關(guān)鍵詞：蘋果病害；目標(biāo)檢測；模型輕量化；注意力機制；智慧農(nóng)業(yè)

近年來，計算機視覺和深度學(xué)習(xí)在智慧農(nóng)業(yè)領(lǐng)域飛速發(fā)展，蘋果病害檢測作為這一領(lǐng)域的熱點話題之一，得到了廣泛關(guān)注。早期的目標(biāo)檢測主要依賴于手工設(shè)計的特征。隨著機器學(xué)習(xí)的發(fā)展，支持向量機（SupportVectorMachine，SVM）等［1］算法通過學(xué)習(xí)目標(biāo)與非目標(biāo)的邊界來進行分類。在深度學(xué)習(xí)領(lǐng)域，隨著深度卷積神經(jīng)網(wǎng)絡(luò)的成功應(yīng)用，目標(biāo)檢測算法也取得了顯著進展。兩階段檢測器擁有較高準(zhǔn)確性，但參數(shù)量較大，模型相對復(fù)雜，不便于輕量化的移動端部署，代表算法有Fastr-cnn［2］。單階段檢測器擁有較少參數(shù)量，模型結(jié)構(gòu)相對簡單，便于在資源受限環(huán)境中部署，但準(zhǔn)確性較低，代表算法有YOLO［3-5］和SSD［6-7］。

國內(nèi)外許多學(xué)者對病害檢測進行了一系列研究，Chakraborty等［8］提出了一種結(jié)合機器學(xué)習(xí)與圖像處理的蘋果葉片病害識別系統(tǒng)，通過采用多類支持向量機的方法，準(zhǔn)確率達到了96%。楊英茹等［9］提出結(jié)合支持向量機的方法，實現(xiàn)對復(fù)雜環(huán)境的葉片病害識別。薛勇等［10］提出結(jié)合GoogLeNet深度神經(jīng)網(wǎng)絡(luò)的技術(shù)，解決了對蘋果識別精度低的問題，但是具有訓(xùn)練時間過長和設(shè)備要求過高等問題。邱光應(yīng)等［11］提出采用決策樹支持向量機的技術(shù)，實現(xiàn)了對蘋果表面缺陷的判斷，節(jié)省了運算耗時，對蘋果表面缺陷的識別正確率也達到了98.2%。熊夢園等［12］提出采用ResNet50+CBAM注意力機制的方法，實現(xiàn)了對玉米葉片的病害識別，平均識別精度達到97.5%。

目前，科研工作者通過機器學(xué)習(xí)的方法對病害進行研究，雖在一定程度上提高了精確性，但面臨著大規(guī)模的圖像數(shù)據(jù)帶來的計算復(fù)雜度挑戰(zhàn)。雖然，深度學(xué)習(xí)也在病害檢測領(lǐng)域取得了新進展，但是當(dāng)前的蘋果病害檢測面臨著參數(shù)量龐大、計算復(fù)雜度高且準(zhǔn)確率低下的問題。

所以，本研究針對傳統(tǒng)的果園蘋果病害模型參數(shù)量大、識別效果差等問題，采用參數(shù)量小、檢測精度高的YOLOv5s作為試驗的基線模型，在蘋果病害數(shù)據(jù)集上對模型的參數(shù)和結(jié)構(gòu)進行多次對比試驗與調(diào)優(yōu)。改進的模型在實現(xiàn)輕量化和多尺度融合的基礎(chǔ)上，提高了對復(fù)雜蘋果病害的處理能力，旨在為果園蘋果病害檢測模型的輕量化與高效性提供理論依據(jù)。

1材料和方法

1.1 試驗數(shù)據(jù)集的構(gòu)建

試驗用到的蘋果病害數(shù)據(jù)集由各開源數(shù)據(jù)集平臺搜集到的蘋果病害圖像構(gòu)建而成，以果園蘋果病害中常見的炭疽病和褐斑病為主要研究對象，對每一張?zhí)O果病害圖像均使用輕量的開源軟件Labelimg進行人工標(biāo)注。模型在訓(xùn)練時按7∶3的比例劃分數(shù)據(jù)集，其中訓(xùn)練集為3986張，驗證集為1699張。為避免模型訓(xùn)練過程中發(fā)生過擬合現(xiàn)象，在數(shù)據(jù)集中加入枝葉遮擋的蘋果圖片，從多角度、多時間段對蘋果病害圖像進行標(biāo)注和篩選，提高數(shù)據(jù)集的多樣性。

