賀壹婷 藺瑤 曾晏林 費加杰 黎強 楊毅

摘要 為準(zhǔn)確識別自然條件下的咖啡葉片病蟲害，提出一種基于YOLOv5改進(jìn)的目標(biāo)檢測算法。該方法通過在主干網(wǎng)絡(luò)融入ConvNext網(wǎng)絡(luò)和ECA注意力機(jī)制來優(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遮擋目標(biāo)與小目標(biāo)的漏檢問題。結(jié)果表明，該方法的檢測精度均值（mAP）達(dá)到了94.13%，檢測速度和精度都具有良好效果，同時模型大小只有17.2 MB，可以滿足邊緣設(shè)備的運行條件。因此，改進(jìn)后的YOLOv5算法可為自然環(huán)境下咖啡葉片病蟲害識別提供技術(shù)支撐，滿足實時目標(biāo)檢測的實際應(yīng)用需求。

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

中圖分類號 S-058? 文獻(xiàn)標(biāo)識碼 A? 文章編號 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

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

作者簡介 賀壹婷（1997—），女，河北邢臺人，碩士研究生，研究方向：智能計算和深度學(xué)習(xí)。通信作者，教授，從事智能計算、深度學(xué)習(xí)、數(shù)據(jù)庫應(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)品在實際種植中始終無法避免病蟲的危害，植物葉部病害一直制約著農(nóng)作物的產(chǎn)量和質(zhì)量，病蟲害問題不僅會影響種植效果，還容易造成減產(chǎn)，每年咖啡因病蟲害造成的產(chǎn)量損失約為17%［1］。傳統(tǒng)的機(jī)器學(xué)習(xí)算法在檢測精度、檢測效率和泛化能力等方面已無法滿足實際要求，因此該研究提出基于YOLOv5改進(jìn)的咖啡葉片病蟲害識別方法，通過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)病蟲害位置及種類，比傳統(tǒng)目標(biāo)檢測算法在檢測速度和精度等方面都得到了較大提升，在一定程度上推動了咖啡種植領(lǐng)域的現(xiàn)代信息化發(fā)展。

國內(nèi)外針對自然環(huán)境下病蟲害識別問題提出許多解決方法，目前基于深度學(xué)習(xí)的目標(biāo)檢測算法可以分為One-stage和Two-stage ［2-4］。One-stage檢測器有較高的推理速度，不需要區(qū)域建議步長，如YOLO、SSD等可用于實時設(shè)備。Two-stage檢測器將問題劃分為2個階段，先進(jìn)行區(qū)域生成，然后通過卷積神經(jīng)網(wǎng)絡(luò)對候選區(qū)域分類，具有較高的定位和目標(biāo)識別精度，如FPN，SPPNet，R-FCN等。徐會杰等［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++聚類算法選取先驗框匹配到不同檢測層進(jìn)行目標(biāo)識別。劉芳［6］提出基于YOLOv5 的柑橘圖像目標(biāo)檢測方法，引入Mosaic 增強數(shù)據(jù)，同時優(yōu)化邊框損失函數(shù)，加速網(wǎng)絡(luò)收斂，提高檢測精度。黃彤鑌等［7］融入CBAM注意力機(jī)制模塊和α- IoU損失函數(shù)，改善了對小目標(biāo)物體漏檢、誤檢的情況。楊福增等［8］通過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)，更適用于密集場景下多蘋果目標(biāo)的識別；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對月季多葉片進(jìn)行病蟲害檢測研究。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)化級聯(lián) R-CNN識別了5種常見的水稻害蟲，提高了小目標(biāo)的檢測精度。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3種蘋果葉部病害識別。這些方法由于針對特定環(huán)境檢測的自身局限性，導(dǎo)致在復(fù)雜背景環(huán)境下病斑相似性的葉片識別效果較差，大多針對靜態(tài)圖片的單葉片病蟲害分類，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)咖啡病蟲害識別方法，通過將ConvNext融入主干網(wǎng)絡(luò)，并加入ECA注意力機(jī)制模塊增強網(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害高精度識別；通過及時發(fā)現(xiàn)病蟲害種類，從而降低其造成的損失，提升咖啡種植效果，推動相關(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

試驗采集地為云南省普洱咖啡種植基地，于2021年12月上旬通過尼康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)境下對咖啡葉片病蟲害的識別存在較大難度。

