基于图像处理的温室大棚中番茄的病害识别
基于深度学习的番茄病害检测识别算法
引言农作物生长周期易遭受到病害的侵袭，而我国是农业病害多发重发的国家，农作物每年遭受病害侵蚀经济损失程度巨大，根据联合国农粮组织估计，全世界范围内每年农作物病虫害自然损失率在37%以上。
由此可见，病虫害的防治对我国的农业发展具有至关重要的作用。
病虫害种类繁多，而传统的病虫害检测方法依靠人工凭借经验判断种类，难以准确诊断。
改变传统的病虫害检测方式，能更有效的满足病虫害的防治需求。
近年来，智能检测技术不断应用于农业上。
刘洋等提出一种轻量级 CNN 的植物病害识别方法，并将其移植到 Android 手机端，并在识别精度、运算速度和网络尺寸之间取得不错的效果。
孙俊等通过改进卷积神经网络的初始化参数和尝试不同类型的激活函数对多种植物叶片病虫害进行识别，平均测试识别准确率达到 99.56%。
魏丽冉等在Lab彩色空间模型下的a、b分量上进行叶片分割并提取特征，然后采用基于核函数的支持向量机多分类方法对病害进行检测识别并分类，识别率最高达到89.5%。
赵立新等基于迁移学习的棉花叶部病虫害识别，通过改进 AlexNet模型的迁移学习，源领域学习到的知识迁移到目标领域，数据增强技术能有效缓解过拟合，能取得不错的效果。
Sumita Mishra等将通过预训练的卷积神经网络模型部署到专门的CNN硬件模块中，使玉米叶疾病的识别模型准确率达到了88.46%。
刘君等针对背景环境的要求较高，同时不能实现病虫害的定位的问题，提出基于YOLO卷积神经网络的番茄病虫害检测算法并建立数据库，对8类番茄病虫害的检测平均精度高达 85.09%。
本研究采用的是YOLOv4目标识别算法对番茄病害进行识别与定位，YOLOv4是YOLOv3的改进版，在结合YOLOv3的基础上提出一系列新的方法。
YOLOv4在YOLOv3的基础上，在FPS不下降的情况下，mAP达到了44，提高非常明显。
通过调整原始 YOLOv4 网络参数来适应番茄病害检测任务，研究优化改进模型效果，相对于深度学习病害图像识别来说，YOLOv4目标检测算法对病害的检测效果有较大提升，并能对发病位置进行精确定位，同时还拥有不错的速度和精度。
植物病虫害图像识别
植物病虫害图像识别引言植物病虫害是农业生产中常见的问题之一，病虫害的防治对保障农作物的生长和产量具有重要意义。
传统的病虫害检测方法需要专业知识和经验，且耗时耗力。
近年来，随着计算机视觉和机器学习技术的发展，植物病虫害图像识别成为一种快速、准确、非破坏性的检测方法，为农业生产提供了新的解决方案。
本文将介绍植物病虫害图像识别技术的原理、方法和应用，帮助读者了解其概念和基本工作原理。
技术原理植物病虫害图像识别技术基于计算机视觉和机器学习的方法，主要包括以下几个步骤：1.数据采集：使用数字相机或其他图像采集设备拍摄植物叶片或其他有病虫害的部位的图像，确保图像具有足够的分辨率和清晰度。
2.数据预处理：对采集得到的图像进行预处理，包括图像去噪、图像增强等，以提高图像质量。
3.特征提取：从预处理后的图像中提取特征，用于描述植物病虫害的视觉特征。
常用的特征包括颜色特征、纹理特征、形状特征等。
4.特征选择：从大量的特征中选择出最具有判别能力的特征子集，减少特征维度和冗余，提高分类性能。
5.分类模型训练：使用机器学习算法训练分类模型，将图像特征与对应的病虫害类型进行关联，以实现对未知图像的分类和识别。
6.模型评估与优化：对训练得到的模型进行评估和优化，以提高其准确率和鲁棒性。
方法和应用植物病虫害图像识别方法涵盖了多种技术和算法，常用的包括传统的机器学习方法和深度学习方法。
1.传统机器学习方法：传统机器学习方法包括支持向量机（SVM）、决策树、随机森林等。
这些方法需要手工提取图像特征，并通过训练分类器进行分类。
2.深度学习方法：深度学习方法利用神经网络的多层次特征提取和学习能力，可以自动学习图像中的特征。