1.2 YOLOv5s模型架構(gòu)

YOLOv5由4個不同的版本組成：YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，它們的網(wǎng)絡(luò)深度與寬度逐個遞增，這意味著YOLOv5s模型擁有更少的參數(shù)量，便于后期嵌入式設(shè)備的部署，并且在檢測速度方面優(yōu)于其它版本，由此選用YO?LOv5s作為試驗基準(zhǔn)模型。

YOLOv5s是一種單階段的目標(biāo)檢測模型，包含Input、Backbone、Neck和Head這4個部分。

第一部分是Input，模型在Input端采用Mosaic數(shù)據(jù)增強、自適應(yīng)錨框計算和自適應(yīng)圖片縮放［13］等方式來處理輸入大小為640×640的圖像。

第二部分是Bockbone，模型主要包括CBS模塊、C3模塊和SPPF模塊。CBS封裝了二維卷積、BN層和SiLU激活函數(shù)，改進版的激活函數(shù)有助于網(wǎng)絡(luò)更快收斂。C3模塊封裝了3個Conv模塊，擴大后的網(wǎng)絡(luò)深度和感受野有助于特征提取。SPPF模塊選用多個小尺寸的池化核級聯(lián)代替空間金字塔池化SPP模塊中的單個大尺寸池化核，豐富了特征圖的表達能力。

第三部分是Neck，模型采用了PANet結(jié)構(gòu)，由特征圖金字塔網(wǎng)絡(luò)（FeaturePyramidNetworks，F(xiàn)PN）［14］和路徑聚合網(wǎng)絡(luò)（PathAggregationNet?work，PAN）［15］構(gòu)成。特征圖金字塔網(wǎng)絡(luò)通過自頂向下進行上采樣，將圖像強語義信息傳遞給淺層；路徑聚合網(wǎng)絡(luò)通過自底向上進行下采樣，將圖像強定位信息傳達給深層。多尺度特征金字塔提升了對多目標(biāo)尺寸的感知能力，加強了模型的魯棒性和準(zhǔn)確性。

第四部分是Head，針對多尺度的特征圖采用1×1卷積進行通道數(shù)調(diào)整適應(yīng)多任務(wù)檢測，通道數(shù)與種類個數(shù)相關(guān)，每個特征層上的每個特征點分別設(shè)有3個先驗框。對輸出的候選框通過非極大值抑制算法來篩選具有位置、類別與置信度等信息的最優(yōu)錨框，加快對物體的位置和種類檢測。

1.3 改進YOLOv5s模型

1.3.1 引用GhostNet網(wǎng)絡(luò)

Ghost模塊是GhostNet網(wǎng)絡(luò)中的核心組件，其生成特征圖的過程主要包括2步。首先輸入的特征圖通過主要卷積層生成1組特征圖，再將生成的特征圖通過1組輕量級Ghost卷積層產(chǎn)生額外的特征圖，最后將2組生成的特征圖進行拼接。Ghost模塊如圖1所示［16］。

如果輸入特征圖的尺寸為Hin×win×Cin，輸出特征圖的尺寸是Hout×Wout×（n×Cout），常規(guī)卷積核大小是k×k，線性變換卷積核大小是d×d。

如果Ghost模塊第一步卷積生成Cout個特征圖，則需要進行（n-1）次輕量級卷積生成（n-1）×Cout個特征圖。

Ghost輕量級卷積層的參數(shù)量為：

1.3.2 添加SimAM注意力模塊

本文在模型中嵌入輕量級SimAM注意力機制，減少枝葉陰影、光照變暗等復(fù)雜環(huán)境對蘋果病害檢測的影響。與通道注意力和空間注意力對通道或空間位置區(qū)別對待不同，SimAM注意力機制生成的三維權(quán)重擁有更強大的辨別線索能力。3D權(quán)重如圖2所示［17］。

SimAM注意力機制的成功實現(xiàn)需要估算每個神經(jīng)元的重要性?；钴S的神經(jīng)元要被賦予更高的優(yōu)先級和重要性。通過測量一個目標(biāo)神經(jīng)元與其它神經(jīng)元之間的線性可分離性來找到活躍的神經(jīng)元。能量函數(shù)為：