1.2 數(shù)據(jù)集準(zhǔn)備

以發(fā)病概率較高的5種咖啡病蟲害（炭疽病、綠階、煤污病、銹病、褐斑病）為研究對象，建立圖像數(shù)據(jù)集。對獲取的數(shù)據(jù)集進(jìn)行數(shù)據(jù)清洗、重命名、去重，使用labelImg軟件對5種咖啡葉片病蟲害進(jìn)行邊界框標(biāo)注，標(biāo)注時將病蟲害目標(biāo)區(qū)域的最小外接矩形框作為真實框，處于圖像模糊處的病蟲害不進(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，通過隨機(jī)裁剪，亮度增強，90°、180°、270°翻轉(zhuǎn)等方式對圖片進(jìn)行數(shù)據(jù)增強，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、驗證集，進(jìn)行模型訓(xùn)練。圖2為數(shù)據(jù)增強后的部分圖片。

2 試驗方法

2.1 YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5是一種單精度目標(biāo)檢測算法，采用One-stage結(jié)構(gòu)，通過特征提取、特征加強、預(yù)測特征點對應(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，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個部分［9，12-14］。

Backbone是YOLOv5的主干特征提取網(wǎng)絡(luò)，被稱為CSPDarknet，骨干網(wǎng)作為目標(biāo)檢測任務(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，提取到的特征稱作特征層，根據(jù)獲取的3個有效特征層進(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)對特征進(jìn)行上采樣和下采樣實現(xiàn)特征融合。

YOLO Head是YOLOv5的分類器與回歸器，對特征點進(jìn)行判斷，判斷特征點是否有物體與其對應(yīng)，通過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的集合，每一個特征點都有通道個數(shù)特征。分類和回歸在一個1×1卷積里實現(xiàn)［19］。

YOLO系列中的YOLOv5使用mosaic增強提升小物體檢測性能，通過領(lǐng)域的正樣本錨匹配策略增加正樣本，具有檢測精度高、速度快等優(yōu)勢。相比于其他網(wǎng)絡(luò)，YOLOv5在輸入端通過縮放、色彩空間調(diào)整等方式進(jìn)行數(shù)據(jù)增強，并通過隨機(jī)縮放、裁剪、排布的方式進(jìn)行拼接，可以豐富檢測目標(biāo)的背景并且提高檢測結(jié)果；在訓(xùn)練時，重新自動學(xué)習(xí)錨定框的尺寸，通過最佳自適應(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頭，由1x1 conv->depthwise conv->1x1 conv變成depthwise conv->1x1 conv->1x1 conv。將每個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。同時使用高斯誤差線性單元激活函數(shù)GELU，只在block中的2個1x1卷積之間使用一層激活層。僅在第1個1x1卷積之前添加了1個歸一化，更多的歸一化操作對模型效果提升并沒有幫助。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LN，這些歸一化用來保持模型的穩(wěn)定性。通過增加隨機(jī)深度，標(biāo)簽平滑，EMA（指數(shù)滑動平均）等正則策略防止過擬合。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)用于捕獲成對的像素級關(guān)系和通道間依賴關(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

對于SE-Net，主要步驟為擠壓、激勵、注意，特征點會經(jīng)過一個全局池化層，該池化層會經(jīng)過一個卷積得到一個數(shù)值，用來加權(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)和計算量，并且捕獲所有通道之間的依存關(guān)系是沒有必要的，ECA能夠很好地替換掉SE，甚至可以達(dá)到更好的效果。ECA模塊由非線性自適應(yīng)確定的一維卷積組成，用一維卷積來完成跨通道間的信息交互，通過考慮每個通道及其k個鄰居來避免維度縮減，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)的通道級全局平均池化之后，保證了模型效率和計算效果。卷積核的大小通過自適應(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)檢測算法

為解決YOLOv5模型中存在小目標(biāo)檢測準(zhǔn)確度較低等問題，該研究通過mosaic數(shù)據(jù)增強、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，從而增強網(wǎng)絡(luò)提取圖像特征的能力，加強對咖啡病蟲害的檢測。

經(jīng)過優(yōu)化后的模型可以實現(xiàn)更少次數(shù)收斂迭代，節(jié)省時間并且提高效率。咖啡葉片病蟲害的小目標(biāo)特征信息像素點數(shù)目少、語義信息有限，在深層網(wǎng)絡(luò)中易丟失，可能會引起YOLOv5模型對小目標(biāo)的漏檢和誤檢。將數(shù)據(jù)增強之后的咖啡葉片數(shù)據(jù)集進(jìn)行resize，統(tǒng)一輸入照片圖片像素為640×640，通過ECA注意力模塊實現(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)練過程中加強對咖啡葉片病蟲害的點特征、線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 試驗運行平臺