常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）等。
植物病虫害图像识别技术已经在农业领域得到广泛的应用。
通过将图像识别技术应用于农田、温室等环境中，可以实时监测植物病虫害的发生和发展情况，及时采取相应的防治措施，提高农作物的产量和质量。
基于YOLO的番茄病虫害识别算法
在训练过程中，我们将收集到的病虫害图像进行预处理，并将处理后的图像输 入到YOLO模型中进行训练。为了优化模型性能，我们采用了数据增强技术，通 过对图像进行旋转、平移、缩放等操作，增加模型的泛化能力。同时，我们还 采用了早停法和模型验证技术，以避免过拟合现象的出现。
三Байду номын сангаас实验结果及分析
为了评估基于YOLO的番茄病虫害识别算法的性能，我们进行了一系列的实验。 实验结果显示，该算法在病虫害识别方面具有较高的准确性和效率。具体来说， 该算法的正确识别率达到了90%，相较于传统的人工目视检查方法，该算法的 正确识别率提高了10%以上。此外，该算法的平均处理时间仅为20毫秒，大大 节省了人工处理的时间和成本。
实验结果还显示，基于YOLO的番茄病虫害识别算法在处理复杂背景和多发病虫 害类型的图像时，准确性和稳定性都表现良好。即使在图像质量较差或病虫害 特征不明显的情况下，该算法也能有效地识别出病虫害类型。这主要得益于 YOLO算法采用的全局池化策略和特征融合技术，使得模型能够更好地捕捉图像 中的全局信息和上下文关系。
三、实验及结果
我们收集了大量的番茄叶片图像，其中包含了多种常见的番茄叶片病虫害类型。 我们使用部分图像训练了改进后的ResNet模型，并使用剩余的图像进行测试。 实验结果表明，改进后的ResNet模型在识别番茄叶片病虫害上具有更高的准 确率。具体来说，我们的模型在测试集上的准确率达到了90%，比原始的 ResNet模型提高了约10%。
总之，基于YOLO算法的番茄病虫害识别方法为农作物病虫害检测提供了一种有 效的解决方案。未来的研究将进一步完善该方法，提高其在复杂场景下的准确 性和应用范围，为农业现代化做出贡献。
参考内容二
一、引言
番茄是一种全球广泛种植的农作物，其产量和品质对于满足人们对食品的需求 至关重要。然而，番茄叶片病虫害的发生常常会对番茄的生长和产量产生严重 影响。为了有效地防治番茄叶片病虫害，及时准确地识别病虫害种类显得至关 重要。
基于深度学习的图像识别技术应用于农产品病虫害检测
基于深度学习的图像识别技术应用于农产品病虫害检测随着人们对食品安全意识的提高，农产品病虫害的检测和防控变得越来越重要。
传统的病虫害检测方法往往耗时且不准确，而基于深度学习的图像识别技术可以提供一种高效、准确的解决方案。
基于深度学习的图像识别技术是一种人工智能技术，通过训练神经网络来识别和分类图像。
该技术具有自动学习能力，能够从大量数据中自动学习特征，进而实现高准确率的图像识别任务。
在农产品病虫害检测中，基于深度学习的图像识别技术可以应用于以下几个方面：1. 病虫害图像识别与分类：通过训练深度学习模型，可以识别不同病虫害的特征，准确判断图像中是否存在病虫害。
例如，可以识别番茄植株中的番茄黄化卷曲病毒、番茄褐斑病等病害，以及玉米叶片中的玉米螟、玉米象等害虫。
2. 病虫害损害程度评估：除了检测病虫害的存在，基于深度学习的图像识别技术还可以评估病虫害对农作物的损害程度。
通过训练模型，可以对受感染的农作物进行分级，帮助农民判断病虫害的严重程度，及时采取相应的防控措施。
3. 病虫害监测与预警：借助深度学习的图像识别技术，可以实现对农田中病虫害的实时监测与预警。
通过安装摄像头或使用无人机拍摄农田图像，深度学习模型可以自动识别病虫害并生成预警信息，帮助农民及时采取措施防止病虫害蔓延。
4. 病虫害数据分析与预测：基于深度学习的图像识别技术还可以将病虫害图像识别结果与其他农业数据进行结合，进行数据分析与预测。