通過二值標(biāo)簽與加入正則化的策略簡化能量函數(shù)，能量函數(shù)變化為：

其中設(shè)ut是除t以外所有神經(jīng)元計算所得到的平均值，σ2是除t以外所有神經(jīng)元計算所得到的方差。所以，最小能量公式為：

上述等式表明能量值越低，目標(biāo)神經(jīng)元t與周圍相鄰神經(jīng)元的區(qū)分度越高，神經(jīng)元之間越具有線性可分性，也就是神經(jīng)元的重要程度越高。為避免干擾每個神經(jīng)元的重要性，通過單調(diào)函數(shù)Sig?moid進行特征增強處理。表達式為：

對于病害檢測而言，通道與空間位置都十分重要，為了便于模型輕量化的部署，引入SimAM無參注意力機制，通過能量函數(shù)提高對重要神經(jīng)元的識別能力并有效抑制無關(guān)神經(jīng)元的干擾，在不增加模型復(fù)雜度的基礎(chǔ)上，提升了網(wǎng)絡(luò)的特征提取能力和模型的病害檢測能力。

1.3.3 更換SIoU損失函數(shù)

SIoU損失函數(shù)，主要由角度、距離、形狀和IoU這4個成本函數(shù)組成。

1）角度成本

損失函數(shù)中角度成本如圖3所示［18］。

式中BGT表示真實框，B表示預(yù)測框，CW，Ch表示為：

公式中的θ的取值十分關(guān)鍵，如果值設(shè)定為1，會立刻優(yōu)化形狀。

4）SIoU損失函數(shù)

SIoU損失函數(shù)表示為：

損失函數(shù)對于蘋果病害檢測模型的收斂和預(yù)測性能有著重要的作用。目前，有多種損失函數(shù)考慮了框與框之間的中心距離、重疊區(qū)域和長寬比。雖然這些損失函數(shù)在指導(dǎo)模型訓(xùn)練的過程中起到了積極作用，但并未考慮到框與框之間方向不匹配的情況，這會影響預(yù)測框的有效回歸，導(dǎo)致模型收斂變慢，預(yù)測效果變差。引入SIoU損失函數(shù)可以有效幫助預(yù)測框快速定位到準(zhǔn)確的軸，提升模型收斂速度和推理能力，使模型更加準(zhǔn)確識別和定位病害。

1.3.4 改進后的模型

面對傳統(tǒng)的蘋果病害檢測的問題，基于注意力機制的輕量化單階段目標(biāo)檢測器為蘋果病害檢測提供了智能化技術(shù)。針對果園的實際需求，引入Ghost結(jié)構(gòu)減小模型的參數(shù)量和計算復(fù)雜度，便于模型在移動端部署，提高模型的便捷性；使用Si?mAM無參注意力機制降低病害漏檢率，實現(xiàn)對蘋果病害的準(zhǔn)確定位；采用SIoU損失函數(shù)減少收斂時間，提高訓(xùn)練和推理性能，高效且準(zhǔn)確的適應(yīng)蘋果病害檢測任務(wù)，減少蘋果果園經(jīng)濟損失，推進智能農(nóng)業(yè)可持續(xù)發(fā)展。改進后的模型如圖5所示。

1.4 試驗環(huán)境

本文選擇的試驗硬件配置如表1所示，試驗軟件配置如表2所示。

1.5 試驗評價指標(biāo)

本試驗采用精確度（Precision，P）、平均精度（averageprecision，AP）、平均精度均值（meanAv?eragePrecision，mAP）、模型參數(shù)量（Parameters）、浮點運算次數(shù)（FloatingPointOperations，F(xiàn)LOPs）來研究模型的效果。

精確度是指所有預(yù)測為正樣本的結(jié)果中，被預(yù)測正確的比例，表示為：

AP是指P-R曲線（Precision-RecallCurve，PR）下面積的積分，表示為：

mAP@0.5是指預(yù)測框與真實框的交疊比（Inter?sectionoverUnion，IoU）閾值等于0.5時，對所有類別的AP@0.5進行平均，表示為：

式中TP為正確識別的正樣本數(shù)量，F(xiàn)P為錯誤識別的負樣本數(shù)量，F(xiàn)N為未能識別的正樣本數(shù)量，n表示數(shù)據(jù)的類別數(shù)量，APi表示第i類檢測平均精度，mAP表示所有類別APi均值。

