o n o f m a c h i n e l e a r n i n g i n p l a n t d i s-e a s e s r e c o g n i t i o n[J].J o u r n a l of C h i n e s e Ag r i c u l t u r a l M e ch a n i-z a t i o n,2019,40(9):171-180.[6] K h a n U,O b e r o i A.P l a n t d i s e a s e d e t e c t i o n t e c h n i q u e s:a r e v i e w[J].I n t e r n a t i o n a l J o u r n a l o f C o m p u t e r S c i e n c e a n d M o b i l eC o m p u t i n g,2019,8(4):59-68.[7]张红涛,李艺嘉,谭联,等.基于C S-S VM的谷子叶片病害图像识别[J].浙江农业学报,2020,32(2):274-282.Z h a n g H T,L i Y J,T a n L,e t a l.I m a g e r e c o g n i t i o n o f m i l l e t l e a f d i s e a s e b a s e d o n C S-S VM[J].A c t a A g r i c u l t u r a e Z h e-j i a n g e n s i s,2020,32(2):274-282.[8] V a m s i d h a r E,R a n i P J,B a b u K R.P l a n t d i s e a s e i d e n t i f i c a t i o na n d c l a s s i f i c a t i o n u s i n g i m a g e p r o c e s s i n g[J].I n t e r n a t i o n a lJ o u r n a l o f E n g i n e e r i n g a n d A d v a n c e d T e c h n o l o g y,2019,8(3): 442-446.[9]王聪,姜舒文,黄坤,等.机器学习在农产品供应链关键环节中的应用进展研究综述[J].中国农机化学报,2021,42(5): 182-190.W a n g C,J i a n g S W,H u a n g K,e t a l.A r e v i e w o n m a c h i n e l e a r n i n g f o r a p p l i c a t i o n s i n k e y l i n k s o f a g r i c u l t u r a l p r o d u c t s s u p p l y c h a i n[J].J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a-t i o n,2021,42(5):182-190.[10]樊湘鹏,周建平,许燕.基于改进区域卷积神经网络的田间玉米叶部病害识别[J].华南农业大学学报,2020,41(6):82-91.F a n X P,Z h o u J P,X u Y.R e c o g n i t i o n o f f i e l d m a i z e l e a f d i s e a-s e s b a s e d o n i m p r o v e d r e g i o n a l c o n v o l u t i o n a l n e u r a l n e t w o r k[J].J o u r n a l o f S o u t h C h i n a A g r i c u l t u r a l U n i v e r s i t y,2020,41(6):82-91.351第9期孙道宗,等:基于改进Y O L O v4模型的茶叶病害识别Copyright©博看网. All Rights Reserved.。
基于YOLOv3多模块融合的遥感目标检测方法研究
基于YOLOv3多模块融合的遥感目标检测方法研究基于YOLOv3多模块融合的遥感目标检测方法研究随着遥感技术的不断发展，遥感图像的应用越来越广泛，其中目标检测在许多领域中扮演着重要的角色，例如农业监测、城市规划以及环境保护等。
然而，由于遥感图像具有高分辨率、复杂背景和大范围的特点，传统的目标检测方法往往难以满足实际应用的需求。
为了解决这一问题，本文提出了一种基于YOLOv3多模块融合的遥感目标检测方法。
YOLOv3是一种高效的目标检测框架，其具有快速、准确的特点。
然而，直接应用YOLOv3在遥感图像中存在一些困难，主要包括目标小、密集等问题。
为了提高目标检测的准确率和稳定性，本文引入了多模块融合的思想。
首先，本方法将遥感图像进行预处理，包括图像增强和目标区域裁剪。
图像增强利用直方图均衡化和对比度增强等方法，提高遥感图像的亮度和对比度，以便于目标识别。
目标区域裁剪通过提取感兴趣区域，减少冗余信息和计算量。
其次，本方法使用YOLOv3作为基础模块进行目标检测。
YOLOv3通过将图像划分成网格，每个网格预测一定数量的边界框和类别，从而实现目标检测。
然而，由于遥感图像中目标的大小和密度变化较大，单一的YOLOv3模块的目标检测效果有限。
因此，本文提出了多模块融合的方法。
多模块融合方法包括两个主要步骤：目标区域分割和模块融合。
首先，采用图像分割算法，如基于阈值的方法或基于边缘的方法，将遥感图像分割成多个区域，每个区域包含一个或多个目标。
然后，为每个区域应用YOLOv3模块进行目标检测，获取目标的位置和类别信息。
最后，将各个区域的检测结果进行融合，得到最终的目标检测结果。
为了进一步提高目标检测的准确率和稳定性，本方法还引入了特征融合和联合训练的思想。
特征融合利用不同层次的特征图进行信息传递和融合，增强目标的表征能力。
联合训练将多个YOLOv3模块进行联合训练，共同学习目标的特征表示，从而提高目标检测的鲁棒性。