邱暢 田光兆 趙嘉威 謝尚杰 鄭奎

摘要：為提高草莓的總產(chǎn)量，合理監(jiān)控和防治草莓病害是有效的手段，提出一種基于改進(jìn)YOLOv5的草莓病害識(shí)別算法。該檢測算法以CSPDarknet作為主干特征提取網(wǎng)絡(luò)，能夠有效提高模型的性能和訓(xùn)練效率，并使用EIOU Loss損失函數(shù)與K-means聚類算法，來提高模型的收斂速度。同時(shí)，在模型中增加CBAM注意力機(jī)制來提高檢測精度，最終構(gòu)建基于改進(jìn)YOLOv5的CBAM-YOLOv5l算法。試驗(yàn)結(jié)果表明，改進(jìn)后的模型較之原始模型，在檢測精度上有所提升且依然能保證高效的檢測速度。另外，經(jīng)過訓(xùn)練的CBAM-YOLOv5l目標(biāo)檢測算法在驗(yàn)證集下的總體平均精度達(dá)到96.52%，平均檢測時(shí)間為27.52 ms，對比YOLOv4、YOLOv4-Tiny、Faster_R-CNN等目標(biāo)檢測算法，該檢測算法在精度上具有更大的優(yōu)勢，在實(shí)際的草莓果園環(huán)境中具有良好的魯棒性與實(shí)時(shí)性，可以滿足草莓病害識(shí)別精度的需求，能夠可靠地提示草莓健康狀態(tài)，從而及時(shí)地實(shí)現(xiàn)精準(zhǔn)施藥等保護(hù)措施。

關(guān)鍵詞：草莓；YOLOv5；機(jī)器視覺；深度學(xué)習(xí)；病害識(shí)別

中圖分類號(hào)：S436.5? 文獻(xiàn)標(biāo)識(shí)碼：A? 文章編號(hào)：2095-5553 （2024） 03-0198-07

Strawberry disease identification based on improved YOLOv5

Qiu Chang1， Tian Guangzhao2， Zhao Jiawei2， Xie Shangjie2， Zheng Kui3

（1. College of Artificial Intelligence， Nanjing Agricultural University， Nanjing， 210031， China; 2. College ofEngineering， Nanjing Agricultural University， Nanjing， 210031， China; 3. Shunwei Intelligent Technology

（Changzhou） Co.， Ltd.， Changzhou， 213161， China）

Abstract：

In order to improve the total yield of strawberries， reasonable monitoring and control of strawberry diseases is an effective means， a strawberry disease identification algorithm based on improved YOLOv5 is proposed. The detection algorithm uses CSPDarknet?as the backbone feature extraction network， which can effectively improve the performance and training efficiency of the model. The EIOU loss function and K-means clustering algorithm are used to improve the convergence speed of the model. At the same time， CBAM attention mechanism is added to the model to improve the detection accuracy， and finally the CBAM-YOLOv5l algorithm based on improved YOLOv5 is constructed. The experimental results show that the improved model improves the detection accuracy and still ensures efficient detection speed compared to the original model. In addition， the trained CBAM-YOLOv5l target detection algorithm achieves an overall average accuracy of 96.52% under the validation set， with an average detection time of 27.52 ms. Compared with YOLOv4， YOLOv4-Tiny， Faster_R-CNN and other target detection algorithms， CBAM-YOLOv5l algorithm has greater advantages in accuracy. It has good robustness and real-time performance in the actual strawberry orchard environment， and it can meet the needs of strawberry disease identification accuracy and reliably prompt the health status of strawberries， so as to timely achieve precise pesticide application and other protection measures.

Keywords：

strawberry; YOLOv5; machine vision; deep learning; disease recognition

0 引言

我國是草莓生產(chǎn)消費(fèi)第一大國，草莓種植業(yè)為我國農(nóng)業(yè)發(fā)展的重點(diǎn)之一［1］。合理監(jiān)控和防治草莓病害是提高草莓總產(chǎn)量的有效手段，但國內(nèi)對草莓病害的識(shí)別仍依賴于專業(yè)的檢測人員，耗費(fèi)大量勞動(dòng)力且效率不高。