1.6 試驗參數(shù)設(shè)置

試驗使用隨機梯度下降（StochasticGradientDescent，SGD）優(yōu)化器訓(xùn)練網(wǎng)絡(luò)，尋找最優(yōu)權(quán)重。在訓(xùn)練之前修改apple.yaml數(shù)據(jù)集配置文件，目標(biāo)種類參數(shù)（numberofclasses，nc）定義為3，種類分別命名為Anthracnose（炭疽?。?、Marssoninanblotch（褐斑?。?、Apple（蘋果）。本文試驗所用參數(shù)如表3所示。

試驗前期加入預(yù)熱訓(xùn)練，在預(yù)熱訓(xùn)練結(jié)束以后，模型會在訓(xùn)練過程采用余弦退火策略調(diào)整學(xué)習(xí)率，加快蘋果病害檢測模型的收斂并提高模型在蘋果病害數(shù)據(jù)集上的準(zhǔn)確性。

2結(jié)果與分析

2.1 模型輕量化對比試驗

為了驗證蘋果病害模型更換輕量化主干網(wǎng)絡(luò)的效果，設(shè)計模型的輕量化對比試驗，通過Mobile?NetV3［19］、C3Faster、Ghost更換YOLOv5s模型的主干特征提取網(wǎng)絡(luò)。以YOLOv5s為基線模型，標(biāo)注為YOLOv5s-MobileNetV3、YOLOv5s-C3Faster、YOLOv5s-GhostNet。更換輕量化網(wǎng)絡(luò)后的模型性能對比試驗如表4所示，更換輕量化模型后在蘋果病害數(shù)據(jù)集上的預(yù)測結(jié)果如圖6所示。

通過表4模型輕量化的對比試驗可以看出，更換了輕量化模塊的蘋果病害檢測模型在參數(shù)量與計算復(fù)雜度方面均實現(xiàn)了不同程度的縮減。其中YOLOv5s-MobileNetV3的參數(shù)量與計算復(fù)雜度縮減程度最大，部分參數(shù)量的丟失導(dǎo)致了YO?LOv5s-MobileNetV3模型對于蘋果病害的檢測準(zhǔn)確度下降了1.3%；YOLOv5s-C3Faster的參數(shù)量和FLOPs相較于原YOLOv5s模型也得到了較大程度的降低，但是YOLOv5s-C3Faster的mAP值相較于YOLOv5s-GhostNet降低較多；替換了Ghost模塊的YOLOv5s-GhostNet不僅在mAP值方面高于YOLOv5s-MobileNetV3與YOLOv5s-C3Faster，而且其模型參數(shù)量與計算復(fù)雜度相較于基線模型分別減少了30.2%和33.8%，整體檢測效果最優(yōu)。因此，通過模型輕量化的對比試驗可以發(fā)現(xiàn)，采用Ghost模塊更換基線模型的主干特征提取網(wǎng)絡(luò)可以在降低模型復(fù)雜性的基礎(chǔ)上，保持較好的病害檢測效果。

通過設(shè)計蘋果病害的輕量化對比試驗，可以更好地可視化蘋果病害模型更換輕量化主干網(wǎng)絡(luò)的效果。從模型輕量化的預(yù)測結(jié)果對比圖可以看出，在同時檢測出病害的前提下，第1張?zhí)O果病害的檢測效果表明，YOLOv5s-GhostNet對于炭疽病蘋果病害的檢測準(zhǔn)確度高于YOLOv5s-MobileNetV3與YOLOv5s-C3Faster；第2張?zhí)O果病害的檢測效果表明，YOLOv5s-GhostNet對于炭疽病蘋果病害的檢測效果與YOLOv5s-C3Faster一致，兩者均高于YOLOv5s-MobileNetV3；第3張?zhí)O果病害的檢測效果表明，YOLOv5s-GhostNet對于褐斑病蘋果病害的檢測準(zhǔn)確度高于YOLOv5s-MobileNetV3與YO?LOv5s-C3Faster。

通過對上述試驗的結(jié)果分析，充分表明替換Ghost模塊后，YOLOv5s-GhostNet可以在蘋果病害數(shù)據(jù)集上學(xué)習(xí)到更多稀疏的表示，這使得改進后的模型在病害檢測方面可以取得較好的識別效果，替換Ghost模塊有助于降低模型計算的復(fù)雜度，使模型適用于有限的移動資源，從而滿足果園蘋果病害的輕量化檢測需求。

