摘 要： 準確識別農(nóng)田中常見類型的玉米葉病害并及時治療是提高玉米產(chǎn)量的關(guān)鍵，可以提高效率并降低種植成本。為了解決玉米葉病害識別精度不高、檢測效率低以及在移動端設(shè)備難以部署的難題，本文提出了一種改進的名為GSW-YOLOv7 的目標檢測模型。首先，設(shè)計了GS-ELAN結(jié)構(gòu)優(yōu)化模型頸部，降低模型的參數(shù)量。其次，將簡單且無需參數(shù)的SimAM注意力機制融入網(wǎng)絡(luò)結(jié)構(gòu)中，在不增加額外參數(shù)的情況下提高檢測的精度，獲取更具代表性的玉米葉病害特征。最后，采用高效的Wise-IoU 損失函數(shù)以加快收斂速度，并提高模型的精度。實驗結(jié)果表明，GSWYOLOv7網(wǎng)絡(luò)模型平均精度（mAP）為85.60%，檢測速度為26.79FPS，該模型在檢測任務(wù)中權(quán)衡了模型的檢測精度和檢測速度，與YOLOv5、YOLOX等算法相比，該算法性能最好，能夠快速、準確地檢測常見的玉米葉病害，為農(nóng)業(yè)生產(chǎn)提供了創(chuàng)新的解決方案。

關(guān)鍵詞： 玉米葉病害；YOLOv7；目標檢測；深度學習；注意力機制

中圖法分類號： TP391.4 文獻標識碼： A 文章編號： 1000-2324（2024）04-0566-13

玉米，作為全球三大主要糧食作物之一，在農(nóng)業(yè)生產(chǎn)中扮演著重要角色，是我國重要的糧食作物。然而，在玉米的生長過程中，葉片病害問題是影響產(chǎn)量和質(zhì)量的主要因素之一，葉片病害會直接導致產(chǎn)量減少和質(zhì)量下降［1］。目前，我國對玉米葉病害的識別和分類主要依賴于專業(yè)技術(shù)人員的經(jīng)驗判斷。技術(shù)人員需要具備良好的觀察技巧和豐富的經(jīng)驗，才能進行疾病的識別［2］。然而，這種方法需要投入大量人力物力，且嚴重依賴個人經(jīng)驗，識別準確性低、效率差。因此，為確保玉米的穩(wěn)定增產(chǎn)，快速準確地識別常見玉米葉病害至關(guān)重要。

近年來，隨著大數(shù)據(jù)分析技術(shù)和圖形處理單元（GPUs）的迅速進步，計算機的計算能力得到了顯著提升，深度學習技術(shù)廣泛應(yīng)用于多個領(lǐng)域，包括農(nóng)業(yè)病蟲害的識別［3］。在這方面的研究中，Yinglai Huang 等人［4］對傳統(tǒng)的ResNet-50 模型進行了改進，將LeakyReLU 激活函數(shù)替代ReLU激活函數(shù)，并調(diào)整了殘差塊中批歸一化層、激活函數(shù)和卷積層的順序，這一改進后的網(wǎng)絡(luò)在玉米葉病圖像分類中取得了98.3%的準確率。Haoyu Wu［5］提出了一種基于VGG 和ResNet 的雙通道卷積神經(jīng)網(wǎng)絡(luò)，他們成功將在驗證集上對玉米葉病害類型的識別準確率提高到98.33%。Deng 等人［6］建立并測試了一種基于FPN 的Faster R-CNN高精度谷物檢測模型，其平均準確率達到了99.4%。以上算法具有較高的準確度，但由于模型參數(shù)量大、大存儲空間和計算消耗，這在實際應(yīng)用中導致難以在嵌入式設(shè)備上部署龐大的算法模型的問題。

