采用改進(jìn)YOLOv4-Tiny模型的柑橘木虱識別

胡嘉沛，李 震,2，黃河清，洪添勝，姜 晟，曾鏡源

（1. 華南農(nóng)業(yè)大學(xué)電子工程學(xué)院，廣州 510642； 2. 國家柑橘產(chǎn)業(yè)技術(shù)體系機(jī)械研究室，廣州 510642；3. 華南農(nóng)業(yè)大學(xué)工程學(xué)院，廣州 510642； 4. 廣東省山區(qū)特色農(nóng)業(yè)資源保護(hù)與精準(zhǔn)利用重點(diǎn)實(shí)驗(yàn)室，梅州 514015）

0 引 言

黃龍病是當(dāng)前全球范圍內(nèi)最嚴(yán)重的柑橘疾病之一，對世界柑橘產(chǎn)業(yè)構(gòu)成巨大威脅[1]。柑橘木虱是柑橘黃龍病的主要傳播媒介[2]，對柑橘木虱進(jìn)行檢測與防控可以有效地控制黃龍病傳播[3]。目前常用的檢測方法都依賴于人工檢測，如通過黃色粘蟲板或捕蟲網(wǎng)采集計(jì)數(shù)和使用塑料棒敲打枝干取樣[4]。此類方法存在實(shí)時性差、工作效率低和勞動強(qiáng)度大等缺點(diǎn)[5-6]。因此，研究柑橘木虱高效精確檢測的關(guān)鍵技術(shù)對于黃龍病防控具有十分重要的意義。

近年來，隨著機(jī)器視覺技術(shù)的快速發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)被廣泛應(yīng)用于各類農(nóng)作物病蟲害的檢測。Zhou等[7]以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)，提出用于檢測油菜病蟲害的深度學(xué)習(xí)模型，識別率為96%。Wang等[8]使用改進(jìn)的YOLOv3檢測番茄的12種病蟲害，識別率為92.39%。Selvaraj等[9]基于卷積神經(jīng)網(wǎng)絡(luò)和遷移學(xué)習(xí)方法提出了可識別8種香蕉病蟲害的檢測模型，識別的平均精度高于90%。以上研究的開展證明了機(jī)器視覺技術(shù)應(yīng)用于農(nóng)作物病蟲害檢測切實(shí)可行，為卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于柑橘病蟲害識別提供了參考。

對于自然環(huán)境下柑橘病蟲害的識別問題，國內(nèi)外學(xué)者已提出了多種基于卷積神經(jīng)網(wǎng)絡(luò)的解決方案。You等[10]基于壓縮卷積神經(jīng)網(wǎng)絡(luò)，提出一種適用于移動端的柑橘病蟲害分類方法，在共有16 528幅圖像的數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，其中包含14種柑橘病蟲害，分類的準(zhǔn)確率達(dá)到93.2%。Xing等[11-12]在柑橘病蟲害分類領(lǐng)域開展系列研究，首先構(gòu)建一個共有12 561幅圖像的數(shù)據(jù)集，包含24類柑橘病蟲害，其中柑橘木虱圖像有359張，其次提出柑橘病蟲害分類模型WeaklyDenseNet和BridgeNet-19，分類的準(zhǔn)確率分別為93.42%和95.47%，模型大小分別為30.5和69.8 MB。上述研究主要應(yīng)用于輔助農(nóng)戶進(jìn)行柑橘病蟲害分類，模型的輸出不包含檢測目標(biāo)的位置和數(shù)量信息，無法精確地判斷蟲害情況，不適合應(yīng)用于柑橘木虱監(jiān)測。Partel等[5]以四輪摩托為行走機(jī)構(gòu)，通過氣動敲擊機(jī)構(gòu)拍打柑橘樹的枝干，使柑橘木虱跌落至白色背景的觀察臺，結(jié)合計(jì)算機(jī)視覺技術(shù)實(shí)現(xiàn)柑橘木虱檢測，其中檢測算法采用YOLOv1和YOLOv3目標(biāo)檢測模型，在8 800幅白色背景的柑橘木虱圖像進(jìn)行訓(xùn)練和測試，識別準(zhǔn)確率為80%，召回率為95%；該設(shè)備通過機(jī)器敲打取樣，解決了柑橘木虱個體小和在果園中容易被葉片遮擋等導(dǎo)致模型識別準(zhǔn)確率低的問題。中國橘園機(jī)械作業(yè)環(huán)境復(fù)雜[13]，柑橘樹行株距不統(tǒng)一，且大部分在山坡地種植，不便于使用上述設(shè)備和敲打取樣，通過小型嵌入式設(shè)備直接檢測果樹上的病蟲害是更合適的解決方案[14]。