2.2 注意力機制對比試驗

為提升改進后的輕量化模型對于蘋果病害的特征提取能力與檢測識別能力，探究不同注意力對輕量化模型的病害檢測效果，將適用于蘋果病害檢測的注意力機制SE［20］、ECA［21］、CBAM［22］、CA［23］、SimAM添加到輕量化模型主干網(wǎng)絡(luò)中，設(shè)計輕量化模型添加注意力機制對比試驗，添加注意力機制的輕量化模型性能對比試驗如表5所示。

通過表5的對比試驗可知，添加ECA、CBAM、CA、SimAM注意力機制的輕量化模型對于蘋果病害檢測的準(zhǔn)確性得到了提升，這表明注意力機制的添加提升了輕量化模型的特征提取能力和蘋果病害識別能力，改善了輕量化模型對蘋果病害的檢測性能。其中，添加SimAM注意力機制的YOLOv5s-GhostNet比YOLOv5s-GhostNet的檢測精度提升了1.3%，而且SimAM注意力機制在蘋果病害數(shù)據(jù)集上表現(xiàn)效果最優(yōu)。這表明添加SimAM注意力機制可以在未引入任何參數(shù)量的基礎(chǔ)上，實現(xiàn)對重要病害的有效識別，這不僅有助于蘋果病害檢測模型的輕量部署，而且顯著提升了蘋果病害檢測模型的性能。

2.3 優(yōu)化損失函數(shù)對比試驗

為了提升模型的推理能力與檢測性能，探究不同損失函數(shù)對輕量化模型的病害檢測效果，設(shè)計了輕量化模型采用不同損失函數(shù)的對比試驗，采用不同損失函數(shù)的輕量化模型性能對比試驗如表6所示。

通過表6的對比試驗可知，在蘋果病害數(shù)據(jù)集上，更換了SIoU函數(shù)的輕量化模型在檢測精度達到了93.7%，分別高于基線模型1.6%、改進后采用CIoU函數(shù)的模型0.6%、改進后采用WIoU［24］函數(shù)的模型1.4%，這表明改進后的輕量化模型采用SIoU損失函數(shù)可以提升模型對于蘋果病害的定位與識別能力。

2.4 消融試驗

為了驗證改進后的模型在果園蘋果病害檢測中的識別效果，對各改進的模塊進行消融研究。第一步是將Ghost模塊引入主干和頸部網(wǎng)絡(luò)，實現(xiàn)模型輕量化的效果；第二步是嵌入SimAM注意力模塊，將其與SE、ECA、CBAM、CA進行對比；第三步是替換損失函數(shù)為SIoU，將其與CIoU、WIoU進行對比。檢測效果如表7所示，改進前后的迭代對比效果如圖7～圖9所示。

通過表7的消融試驗與圖7～圖9的效果對比可知，整體檢測性能與收斂速度方面均得到了正向提升，改進后的YOLOv5s模型（編號9）在參數(shù)量與計算復(fù)雜度大幅下降30.2%和33.8%的基礎(chǔ)上，檢測性能的指標(biāo)得到明顯的提高，相較于基線模型（編號1）mAP@0.5值提升了1.6%，mAP@0.5：0.95值提升了0.7%。在針對各個改進的試驗中，基線模型（編號1）雖然比更換Ghost模塊的模型（編號2）在準(zhǔn)確度方面高一點，但是編號1模型的復(fù)雜度遠遠高于編號2；編號2～編號6為各注意力之間的對比，添加了SimAM注意力過后的輕量化模型各指標(biāo)均得到提升，說明SimAM注意力可以加強模型對于病害特征與重要位置的感知能力，其產(chǎn)生的三維權(quán)重對目標(biāo)線索擁有較強大的辨別能力；編號7～編號9為各損失函數(shù)之間的對比，SIoU重新定義了角度懲罰度量，可以有效幫助預(yù)測框準(zhǔn)確定位，使其整體表現(xiàn)效果最優(yōu)。

綜上，改進后的蘋果病害檢測模型在保證了蘋果病害檢測準(zhǔn)確性的基礎(chǔ)上，實現(xiàn)了蘋果病害檢測模型的輕量化部署要求，適用于將改進后的蘋果病害檢測模型部署于計算資源受限的設(shè)備。

2.5 對比試驗

為驗證改進模型的優(yōu)越性，將改進的模型與SSD［25］、FasterRCNN［26］、YOLOv3-EfficientNet、YOLOv4-tiny、YOLOv5s、YOLOX［27］、YOLOv7-tiny檢測模型在同一數(shù)據(jù)集上進行對比試驗，對比試驗的迭代次數(shù)與試驗環(huán)境均相同。