目前，國內(nèi)外對作物病害識(shí)別已展開廣泛的研究。陳欣欣等［2］利用熱紅外成像技術(shù)和模擬低空遙感技術(shù)對油菜菌核病進(jìn)行識(shí)別檢測，從熱紅外圖像、溫度、生理指數(shù)等不同維度實(shí)現(xiàn)油菜菌核病的早期識(shí)別?？蝶惖龋?］利用高光譜成像技術(shù)，結(jié)合主成分分析和競爭性自適應(yīng)重加權(quán)算法，實(shí)現(xiàn)對大田自然發(fā)病的稻瘟病早期分級(jí)檢測。宋英等［4］利用小麥生長過程中赤霉病發(fā)病前期和發(fā)病中期的RGB圖像，得到與赤霉病相關(guān)性最好的顏色特征指數(shù)，再將發(fā)病麥穗顏色特征指數(shù)值與健康麥穗進(jìn)行比較分析，實(shí)現(xiàn)了利用數(shù)字圖像顏色特征指數(shù)快速地識(shí)別小麥赤霉病。Bian等［5］提出基于評價(jià)機(jī)制的自適應(yīng)K-means算法，并將該算法的核心步驟改寫成Mapper/Reducer的形式，部署在Hadoop集群中，能夠批量地對柑橘紅蜘蛛圖像目標(biāo)進(jìn)行識(shí)別。然而，上述方法僅適用于某種作物的單種病害的識(shí)別，無法對作物可能存在的多種病害進(jìn)行識(shí)別，在實(shí)際生產(chǎn)中難以獲得廣泛的應(yīng)用。

近年來，深度卷積神經(jīng)網(wǎng)絡(luò)在目標(biāo)檢測中展現(xiàn)出極大的優(yōu)勢，能夠快速精準(zhǔn)地完成檢測任務(wù)，使自然環(huán)境中作物的多種病害同時(shí)識(shí)別成為可能［6］。對于草莓多種病害的識(shí)別，也已有了較多實(shí)踐。邱菊等［7］基于YOLOv5s網(wǎng)絡(luò)建立了草莓病害識(shí)別系統(tǒng)，對草莓病害的識(shí)別有較高的效率。Kim等［8］使用PlantNet為主干特征提取器，可以很好地捕獲植物域信息。Ma等［9］使用一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的草莓病害識(shí)別方法，并應(yīng)用到遷移學(xué)習(xí)，能有效解決關(guān)鍵特征區(qū)域信息丟失的問題。但這些方法在草莓病害的檢測中，不能夠同時(shí)擁有較高的精度與速度。因此本研究針對草莓病害中最常見的細(xì)菌性葉斑病、炭疽病、灰霉病、蛇眼病和白粉?。?0］，構(gòu)建基于改進(jìn)YOLOv5的CBAM-YOLOv5l模型。

1 數(shù)據(jù)集與預(yù)處理

1.1 數(shù)據(jù)采集

本文所用的草莓圖像皆為互聯(lián)網(wǎng)上爬取所得，圖片統(tǒng)一以.jpg的格式進(jìn)行保存。本研究對草莓生長中最常見的細(xì)菌性葉斑病、炭疽病、灰霉病、蛇眼病和白粉病進(jìn)行識(shí)別，其中針對草莓葉部的病害為細(xì)菌性葉斑病、蛇眼病和白粉病，針對草莓果實(shí)上的病害為炭疽病和灰霉病。草莓病害圖像如圖1所示。

1.2 數(shù)據(jù)預(yù)處理

訓(xùn)練模型采用PASCAL VOC的數(shù)據(jù)集格式，使用LabelImg軟件對目標(biāo)進(jìn)行標(biāo)注，最終獲取含有2500張圖片的原始數(shù)據(jù)集。各種病害圖像各有500張。細(xì)菌性葉斑病標(biāo)注為Angular_Leafspot，炭疽病標(biāo)注為Anthracnose_Fruit_Rot，灰霉病標(biāo)注為Gray_Mold，蛇眼病標(biāo)注為Leaf_Spot，白粉病標(biāo)注為Powdery_Mildew。

為防止因數(shù)據(jù)集的數(shù)據(jù)量過少導(dǎo)致網(wǎng)絡(luò)模型出現(xiàn)過擬合的情況［11］，同時(shí)為增強(qiáng)模型訓(xùn)練效果及模型泛化能力［12］，本研究利用上述獲得的2 500張圖像，隨機(jī)進(jìn)行鏡像反轉(zhuǎn)、增加噪聲、平移等操作，使其擴(kuò)充至7 500張。完成數(shù)據(jù)擴(kuò)增后，按照9∶1的比例將其隨機(jī)地劃分為訓(xùn)練集（6 750張）和驗(yàn)證集（750張）。