綜上，本研究以果園場景下采集的柑橘木虱圖像為研究對象，以柑橘木虱為檢測目標(biāo)，利用數(shù)據(jù)增強(qiáng)方法構(gòu)建柑橘木虱彩色圖像數(shù)據(jù)集，以適用于嵌入式硬件平臺的YOLOv4-Tiny模型為基礎(chǔ)，改進(jìn)模型的頸部網(wǎng)絡(luò)，優(yōu)化批歸一化方法并在訓(xùn)練階段引入Mosaic數(shù)據(jù)增強(qiáng)，并通過試驗(yàn)測試模型識別果園場景柑橘木虱的效果，以期為實(shí)現(xiàn)柑橘木虱的快速精確監(jiān)測提供參考。

1 材料與方法

1.1 試驗(yàn)數(shù)據(jù)采集

本研究試驗(yàn)數(shù)據(jù)采集于華南農(nóng)業(yè)大學(xué)東區(qū)果園和工程學(xué)院果園，采集時間為2020年6月25日－2020年8月24日。為獲取不同自然光照強(qiáng)度下的柑橘木虱圖像，每天分為3個時間段進(jìn)行采集，分別為9:00－11:00、14:00－15:00和17:00－18:00。使用手持式照相器材（榮耀20，華為，中國）對果樹上的柑橘木虱成蟲進(jìn)行拍攝，拍攝距離為4～6 cm。獲得田間柑橘木虱圖像2 024張，涵蓋3 024×4 032、2 592×1 944和1 200×1 600（像素）3種分辨率。在此基礎(chǔ)上，又加入117張由全國各地柑橘專家或果農(nóng)拍攝的柑橘木虱圖像，最終數(shù)據(jù)集包含2 141張?jiān)紙D像。

1.2 數(shù)據(jù)集構(gòu)建

為防止訓(xùn)練數(shù)據(jù)量過少發(fā)生過擬合現(xiàn)象，本研究參考通用方法[15-16]，對圖像進(jìn)行數(shù)據(jù)增強(qiáng)處理，包括隨機(jī)調(diào)節(jié)對比度、隨機(jī)調(diào)節(jié)亮度、加入高斯噪聲、加入伽馬噪聲、限制對比度自適應(yīng)直方圖均衡（Contrast Limited Adaptive Histogram Equalization，CLAHE）、中值模糊、水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)和轉(zhuǎn)置，每張?jiān)紙D像都生成9張新圖像，最終柑橘木虱數(shù)據(jù)集包含21 410幅圖像。

使用Labelimg工具標(biāo)注每張圖片中的柑橘木虱目標(biāo)所在區(qū)域，柑橘木虱數(shù)據(jù)集按照7∶1∶2的比例劃分為訓(xùn)練集（14 990張）、驗(yàn)證集（2 140張）和測試集（4 280張），每個數(shù)據(jù)集都包含自行采集的圖像和全國各地柑橘專家或果農(nóng)拍攝的圖像。

1.3 檢測模型

本研究以YOLOv4-Tiny模型為基礎(chǔ)，設(shè)計(jì)柑橘木虱識別模型。YOLOv4-Tiny模型結(jié)構(gòu)精簡、推理速度快，適用于嵌入式硬件平臺。但是，該模型對果園場景下柑橘木虱的識別精度有待提高，需要進(jìn)一步優(yōu)化完善。