試驗結(jié)果如表8所示。通過對比試驗可以看出，改進的模型在參數(shù)量最低的基礎(chǔ)上，mAP值分別提升了10.5%、8.0%、7.0%、7.7%、1.6%、2.2%、5.1%。改進的模型在蘋果病害檢測輕量化與準(zhǔn)確精度方面有更大的優(yōu)勢。

3討論

在大規(guī)模種植的果園中準(zhǔn)確地檢測并識別蘋果病害，有利于盡早采取必要措施防止蘋果病害的蔓延，減少蘋果損失。目前，針對蘋果病害已經(jīng)提出了很多基于深度學(xué)習(xí)的檢測模型。趙嘉威等［28］通過更換輕量級網(wǎng)絡(luò)MobileNetV3與添加注意力CBAM對YOLOv4優(yōu)化，實現(xiàn)了蘋果葉片病害的高效檢測。王權(quán)順等［29］引入DenseNet121特征提取網(wǎng)絡(luò)，以數(shù)據(jù)擴增的方式提升模型的魯棒性。以上方法雖然對于蘋果病害防治有重要意義，但是，大多數(shù)蘋果病害的研究都是在實驗室環(huán)境進行，容易忽略復(fù)雜的自然條件。果園種植條件下往往會有低光照、枝葉遮擋、光斑干擾等情況，這些自然環(huán)境往往會影響蘋果病害的有效識別。所以，為進一步直觀地顯示改進YOLOv5s模型對于蘋果病害識別的魯棒性，本文以實際果園場景下的蘋果病害進行討論研究。

通過圖10可以看出，未改進的YOLOv5s模型在枝葉遮擋與模糊條件下均把蘋果誤檢為炭疽病，在遠距離低光照條件下把炭疽病誤檢為蘋果，在陰影遮擋條件下出現(xiàn)漏檢蘋果的現(xiàn)象，在光斑干擾與低光照的條件下，YOLOv5s基線模型的蘋果病害置信度整體低于本研究的改進模型。而本研究的改進模型針對以上6種復(fù)雜的果園環(huán)境，均已實現(xiàn)準(zhǔn)確檢測并且擁有較高的置信度。由此，證明了改進的YOLOv5s模型在降低模型復(fù)雜度的基礎(chǔ)上，實現(xiàn)了檢測精度的提升，以更少的參數(shù)量達到了更高的識別效果，大大降低了誤檢、漏檢情況的發(fā)生。在下一步的試驗研究中，本文將擴充對蘋果病害種類的研究，實地考察并拍攝其他種類的蘋果病害圖像，在實現(xiàn)優(yōu)化模型的基礎(chǔ)上，進一步提升模型的多類別檢測能力。

4結(jié)論

通過使用GhostNet輕量化網(wǎng)絡(luò)構(gòu)建蘋果病害檢測模型的特征提取網(wǎng)絡(luò)，實現(xiàn)大幅降低蘋果病害檢測模型參數(shù)量與計算復(fù)雜度的效果。輕量化過后的模型在參數(shù)量方面由基線模型YOLOv5s的7027720下降到了4902256，在計算復(fù)雜度方面由基線模型YOLOv5s的16.0G下降到10.6G，分別下降了30.2%和33.8%，與其它主流的檢測模型相比，參數(shù)量與計算復(fù)雜度也較低，滿足了果園蘋果病害檢測的輕量化部署要求。

由于輕量化過后的模型在參數(shù)量方面得到削減，易造成對蘋果病害檢測精度的丟失，為提升輕量化模型的檢測性能與推理能力。引入SimAM無參注意力機制，在參數(shù)量不變的基礎(chǔ)上，提取更豐富的重要信息，提升模型的識別精度；為優(yōu)化預(yù)測框?qū)μO果病害的準(zhǔn)確定位，引入SIoU損失函數(shù)，便于模型更快收斂，提升模型的推理能力。

試驗表明，優(yōu)化后的模型對果園蘋果病害的檢測精度得到了提升，其中mAP@0.5達到了93.7%，mAP@0.5：0.95達到了63.3%，分別優(yōu)于YOLOv5s原始算法1.6%和0.7%。優(yōu)化的模型滿足了模型輕量化與精確度的要求，為蘋果果園經(jīng)濟的移動部署提供了新思路。