2 YOLOv5算法與改進(jìn)

2.1 YOLOv5l目標(biāo)檢測網(wǎng)絡(luò)

在2016年，Redmon等提出了單階段的基于深度學(xué)習(xí)的目標(biāo)檢測算法，該算法采用回歸的方法直接進(jìn)行目標(biāo)的分類與預(yù)測［13］。YOLOv5是YOLO系列的第五代算法，按照模型大小遞增可分為s、m、l、x，各模型僅在網(wǎng)絡(luò)的深度和寬度上有所不同［14］，本研究選用的是YOLOv5l，能夠同時(shí)保證較高的識(shí)別精度與檢測速度。

2.1.1 YOLOv5l網(wǎng)絡(luò)結(jié)構(gòu)

YOLOv5l的主干特征提取網(wǎng)絡(luò)為CSPDarknet，該網(wǎng)絡(luò)通過對輸入的圖像進(jìn)行多次的卷積來提取圖像特征，最終獲得三個(gè)大小分別為80×80×256、40×40×512、20×20×1024的有效特征層。特別地，大小為20×20×1024的最后一個(gè)有效特征層經(jīng)過了SPP網(wǎng)絡(luò)的處理。不同于YOLOv4將SPP網(wǎng)絡(luò)用于加強(qiáng)特征提取網(wǎng)絡(luò)，在YOLOv5中，SPP模塊被用在了主干特征提取網(wǎng)絡(luò)中。SPP網(wǎng)絡(luò)對傳入的特征層分別利用四個(gè)不同池化核大小的最大池化進(jìn)行特征提取，這樣能提高網(wǎng)絡(luò)的感受野，分離出最顯著的上下文特征，再將獲得的特征層傳入特征提取網(wǎng)絡(luò)FPN中。傳入FPN網(wǎng)絡(luò)的特征層先經(jīng)過兩次上采樣分別與對應(yīng)大小的有效特征層進(jìn)行堆疊，再進(jìn)行兩次下采樣，利用反復(fù)的特征提取來獲得更好的特征，最后傳入YOLO Head進(jìn)行預(yù)測［15］。

2.1.2 殘差網(wǎng)絡(luò)與CSP網(wǎng)絡(luò)

YOLOv5l的主干部分中運(yùn)用到殘差卷積，殘差卷積由兩部分構(gòu)成，第一部分是一次1×1的卷積和一次3×3的卷積，第二部分是將輸入與輸出直接結(jié)合的殘差邊部分，如圖2所示。該殘差網(wǎng)絡(luò)的特點(diǎn)是內(nèi)部的殘差塊使用了跳躍連接，使得當(dāng)殘差為0時(shí)，該層神經(jīng)元只是對上一層進(jìn)行一次線性堆疊，網(wǎng)絡(luò)性能并不會(huì)下降。這緩解了在深度神經(jīng)網(wǎng)絡(luò)中增加深度帶來的梯度消失問題。

CSP網(wǎng)絡(luò)是將原來殘差塊的堆疊進(jìn)行了一個(gè)拆分，其主干部分經(jīng)過多個(gè)殘差塊向后傳遞，另一部分則經(jīng)過少量的處理直接連到最后，如圖3所示。這樣跨階段拆分與合并的網(wǎng)絡(luò)構(gòu)造有效降低了梯度信息重復(fù)的可能性，增加了梯度組合的多樣性，有利于提高模型的學(xué)習(xí)能力。

2.1.3 Focus網(wǎng)絡(luò)結(jié)構(gòu)

Focus網(wǎng)絡(luò)實(shí)現(xiàn)的具體操作如下：首先，在一張圖片中每隔一個(gè)像素拿到一個(gè)值，獲得四個(gè)獨(dú)立的特征層；然后，將這四個(gè)獨(dú)立的特征層進(jìn)行堆疊。此時(shí)，寬高維度上的信息就集中到了通道維度的信息上，使得輸入通道擴(kuò)充了四倍，拼接起來的特征層相對于原先的三個(gè)通道變成了十二個(gè)通道；最后，通過卷積的辦法提取不同的特征。Focus網(wǎng)絡(luò)的實(shí)現(xiàn)方式如圖4所示。