1.3.1 YOLOv4-Tiny模型改進(jìn)

柑橘木虱目標(biāo)的體型較小，本研究按照微軟公開數(shù)據(jù)集MS COCO的標(biāo)準(zhǔn)，將圖像中分辨率小于32×32 (像素)的柑橘木虱目標(biāo)定義為小目標(biāo)。YOLOv4-Tiny模型的主干網(wǎng)絡(luò)中包含3個跨階段局部（Cross Stage Partial，CSP）模塊，分別為CSP1、CSP2和CSP3。其中，CSP2層包含的位置信息更準(zhǔn)確，細(xì)節(jié)信息更多，但語義信息較少。CSP3層包含更多的語義信息，但細(xì)節(jié)信息少、位置信息粗糙，許多小目標(biāo)的位置信息和細(xì)節(jié)信息丟失。為提高YOLOv4-Tiny模型對柑橘木虱小目標(biāo)的識別精度，本研究對其結(jié)構(gòu)進(jìn)行改進(jìn)，提出改進(jìn)的YOLOv4-Tiny模型，具體結(jié)構(gòu)如圖1所示。在原YOLOv4-Tiny模型的頸部網(wǎng)絡(luò)中添加一條與主干網(wǎng)絡(luò)CSP2層相連的路徑，并將檢測尺度由2個擴(kuò)展至3個。CSP2層和上采樣層（UP層）的輸出在通道維度上進(jìn)行連接操作，融合這兩層的特征圖，隨后經(jīng)過2個CBL模塊，最終得到相對輸入圖像分辨率像素8倍下采樣的特征圖。對于分辨率為416×416（像素）的輸入圖像，改進(jìn)的YOLOv4-Tiny模型輸出3個尺度的特征圖，分辨率分別為13×13、26×26和52×52（像素）。

1.3.2 交叉小批量歸一化（CmBN）方法

在目標(biāo)檢測任務(wù)中，由于顯卡內(nèi)存容量的限制，批歸一化（Batch Normalization，BN）方法對統(tǒng)計(jì)信息的估算不準(zhǔn)確，容易導(dǎo)致模型的誤差增加[17]。因此本研究使用交叉小批量歸一化（Cross mini-Batch Normalization,CmBN）方法代替原YOLOv4-Tiny模型中的BN方法。在訓(xùn)練模型時，批量的訓(xùn)練集圖像數(shù)據(jù)被平均分成若干個小批量分別傳入模型進(jìn)行前向傳播，一次迭代完成前模型的權(quán)重不變，所以同一個批量中的小批量統(tǒng)計(jì)信息可以直接疊加。CmBN方法的實(shí)現(xiàn)步驟如下：

1）結(jié)合前i-1個小批量訓(xùn)練集圖像數(shù)據(jù)的卷積層輸出信息，計(jì)算第i個小批量的均值和標(biāo)準(zhǔn)差；

2）將第i個小批量數(shù)據(jù)的卷積層輸出轉(zhuǎn)換成均值為0、方差為1的正態(tài)分布；

3）使用可學(xué)習(xí)參數(shù)對第i個小批量數(shù)據(jù)標(biāo)準(zhǔn)化后的卷積層輸出進(jìn)行線性變換，以增加其表達(dá)能力。

CmBN方法的前向傳播計(jì)算過程如式（1）～式（5）所示：

式中l(wèi)為卷積層的層數(shù)，t為小批量的索引值，m為小批量數(shù)據(jù)的大小，i為小批量數(shù)據(jù)的索引值，τ為小批量索引值的序號，為第i個小批量中第i批數(shù)據(jù)在第l層卷積層的輸出，分別為第t和t-τ個小批量在第l層卷積層的輸出均值為第t個小批量在第l層卷積層輸出均值的平方和為第t個小批量在第l層卷積層輸出的標(biāo)準(zhǔn)差，C為增加數(shù)值穩(wěn)定性而添加的常數(shù)為第t個小批量中第i批數(shù)據(jù)在第l層卷積層歸一化后的輸出，γ和β為可學(xué)習(xí)的縮放和平移參數(shù)，為第t個小批量中第i批數(shù)據(jù)在第l層卷積層的輸出經(jīng)過交叉小批量歸一化后得到的結(jié)果。