近年來基于深度學習的深度卷積神經(jīng)網(wǎng)絡(luò)成為研究熱點，深度卷積神經(jīng)網(wǎng)絡(luò)在圖像目標檢測上展現(xiàn)出顯著優(yōu)勢，檢測方法可以歸納為兩類。第一類是基于區(qū)域生成的方法，這類方法先生成一系列候選框，然后對這些候選框中的目標進行分類，代表性的模型包括RCNN［7］、Fast-RCNN［8］和Faster-RCNN［9］。這類方法在識別準確性上表現(xiàn)出色，錯誤率和漏檢率都相對較低，但由于處理過程較為復雜，導致檢測速度較慢，難以滿足實時檢測的需求。第二類是基于回歸的方法，這類方法在目標定位的同時直接預測目標分類，YOLO系列網(wǎng)絡(luò)［10-12］是該類方法的典型代表。這類方法具有識別速度快的特點，能夠滿足實時性的要求，并且在準確性上也接近第一類方法的水平。隨著深度學習的不斷發(fā)展，研究人員發(fā)現(xiàn)目標檢測算法已經(jīng)能夠在高性能計算機上實現(xiàn)實時檢測。然而，將模型部署到嵌入式設(shè)備上時，存儲和計算方面依然存在問題。因此，輕量級網(wǎng)絡(luò)在計算機視覺領(lǐng)域引起了廣泛關(guān)注。以此為背景，Howard 等人［13］提出了MobileNetV1，這是一個輕量級的骨干網(wǎng)絡(luò)，通過深度可分離卷積顯著減少了模型參數(shù)量。Zhang 等人［14］通過改進的YOLOv4 模型進行蘋果水果檢測，引入了帶有坐標注意模塊的GhostNet 特征提取網(wǎng)絡(luò)，以及深度卷積來重建頸部和YOLO頭部結(jié)構(gòu)，實現(xiàn)了高達95.72%的mAP，同時使得模型輕量化。Su 及其團隊［15］在溫室環(huán)境中采用輕量化的YOLOv3 模型，并結(jié)合輕量級網(wǎng)絡(luò)，成功用于對番茄成熟度的分類檢測，取得了97.5%的mAP。輕量化的改進往往伴隨著檢測精度的降低，而注意力機制可以提高檢測的精度。在疾病識別領(lǐng)域，Li 等人［16］通過應(yīng)用混合注意力Atrous SpacePyramid Pool （ASPP）對DeepLab V3+進行優(yōu)化，實現(xiàn)了對黃瓜霜霉病和白粉病的精確分割和自動評估。Yang 等人［17］在YOLOv4 中添加了注意力模塊，提高了小麥穗計數(shù)的準確性。Cui 等人［18］通過將CBAM引入到自動編碼器中進行玉米葉病的分類任務(wù)，在實驗室環(huán)境中從PlantVillage 識別玉米葉病，取得了99.44%的識別準確度，雖然具有較高的準確度，但是該研究只是在實驗環(huán)境中進行的分類任務(wù)，不能精確反應(yīng)在真實農(nóng)田中的情況，相比于該研究，本文應(yīng)用了比較流行的YOLO模型進行玉米葉病害的目標檢測任務(wù)，并針對在真實環(huán)境下的玉米葉數(shù)據(jù)集進行實驗，同時對數(shù)據(jù)集進行數(shù)據(jù)增強，而且對YOLOv7 模型采用了無參數(shù)、準確度高的SimAM 注意力，以及采取一系列更加先進的改進措施，具有更高的可靠性。上述研究表明，通過采用不同的策略優(yōu)化神經(jīng)網(wǎng)絡(luò)可以進一步提高識別準確性并減少模型參數(shù)量。常見的玉米葉病主要有玉米銹病、灰斑病、枯萎病，本文主要針對這三種常見的玉米葉病進行研究?？紤]到不同玉米葉病害之間微小差異，建立一個在移動終端上實現(xiàn)快速且準確識別常見的玉米葉病害的模型仍然是一個巨大的挑戰(zhàn)。

為了在改進YOLOv7 目標檢測模型的同時減少模型參數(shù)量并提高檢測準確性和速度，本研究提出了一種改進后的YOLOv7 模型，命名為GSW-YOLOv7。該模型在保持較高性能的同時能夠準確識別常見玉米葉病害，彌補了當前研究所面臨的一些局限性。本文的貢獻可以總結(jié)如下：

（1）在本研究中，構(gòu)建了輕量級GS-ELAN結(jié)構(gòu)用于優(yōu)化YOLOv7 模型的頸部，減少模型參數(shù)量，使模型輕量化。

（2）為增強輕量級模型在常見玉米葉病害檢測中的準確性，引入了SimAM 注意力機制到網(wǎng)絡(luò)架構(gòu)中。SimAM注意力機制在不引入額外的參數(shù)的前提下提高模型的精度。

（3）將YOLOv7 算法模型中原始的CIoU 損失函數(shù)替換為WIoU 損失函數(shù)。該方法進一步提高了YOLOv7 的邊界框回歸精度和檢測精度。