2.2 YOLOv5l網(wǎng)絡(luò)改進(jìn)

2.2.1 CBMA注意力機(jī)制

注意力機(jī)制就是實(shí)現(xiàn)網(wǎng)絡(luò)自適應(yīng)注意的一個(gè)方式，其核心重點(diǎn)就是讓網(wǎng)絡(luò)關(guān)注到更需要關(guān)注的地方［16］。注意力機(jī)制一般分為通道注意力機(jī)制和空間注意力機(jī)制，本文使用的CBAM［17］注意力機(jī)制是將通道注意力機(jī)制和空間注意力機(jī)制進(jìn)行了結(jié)合，即CBAM將對輸入的特征層分別進(jìn)行通道注意力機(jī)制和空間注意力機(jī)制的處理。這樣不只能夠節(jié)約參數(shù)和計(jì)算力，并且保證了其能夠作為即插即用的模塊集成到現(xiàn)有的網(wǎng)絡(luò)架構(gòu)中去。關(guān)于通道注意力機(jī)制和空間注意力機(jī)制的具體實(shí)現(xiàn)過程如下。

1） ?通道注意力機(jī)制先對輸入特征層進(jìn)行全局平均池化，然后進(jìn)行兩次全連接，再取一次Sigmoid將值固定到0～1之間，此時(shí)能夠獲得輸入特征層每一個(gè)通道的權(quán)值，最后將這個(gè)權(quán)值乘上原輸入特征層即可。

2） ?空間注意力機(jī)制對輸入進(jìn)來的特征層，在每一個(gè)特征點(diǎn)的通道上取最大值和平均值并將兩個(gè)值進(jìn)行一次堆疊，利用一次通道數(shù)為1的卷積調(diào)整通道數(shù)，然后取一個(gè)Sigmoid將值固定到0～1之間，此時(shí)能夠獲得輸入特征層每一個(gè)通道的權(quán)值，最后將這個(gè)權(quán)值乘上原輸入特征層即可。

因此，將通道注意力機(jī)制與空間注意力機(jī)制結(jié)合的CBAM注意力機(jī)制的結(jié)構(gòu)如圖5所示。

2.2.2 EIOU Loss損失函數(shù)

本文使用EIOU Loss損失函數(shù)，EIOU［18］是在CIOU的基礎(chǔ)上將縱橫比拆開，并加入Focal聚焦優(yōu)質(zhì)的錨框后得到的。其實(shí)現(xiàn)原理如式（1）所示。

LossEIOU=LossIOU+Lossdis+Lossasp=1－IOU+ρ2（b，bgt）c2+ρ2（ω，ωgt）CW2+ρ2（h，hgt）Ch2（1）

式中：LossEIOU——預(yù)測框和真實(shí)框的重疊損失；Lossdis——預(yù)測框和真實(shí)框的中心距離損失；Lossasp——預(yù)測框和真實(shí)框的寬和高損失；LOSSIOU——預(yù)測框和真實(shí)框的重疊損失；LOSSdis——預(yù)測框和真實(shí)框的中心距離損失；LOSSasp——預(yù)測框和真實(shí)框的寬和高損失；IOU——預(yù)測框與真實(shí)框的交并比；ρ2——加權(quán)系數(shù)；b——預(yù)測框的水平中心點(diǎn)位置；bgt——真實(shí)框的水平中心點(diǎn)位置；ω——預(yù)測框的寬度；ωgt——真實(shí)框的寬度；h——預(yù)測框的高度；hgt——真實(shí)框的高度；c——用于調(diào)整水平距離損失的系數(shù)；Cw——覆蓋預(yù)測框和真實(shí)框的最小外接框的寬度；Ch——覆蓋預(yù)測框和真實(shí)框的最小外接框的高度。

EIOU損失函數(shù)的前兩部分延續(xù)CIOU函數(shù)中的方法，增加的寬和高損失直接使預(yù)測框與真實(shí)框的寬度和高度之差最小，使得收斂速度更快。同時(shí)，引入了Focal Loss優(yōu)化了邊界框回歸任務(wù)中的樣本不平衡問題，使預(yù)測框回歸過程專注于高質(zhì)量錨框。

2.2.3 K-means聚類算法

本研究選擇K-means聚類［19］算法，該算法是無監(jiān)督的聚類算法，具有收斂速度快、聚類效果較優(yōu)和參數(shù)只有簇?cái)?shù)K的特點(diǎn)。