1.3.3 Mosaic數(shù)據(jù)增強(qiáng)

由于柑橘木虱尺寸小，在拍攝時極易被葉片、葉柄等非檢測目標(biāo)遮擋，嚴(yán)重影響目標(biāo)識別的準(zhǔn)確率。針對上述問題，本研究在訓(xùn)練模型時引入Mosaic數(shù)據(jù)增強(qiáng)，以提高模型對遮擋目標(biāo)的識別能力。在每一次迭代開始前，深度學(xué)習(xí)框架不僅會從訓(xùn)練集讀取圖像，而且會通過Mosaic數(shù)據(jù)增強(qiáng)生成新圖像，隨后將新生成的圖像和讀取的圖像組合成訓(xùn)練樣本，輸入到模型進(jìn)行訓(xùn)練。Mosaic數(shù)據(jù)增強(qiáng)從柑橘木虱訓(xùn)練集中隨機(jī)選取4張圖像，分別對4張被選中圖像進(jìn)行隨機(jī)裁剪，將裁剪后的圖像按順序拼接得到1張新圖像，Mosaic數(shù)據(jù)增強(qiáng)生成圖像與4張訓(xùn)練集圖像的分辨率保持一致。在隨機(jī)裁剪的過程中訓(xùn)練集圖像目標(biāo)框的一部分可能會被裁掉，從而模擬柑橘木虱被枝葉等物體遮擋的效果。

此外，本研究對Mosaic數(shù)據(jù)增強(qiáng)進(jìn)行優(yōu)化，提出改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)，以交并比（Intersection-over-Union，IoU）作為指標(biāo)，結(jié)合標(biāo)定數(shù)據(jù)集時所使用的相關(guān)標(biāo)準(zhǔn)設(shè)定閾值，用于篩選新生成圖像中的目標(biāo)框。改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)按照Mosaic數(shù)據(jù)增強(qiáng)的步驟生成新圖像，并對新生成圖像中的目標(biāo)框進(jìn)行過濾，如果新圖像目標(biāo)框與相應(yīng)原圖目標(biāo)框的IoU小于閾值，刪除新圖像中的目標(biāo)框，認(rèn)為此處不存在柑橘木虱目標(biāo)。反之，如果新圖像目標(biāo)框與相應(yīng)原圖目標(biāo)框的IoU大于或等于閾值，則保留新圖像中的目標(biāo)框，認(rèn)為此處存在柑橘木虱目標(biāo)。

1.4 模型訓(xùn)練與測試

1.4.1 試驗(yàn)平臺

計(jì)算機(jī)配置為Intel Core i7-10700 處理器，主頻2.90 GHz，運(yùn)行內(nèi)存為16 GB，顯卡為Nvidia GeForce RTX 2080Ti，操作系統(tǒng)為Ubuntu16.04 LTS，深度學(xué)習(xí)框架為Darknet和PyTorch。嵌入式硬件平臺分別選用Jetson nano和Raspberry Pi 4B，運(yùn)行內(nèi)存均為4 GB。

1.4.2 模型訓(xùn)練

在模型訓(xùn)練時，將訓(xùn)練集圖像的分辨率全部轉(zhuǎn)換為416×416（像素）。優(yōu)化器使用小批量梯度下降法（Mini-batch Gradient Descent，MBGD），批量設(shè)置為64，小批量設(shè)置為16。權(quán)值的衰減速率設(shè)為0.000 5，動量設(shè)置為0.9。模型迭代次數(shù)為20 000次，每迭代1 000次保存一次模型權(quán)重，最終選擇模型識別精度最高的權(quán)重。初始學(xué)習(xí)率為0.002 61，衰減系數(shù)為0.1。

1.4.3 評價指標(biāo)