通过识别图像中病虫害的类型、分布情况等信息，可以为农民提供科学决策支持，帮助提高农作物的产量和质量。
然而，基于深度学习的图像识别技术在农产品病虫害检测中还面临一些挑战和改进空间。
例如，数据集的规模和多样性对于训练准确的模型至关重要。
此外，针对一些农产品上常见的多种混合病虫害，需要进一步研究改进算法的鲁棒性和准确性。
综上所述，基于深度学习的图像识别技术在农产品病虫害检测中具有巨大的潜力。
随着技术的不断发展和数据集的丰富，相信这一技术将为农民提供更可靠的病虫害检测解决方案，帮助农业产业实现更高效、更可持续的发展。
日光温室番茄生理病害识别及栽培防治技术
日光温室番茄生理病害识别及栽培防治技术摘要针对日光温室番茄产生的生理性病害的发生因素，提出了相应的防治方法及栽培措施。
关键词番茄；日光温室；病害；防治日光温室等保护地番茄病害种类多，危害重，随着栽培面积的不断扩大及多年种植，其生理性病害也日渐严重，已成为影响番茄种植效益的因素。
为此，笔者从生态、栽培条件人手，针对日光温室番茄产生的生理性病害防治及栽培措施进行了探索，以期为种植户提供参考。
1番茄低温障碍和冻害1.1受害症状幼苗遇低温，子叶上举，叶背向上反卷，叶缘受冻部位逐渐枯干或个别叶片萎蔫干枯。
低温持续时间长，叶片暗绿无光，顶芽生长点受冻，根系生长受阻或形成畸形花，造成低温落花或畸形果。
受害果实不易着色成熟。
严重的茎叶干枯而死。
1.2发生因素番茄生长气温低于13℃时不能正常座果，夜温低于15％造成落花落果，气温在10℃或低于10℃易发生冷害，长时间低于6℃植株将死亡。
番茄果实遇-1℃会发生冻害。
1.3对症防治方法低温锻炼。
选择晴天定植，以利根系恢复生长。
采用地面覆盖。
必要时临时加温。
据天气预报，于傍晚喷洒巴姆兰丰收液膜250倍液，或27％高脂膜乳油100倍液。
选用耐低温品种。
2番茄高温障碍2.1受害症状塑料大棚或温室栽培番茄，常发生高温为害。
初叶绿素褪色或叶缘呈漂白状，后变黄色。
轻的仅叶缘呈烧伤状，重的波及半叶或整个叶片，终致永久萎蔫或干枯。
花芽分化时遇高温持续时间长，则表现为花小。
发育不良，或产生花粉粒不孕，花粉管不伸长，不受精，致落花，或影响果实正常色素的形成及座果。
2.2发生因素其影响程度因基因型及湿度和土壤水分等环境条件而异。
当白天温度高于35℃，或40℃高温持续4 h，夜间高于20℃，就会引起茎叶损伤及果实异常。
2.3对症防治方法加强通风，使叶面温度下降；阳光照射强烈时，可采用部分遮荫法，或使用遮阳网防止棚内温度过高；喷水降温。
3番茄生理性卷叶病3.1受害症状番茄采收前或采收期，第1果枝叶片稍卷，或全株叶片呈筒状，变脆，致果实直接暴露于阳光下，影响果实膨大，或引致日灼。
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。
基于图像处理技术的番茄成熟度检测研究
第4期（总第376期）2021年4月No.4 APR文章编号：1673-887X(2021)04-0050-03基于图像处理技术的番茄成熟度检测研究伍蓥芮，张志勇，韩小平，杨威，杨原青（山西农业大学农业工程学院，山西太谷030801）摘要提出了一种利用图像处理技术判别番茄成熟度的方法。
将实验温室大棚采集的番茄果实图像转化为RGB颜色模型，人工划分阈值并提取果实坐标，以原图像素与人工分量阈值的方差为依据，判别番茄成熟过程的4个时期，为研制番茄成熟度判别设备提供了参考。