其具體實(shí)現(xiàn)過程是，先從樣本集中隨機(jī)選取K個(gè)樣本作為簇中心，并計(jì)算所有樣本與這K個(gè)“簇中心”的距離，對于每一個(gè)樣本，將其劃分到預(yù)期距離最近的“簇中心”所在的簇中。然后針對每個(gè)簇，重新計(jì)算聚類中心，接著針對每個(gè)樣本重新尋找距離自己最近的中心點(diǎn)并進(jìn)行類的劃分，如此循環(huán)直至各個(gè)簇的中心點(diǎn)不再發(fā)生變化為止。最終9個(gè)聚類中心先驗(yàn)框的尺寸為（10，13）、（16，30）、（33，23）、（30，61）、（62，45）、（59，119）、（116，90）、（156，198）、（373，326）。

2.2.4 改進(jìn)YOLOv5l網(wǎng)絡(luò)模型

改進(jìn)后的YOLOv5l網(wǎng)絡(luò)模型如圖6所示，最明顯的改進(jìn)就是在主干特征提取網(wǎng)絡(luò)和加強(qiáng)特征提取網(wǎng)絡(luò)之間及上采樣的特征融合前添加CBAM模塊，使得網(wǎng)絡(luò)能更加關(guān)注到需要關(guān)注的地方，提高預(yù)測準(zhǔn)確率。對于損失函數(shù)的改進(jìn)則是使用了收斂速度更快的EIOU損失函數(shù)，優(yōu)化了樣本不平衡問題。同時(shí)采用K-means聚類算法，獲得聚類效果較優(yōu)的先驗(yàn)框。

3 結(jié)果與分析

3.1 試驗(yàn)平臺(tái)與訓(xùn)練結(jié)果

本文的深度學(xué)習(xí)環(huán)境的具體配置為：CPU為Intel Corei5；運(yùn)行內(nèi)存為16 G；500 G固態(tài)硬盤；11 GB的NVIDIA GeForce GTX 1080Ti GPU；操作系統(tǒng)為Ubuntu18.04；CUDA與Cudnn版本分別是10.0與7.6.5。

試驗(yàn)中使用Precision-Recall曲線、AP值（檢測精度）、MAP（AP值在所有類別下的均值，本研究共分為五種類別）與檢測速度作為評價(jià)指標(biāo)。其中，AP值即為P-R曲線與坐標(biāo)軸圍成區(qū)域面積，MAP是所有類的AP平均值［20］。

在網(wǎng)絡(luò)訓(xùn)練完成后，網(wǎng)絡(luò)最終選定的預(yù)測框可能出現(xiàn)以下三種情況：第一種情況是預(yù)測框命中了真實(shí)的目標(biāo)框，該種情況存在的數(shù)量用TP表示；第二種情況是預(yù)測框沒有命中真實(shí)的目標(biāo)框，該種情況存在的數(shù)量用FP表示；第三種情況是真實(shí)目標(biāo)區(qū)域沒有預(yù)測框，該種情況存在的數(shù)量用FN表示［21］。P、R、AP與MAP值的計(jì)算如式（2）～式（5）所示。

P=TPTP+FP×100%（2）

R=TPTP+FN×100%（3）

AP=∫10P（R）dR×100%（4）

MAP=∑5n=1AP（n）5×100%（5）

式中： n——病里種類。

模型訓(xùn)練后的損失曲線如圖7所示。模型設(shè)置迭代總次數(shù)為1000次，而模型的損失值在迭代第100次時(shí)就逐漸趨于穩(wěn)定，說明網(wǎng)絡(luò)在此時(shí)已經(jīng)擬合，且訓(xùn)練的效果良好。

3.2 CBAM-YOLOv5l網(wǎng)絡(luò)的檢測結(jié)果

3.2.1 改進(jìn)后網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果對比

本文提出CBAM-YOLOv5l算法，主要改進(jìn)是在原始YOLOv5l算法添加CBAM注意力機(jī)制。為了驗(yàn)證算法改進(jìn)后的可行性，設(shè)計(jì)消融實(shí)驗(yàn)進(jìn)行結(jié)果對比［22］。不同網(wǎng)絡(luò)模型訓(xùn)練后的結(jié)果如表1所示，CBAM-YOLOv5l算法的MAP為96.52%，與原始YOLOv5l算法相比提高了2.46個(gè)百分點(diǎn)，同時(shí)CBAM-YOLOv5l算法的檢測速率為27.52 ms，也只比改進(jìn)前降低2.22 ms，依舊能夠滿足高效的檢測速率要求。因此，本文對網(wǎng)絡(luò)模型的改進(jìn)可以同時(shí)滿足精度與速度的需求。