試驗基于Pytorch深度學(xué)習(xí)框架，試驗室服務(wù)器的主要配置如下：訓(xùn)練使用的CPU型號是Intel Core i9-10900KF，GPU型號是NVIDIA GeForce RTX 3080，64 GB運行內(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語言編程訓(xùn)練和測試。

3.2 網(wǎng)絡(luò)訓(xùn)練

對圖像進(jìn)行標(biāo)準(zhǔn)化和歸一化處理，使用整個網(wǎng)絡(luò)最后1層的特征圖來進(jìn)行預(yù)測。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，模型開始收斂，改進(jìn)后的YOLOv5模型收斂更加快速，最終精度較高。

3.3 評價指標(biāo)

為選取最優(yōu)模型，通過mAP（平均精度均值）和檢測一張圖像所用時間（Detection time）衡量檢測效果，對模型的性能綜合評價。mAP是各類別的平均值，用于衡量目標(biāo)檢測算法的性能，PR曲線中，P為precision，R為recall，N是檢測樣本類別數(shù)量［22-23］。計算公式如下所示。

mAP=Nk=1PRN

圖6為5種病在自然環(huán)境下視頻中的檢測效果。

3.4 改進(jìn)模型的檢測效果

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

3.5 不同算法類型對比

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、平均精度和檢測時間，更加直觀比較改進(jìn)前后模型檢測效果的差異，效果對比如表1所示。

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

4 結(jié)論

該研究針對在自然環(huán)境下對咖啡葉片病蟲害識別的檢測任務(wù)，提出一種基于YOLOv5改進(jìn)模型的輕量級目標(biāo)檢測方法。通過將自然環(huán)境下拍攝的咖啡葉片圖像進(jìn)行數(shù)據(jù)增強，解決數(shù)據(jù)樣本不平衡會影響模型的性能問題。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)對特征信息的提取能力，實現(xiàn)病蟲害的視頻檢測，對小目標(biāo)物體識別的誤檢、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1張圖片時間為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神經(jīng)網(wǎng)絡(luò)占用更少的參數(shù)內(nèi)存，具有更好識別效果和更快速收斂過程，適合移植到各種便攜式的可移動平臺，通過預(yù)訓(xùn)練好的權(quán)重即可實現(xiàn)在邊緣設(shè)備執(zhí)行本地在線識別，更好地解決了帶寬受限或延遲高等外界因

素導(dǎo)致的識別錯誤問題。

該研究所使用的數(shù)據(jù)集包含的類別較少，在今后的研究中可以增加咖啡葉片病蟲害的種類以擴(kuò)充數(shù)據(jù)集，制定更多的評價指標(biāo)，實現(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)檢測中的研究進(jìn)展［J］.兵器裝備工程學(xué)報，2022，43（9）：162-173.

［4］ 李偉強，王東，寧政通，等.計算機(jī)視覺下的果實目標(biāo)檢測算法綜述［J］.計算機(jī)與現(xiàn)代化，2022（6）：87-95.

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

［6］ 劉芳.基于YOLOV5的柑橘果實目標(biāo)檢測研究［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)模型的柑橘果實識別方法［J］.華中農(nóng)業(yè)大學(xué)學(xué)報（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的密集場景下多蘋果目標(biāo)快速識別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報，2022，53（2）：265-273.

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

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

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

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

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

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

［15］ 張志遠(yuǎn)，羅銘毅，郭樹欣，等.基于改進(jìn)YOLO v5的自然環(huán)境下櫻桃果實識別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報，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)境蘋果輕量級檢測方法［J］.農(nóng)業(yè)機(jī)械學(xué)報，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)集的水稻主要害蟲識別方法［J］.農(nóng)業(yè)機(jī)械學(xué)報，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)備實時目標(biāo)檢測算法研究［J］.齊齊哈爾大學(xué)學(xué)報（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)雜場景下肉鵝姿態(tài)的檢測算法研究［J］.南京農(nóng)業(yè)大學(xué)學(xué)報，2023，46（3）：606-614.

［20］ 晁曉菲，池敬柯，張繼偉，等.基于PSA-YOLO網(wǎng)絡(luò)的蘋果葉片病斑檢測［J］.農(nóng)業(yè)機(jī)械學(xué)報，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.