采用推理速度（ms/幀）作為模型識別速度的評判指標(biāo)，推理速度為模型識別一幅圖像所需要的時間[18]。采用平均精度（Average Precision，AP，%）作為模型識別精度的評判指標(biāo)[19-20]。AP與模型的準(zhǔn)確率（Precision，P，%）和召回率（Recall，R，%）有關(guān)，P、R和AP的計(jì)算如式（6）～式（8）所示：

式中TP為被正確地檢測為柑橘木虱的數(shù)量，F(xiàn)P為被錯誤地劃分為柑橘木虱的數(shù)量，F(xiàn)N為圖像中目標(biāo)被漏檢的數(shù)量。

2 結(jié)果與分析

2.1 YOLOv4-Tiny模型改進(jìn)前后的性能對比試驗(yàn)

YOLOv4-Tiny模型和改進(jìn)的YOLOv4-Tiny模型對測試集的試驗(yàn)結(jié)果如表1所示。其中平均精度為模型對測試集中柑橘木虱的識別精度，小目標(biāo)對應(yīng)模型識別測試集中分辨率小于32×32（像素）柑橘木虱的平均精度，所有目標(biāo)對應(yīng)模型識別測試集中所有柑橘木虱的平均精度，小目標(biāo)在測試集所有目標(biāo)中的占比為25.33%。YOLOv4-Tiny模型識別測試集中小目標(biāo)和所有目標(biāo)的平均精度分別為78.85%和94.02%。改進(jìn)的YOLOv4-Tiny模型識別測試集中小目標(biāo)和所有目標(biāo)的平均精度相比原模型分別提高了4.29和1.02個百分點(diǎn)。改進(jìn)的YOLOv4-Tiny模型的頸部網(wǎng)絡(luò)減少了主干網(wǎng)絡(luò)中低層特征圖細(xì)節(jié)信息和位置信息的流失。新增加的特征圖感受野較小，適合檢測圖像中分辨率較低的柑橘木虱目標(biāo)，提高了模型對小目標(biāo)的檢測能力。改進(jìn)的YOLOv4-Tiny模型的模型大小增加了1 MB，每一幅圖像的推理時間增加了0.26 ms。改進(jìn)后的模型只在頸部網(wǎng)絡(luò)增加3個卷積層、1個上采樣操作和1個連接操作，模型的主干網(wǎng)絡(luò)并沒有改變。因此改進(jìn)后的YOLOv4-Tiny模型在提高檢測精度的同時保持較快的推理速度。

表1 YOLOv4-Tiny模型改進(jìn)前后的平均精度、推理速度和模型大小對比Table 1 Comparison of average precision, inference speed and model size of YOLOv4-Tiny model before and after improvement

2.2 CmBN與BN方法的對比試驗(yàn)

以YOLOv4-Tiny模型和改進(jìn)的YOLOv4-Tiny模型為基礎(chǔ)，分別使用BN和CmBN作為模型的歸一化方法，并用相同的訓(xùn)練參數(shù)對模型進(jìn)行訓(xùn)練，在測試集中的平均精度對比如表2所示。使用BN作為歸一化方法，YOLOv4-Tiny模型和改進(jìn)的YOLOv4-Tiny模型的平均精度分別為94.02%和95.04%。使用CmBN作為歸一化方法可以令2個模型的平均精度分別提高0.66和0.27個百分點(diǎn)。由于設(shè)備限制，本試驗(yàn)以4幅圖像作為1個批次進(jìn)行小批量訓(xùn)練。BN只能使用當(dāng)前小批量的卷積層輸出特征，所以統(tǒng)計(jì)信息不準(zhǔn)確，導(dǎo)致BN的性能下降，而CmBN則通過累積小批量的信息，變相地實(shí)現(xiàn)擴(kuò)大樣本數(shù)，使統(tǒng)計(jì)信息的估算更準(zhǔn)確。因此使用CmBN歸一化方法可以提高改進(jìn)的YOLOv4-Tiny模型識別柑橘木虱的平均精度。