3.2.2 不同網(wǎng)絡(luò)模型的訓(xùn)練結(jié)果對比

CBAM-YOLOv5l模型與其他模型在驗(yàn)證集上對不同草莓病害檢測的試驗(yàn)結(jié)果如表2所示。從表2可知，CBAM-YOLOv5l模型在檢測中的總體平均正確率比YOLOv4、YOLOv4-Tiny、Faster_R-CNN分別高了4.46個(gè)、5.40個(gè)、2.86個(gè)百分點(diǎn)，且檢測速率也較高。盡管YOLOv4-Tiny模型的檢測速度最快，但其檢測精度最差，而Faster_R-CNN的檢測精度較高但其檢測速度最慢。因此，相較而言，CBAM-YOLOv5l模型在精度與速度上都最能滿足病害檢測的需要。

可以發(fā)現(xiàn)所有模型對炭疽病檢測的平均精度最高，可能是因?yàn)樘烤也〉念伾c各階段草莓果實(shí)的顏色都有很大差異，使得該種病癥呈現(xiàn)的顏色特征明顯；而各模型對白粉病的檢測平均精度最低，可能是因?yàn)榘追鄄〉念伾卣鬏^不明顯，特別是草莓葉片背面為淡綠色，使得白粉病出現(xiàn)在葉片背面時(shí)與葉片背面的顏色相近，所以較難辨別此時(shí)的葉片是否患病。但是，本文CBAM-YOLOv5l模型對白粉病的檢測精度達(dá)92.5%，可以滿足現(xiàn)實(shí)中對該病害檢測的需要。

為驗(yàn)證本模型在實(shí)際環(huán)境中對草莓病害檢測的準(zhǔn)確性和快速性，特別地，將幾種病害的圖片進(jìn)行拼接，即在同一個(gè)圖像中同時(shí)出現(xiàn)多種病害，以此模擬現(xiàn)實(shí)中同一棵草莓植株可能同時(shí)存在的多種病害。如圖8所示為不同目標(biāo)檢測模型對兩張拼接后的草莓圖像進(jìn)行病害檢測的試驗(yàn)結(jié)果。從圖8可以直觀地發(fā)現(xiàn)，YOLOv4-Tiny和YOLOv4模型的檢測精度都不高且極容易出現(xiàn)漏檢現(xiàn)象；而Faster_R-CNN模型的檢測精度較高但還是容易出現(xiàn)漏檢誤檢的情況。因此相比于其他模型，CBAM-YOLOv5l模型的檢測精度較高且能夠極大地避免其他模型存在的漏檢、錯(cuò)檢的情況，同時(shí)該模型的檢測速度也存在很大的優(yōu)勢，平均檢測時(shí)間為27.52 ms，說明該模型具有更強(qiáng)的魯棒性與實(shí)時(shí)性，能夠滿足實(shí)際復(fù)雜環(huán)境下對草莓病害檢測的需要。

4 結(jié)論

1） ?本文提出一種改進(jìn)的CBAM-YOLOv5l的目標(biāo)檢測算法，用于草莓病害的檢測。在YOLOv5l網(wǎng)絡(luò)中融合了CBAM注意力機(jī)制，同時(shí)保證了草莓病害的檢測精度和檢測速率。

2） ?該方法在驗(yàn)證集下的總體平均正確率達(dá)到96.52%，平均檢測速度達(dá)到27.52 ms。對比改進(jìn)前后的模型可知，改進(jìn)后模型的總體平均正確率比原來的模型提高了2.46個(gè)百分點(diǎn)，檢測速度也依然能得到保證，說明改進(jìn)后的模型滿足在實(shí)際環(huán)境中對草莓病害的檢測。