关键词图像处理技术；番茄；成熟度中图分类号S371文献标志码A doi:10.3969/j.issn.1673-887X.2021.04.022Research on Tomato Maturity Detection Based on Image Processing TechnologyWu Yingrui,Zhang Zhiyong,Han Xiaoping,Yang Wei,Yang Yuanqing(College of Agricultural Engineering,Shanxi Agricultural University,Taigu030801,Shanxi,China)Abstract：A method for judging tomato maturity using image processing technology is proposed.The tomato fruit images collected in the experimental greenhouse were converted into RGB color models,and the thresholds were manually divided and the fruit coor‐dinates were extracted.Based on the variance of the original image pixels and the artificial component thresholds,the four stages of the tomato ripening process were distinguished for the purpose of developing tomato maturity.The discrimination equipment pro‐vides a reference.Key words：image processing technology,tomato,maturity番茄果实营养价值较高，含丰富的维生素和矿物质。
基于图像处理的番茄识别方法
基于图像处理的番茄识别方法方政;胡晓辉;陈永;李兰凤【摘要】针对重叠番茄识别的特点和要求,提出一种新的田间环境下重叠番茄的识别方法.该算法融合了最小二乘法曲线拟合以及Hough变换,首先获取重叠番茄的轮廓曲线,并进行凹点检测,实现了轮廓曲线的分段;再利用最小二乘法对轮廓曲线进行分段拟合,得到重叠情况下的多个目标圆;再利用Hough变换方法对轮廓曲线进行变换识别,获取Hough变换识别的结果;最后利用最小二乘法得到的分段拟合结果修正Hough变换的结果.算法既保留了Hough变换获得的目标整体性,又保证了最小二乘法分段拟合的精确性.通过试验证明,算法识别的平均误差为5.1％.【期刊名称】《浙江农业科学》【年(卷),期】2015(056)012【总页数】6页(P1941-1946)【关键词】重叠番茄;最小二乘法拟合;Hough变换;轮廓曲线;分段拟合【作者】方政;胡晓辉;陈永;李兰凤【作者单位】兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070;兰州交通大学电子与信息工程学院,甘肃兰州 730070【正文语种】中文【中图分类】S641;TP391文献著录格式：方政，胡晓辉，陈永，等.基于图像处理的番茄识别方法［J］.浙江农业科学，2015，56（12）：1941-1946.计算机视觉技术已经在农业环境中得到了广泛的应用，科研人员在作物果实识别领域已经进行了较为深入的研究，也提出了多种识别方法。
在番茄识别领域中，赵杰文等［1］研究了基于 HIS颜色特征的田间成熟番茄识别技术，利用H分量分离出成熟番茄区域，计算番茄质心坐标，实现了对成熟番茄相互分离情况的识别；吕小莲等［2］研究了基于颜色特征的日间番茄识别方法，利用颜色指标的差异建立颜色模型，并利用OTSU法将成熟番茄从背景中分离出来；郑小东等［3］根据颜色特征利用阈值自动设定的方法对图像进行分割，自动、快速识别红色番茄；蒋焕煜等［4］利用双目立体视觉技术和成熟番茄与背景颜色特征的特点，实现成熟番茄位置信息的获取；纪平等［5］在进行轮廓提取的基础上，用圆对番茄轮廓进行拟合，可以识别各种光照条件下的果实；王玉飞等［6］选择了3个形状特征和5个纹理特征参数，进行统计分析，对相互分离的成熟番茄的识别度较高。