3） ?為驗(yàn)證本模型在實(shí)際環(huán)境中的檢測效果，將兩張拼接后的圖像輸入不同模型分別對草莓病害作了檢測。試驗(yàn)結(jié)果表明，CBAM-YOLOv5l模型相比于YOLOv4、YOLOv4-Tiny、Faster_R-CNN模型，檢測精度分別高了4.46個(gè)、5.40個(gè)、2.86個(gè)百分點(diǎn)，同時(shí)該模型能極大地避免其他模型存在的漏檢、錯(cuò)檢的情況，能夠最有效地對草莓病害作出檢測。

參 考 文 獻(xiàn)

［1］張曉慧. 草莓病害研究進(jìn)展［J］. 安徽農(nóng)學(xué)通報(bào)， 2018， 24（18）： 52-57.Zhang Xiaohui. Research progress of strawberry diseases ［J］. Anhui Agricultural Science Bulletin， 2018， 24（18）： 52-57.

［2］陳欣欣， 劉子毅， 呂美巧， 等. 基于熱紅外成像技術(shù)的油菜菌核病早期檢測研究［J］. 光譜學(xué)與光譜分析， 2019， 39（3）： 730-737.Chen Xinxin， Liu Ziyi， Lü Meiqiao， et al. Diagnosis and monitoring of sclerotinia stem rot of oilseed rape using thermal infrared imaging ［J］. Spectroscopy and Spectral Analysis， 2019， 39（3）： 730-737.

［3］康麗， 袁建清， 高睿， 等. 高光譜成像的水稻稻瘟病早期分級(jí)檢測［J］. 光譜學(xué)與光譜分析， 2021， 41（3）： 898-902.Kang Li， Yuan Jianqing， Gao Rui， et al. Early detection and identification of rice blast based on hyperspectral image ［J］. Spectroscopy and Spectral Analysis， 2021， 41（3）： 898-902.

［4］宋英， 陳雨欣， 楊俊， 等. 利用數(shù)字圖像顏色特征指數(shù)識(shí)別小麥赤霉?。跩］. 江蘇農(nóng)業(yè)科學(xué)， 2022， 50（2）： 186-191.Song Ying， Chen Yuxin， Yang Jun， et al. Recognition of wheat fusarium head blight using digital image color feature index ［J］. Jiangsu Agricultural Sciences， 2022， 50（2）： 186-191.

［5］Bian Y C， Si X L. Application of new clustering algorithm based on MapReduce in agriculture—A case study on image target recognition of Panonychus citri McGregor ［J］. Journal of Chinese Agricultural Mechanization， 2016， 37（9）： 166-171.

［6］朱永寧， 周望， 楊洋， 等. 基于Faster R-CNN的枸杞開花期與果實(shí)成熟期識(shí)別技術(shù)［J］. 中國農(nóng)業(yè)氣象， 2020， 41（10）： 668-677.Zhu Yongning， Zhou Wang， Yang Yang， et al. Automatic identification technology of Lycium barbarum flowering period and fruit ripening period based on Faster R-CNN ［J］. Chinese Journal of Agrometeorology， 2020， 41（10）： 668-677.

［7］邱菊， 徐燕. 基于YOLOv5s的草莓病害識(shí)別系統(tǒng)設(shè)計(jì)［J］. 農(nóng)業(yè)技術(shù)與裝備， 2023（5）： 41-42， 45.Qiu Ju， Xu Yan. Design of strawberry disease identification system based on YOLOv5s ［J］. Agricultural Technology & Equipment， 2023（5）： 41-42， 45.

［8］Kim B， Han Y K， Park J H， et al. Improved vision-based detection of strawberry diseases using a deep neural network ［J］. Frontiers in Plant Science， 2021， 11： 559172.

［9］Ma L， Guo X， Zhao S， et al. Algorithm of strawberry disease recognition based on deep convolutional neural network ［J］. Complexity， 2021， 2021： 1-10.

［10］楊艷杰. 草莓病害及防治［J］. 農(nóng)民致富之友， 2013（19）： 49.

［11］劉莫塵， 高甜甜， 馬宗旭， 等. 基于MSRCR-YOLOv4-tiny的田間玉米雜草檢測模型［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（2）： 246-255， 335.Liu Mochen， Gao Tiantian， Ma Zongxu， et al. Target detection model of corn weeds in field environment based on MSRCR algorithm and YOLOv4tiny ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（2）： 246-255， 335.

［12］許煊汶. 基于計(jì)算機(jī)視覺的水稻成熟度快速檢測APP的研究［D］. 長春： 吉林大學(xué)， 2021.Xu Xuanwen. Research on APP for rapid detection of rice maturity based on computer vision ［D］. Changchun： Jilin University， 2021.

［13］包曉敏， 王思琪. 基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述［J］. 傳感器與微系統(tǒng)， 2022， 41（4）： 5-9.Bao Xiaomin， Wang Siqi. Survey of object detection algorithm based on deep learning ［J］. Transducer and Microsystem Technologies， 2022， 41（4）： 5-9.

［14］邱天衡， 王玲， 王鵬， 等. 基于改進(jìn)YOLOv5的目標(biāo)檢測算法研究［J］. 計(jì)算機(jī)工程與應(yīng)用， 2022， 58（13）： 63-73.Qiu Tianheng， Wang Ling， Wang Peng， et al. Research on object detection algorithm based on improved YOLOv5 ［J］. Computer Engineering and Applications， 2022， 58（13）： 63-73.

［15］曾廣淼， 俞萬能， 王榮杰， 等. 船舶目標(biāo)重疊下馬賽克圖像數(shù)據(jù)增強(qiáng)方法研究［J］. 控制理論與應(yīng)用， 2022， 39（6）： 1139-1148.Zeng Guangmiao， Yu Wanneng， Wang Rongjie， et al. Research on mosaic image data enhancement and detection method for overlapping ship targets ［J］. Control Theory & Applications， 2022， 39（6）： 1139-1148.

［16］龍潔花， 郭文忠， 林森， 等. 改進(jìn)YOLOv4的溫室環(huán)境下草莓生育期識(shí)別方法［J］. 智慧農(nóng)業(yè)（中英文）， 2021， 3（4）： 99-110.Long Jiehua， Guo Wenzhong， Lin Sen， et al. Strawberry growth period recognition method under greenhouse environment based on improved YOLOv4 ［J］. Smart Agriculture， 2021， 3（4）： 99-110.

［17］Woo S， Park J， Lee J Y， et al. Cbam： Convolutional block attention module ［C］. Proceedings of the European Conference on Computer Vision （ECCV）， 2018： 3-19.

［18］廖冠中， 周嘉灝， 冷鴻杰. 基于改進(jìn)YOLOv4的水果識(shí)別模型研究［J］. 長江信息通信， 2022， 35（5）： 44-47.Liao Guanzhong， Zhou Jiahao， Leng Hongjie. Research on fruit recognition model based on improved YOLOv4 ［J］. Changjiang Information & Communications， 2022， 35（5）： 44-47.

［19］張秀花， 靜茂凱， 袁永偉， 等. 基于改進(jìn)YOLOv3-Tiny的番茄苗分級(jí)檢測［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（1）： 221-229.Zhang Xiuhua， Jing Maokai， Yuan Yongwei， et al. Tomato seedling classification detection using improved YOLOv3-Tiny ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（1）： 221-229.

［20］趙輝， 喬艷軍， 王紅君， 等. 基于改進(jìn)YOLOv3的果園復(fù)雜環(huán)境下蘋果果實(shí)識(shí)別［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2021， 37（16）： 127-135.Zhao Hui， Qiao Yanjun， Wang Hongjun， et al. Apple fruit recognition in complex orchard environment based on improved YOLOv3 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（16）：127-135.

［21］張繼成， 李德順. 基于深度殘差學(xué)習(xí)的成熟草莓識(shí)別方法［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（2）： 136-142.Zhang Jicheng， Li Deshun. Ripe strawberry recognition method based on deep residual learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（2）： 136-142.

［22］顧寶興， 劉欽， 田光兆， 等. 基于改進(jìn)YOLOv3的果樹樹干識(shí)別和定位［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（6）： 122-129.Gu Baoxing， Liu Qin， Tian Guangzhao， et al. Recognizing and locating the trunk of a fruit tree using improved YOLOv3 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（6）：122-129.

基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（31401291）；常州市第十批科技計(jì)劃項(xiàng)目（國際科技合作/港澳臺(tái)科技合作）（CZ20220010）

第一作者：邱暢，女，1998年生，福建福州人，碩士；研究方向?yàn)殡娮有畔?。E-mail： 623083282@qq.com

通訊作者：田光兆，男，1983年生，河南信陽人，博士，副教授；研究方向?yàn)閭鞲衅骷夹g(shù)和智能車輛導(dǎo)航。E-mail： tgz@njau.edu.cn