2.3 Mosaic數(shù)據(jù)增強(qiáng)改進(jìn)前后的性能對比試驗(yàn)

以YOLOv4-Tiny模型和改進(jìn)的YOLOv4-Tiny模型為基礎(chǔ)，使用BN作為歸一化方法，對比在訓(xùn)練模型時不使用Mosaic數(shù)據(jù)增強(qiáng)、使用Mosaic數(shù)據(jù)增強(qiáng)和使用本研究提出的改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)的情況下，模型在測試集中的平均精度，試驗(yàn)結(jié)果如表2所示。本研究所使用的數(shù)據(jù)集不標(biāo)注遮擋超過80%的柑橘木虱，結(jié)合試驗(yàn)將改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)的閾值設(shè)定為0.2。使用Mosaic數(shù)據(jù)增強(qiáng)后，YOLOv4-Tiny模型和改進(jìn)的YOLOv4-Tiny模型的平均精度分別為94.93%和95.48%，2個模型的平均精度比不使用Mosaic數(shù)據(jù)增強(qiáng)分別提高0.91和0.44個百分點(diǎn)。Mosaic數(shù)據(jù)增強(qiáng)生成的圖像使模型在訓(xùn)練過程中僅通過局部特征對目標(biāo)進(jìn)行識別，強(qiáng)化模型對柑橘木虱局部特征的認(rèn)知，弱化模型對于目標(biāo)全部特征的依賴。使用本研究提出的改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)后，2個模型的平均精度分別提高了1.18和0.57個百分點(diǎn)，進(jìn)一步提升了模型的識別效果。

表2 改進(jìn)前后的YOLOv4-Tiny模型使用不同歸一化方法和Mosaic數(shù)據(jù)增強(qiáng)的平均精度Table 2 Average precision of different normalization methods and Mosaic data augmentations for YOLOv4-Tiny model before and after improvement

Mosaic數(shù)據(jù)增強(qiáng)改進(jìn)前后生成的圖像如圖2所示。Mosaic數(shù)據(jù)增強(qiáng)生成圖像中的白色目標(biāo)框由于IoU低于閾值（圖2a和圖2b），在相應(yīng)的改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)生成的圖像中均被刪除（圖2c和圖2d）。Mosaic數(shù)據(jù)增強(qiáng)會產(chǎn)生只包含極少柑橘木虱目標(biāo)信息甚至完全沒有目標(biāo)信息的目標(biāo)框，這類含有歧義的目標(biāo)框會導(dǎo)致模型的學(xué)習(xí)變得困難，而結(jié)合IoU改進(jìn)后的Mosaic數(shù)據(jù)增強(qiáng)可以過濾部分含有歧義的目標(biāo)框。

2.4 不同模型的性能對比

為對比本研究提出的模型與常用典型模型[22]的效果，分別對典型模型快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster Region Convolutional Neural Networks，F(xiàn)aster R-CNN）、YOLOv4、YOLOv4-Tiny和本研究提出的改進(jìn)的YOLOv4-Tiny 模型采用柑橘木虱數(shù)據(jù)集進(jìn)行訓(xùn)練和測試，并將深度學(xué)習(xí)框架和訓(xùn)練后的模型移植到Jetson nano和Raspberry Pi 4B，測試模型在嵌入式硬件平臺上的推理速度，其中改進(jìn)的YOLOv4-Tiny 模型同時使用了CmBN方法和改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)。不同模型對被遮擋柑橘木虱和小目標(biāo)柑橘木虱的檢測結(jié)果如圖3所示，對于被枝葉遮擋的柑橘木虱，F(xiàn)aster R-CNN和本研究提出的改進(jìn)YOLOv4-Tiny模型的檢出率最高，識別出全部目標(biāo)，而YOLOv4和YOLOv4-Tiny模型對于被遮擋的目標(biāo)均存在漏檢的情況。小目標(biāo)柑橘木虱圖像中的檢測目標(biāo)共計(jì)2個，F(xiàn)aster R-CNN、YOLOv4和本研究提出的改進(jìn)的YOLOv4-Tiny模型都可以識別出全部柑橘木虱目標(biāo)，而YOLOv4-Tiny模型只識別出1個。

Faster R-CNN、YOLOv4、YOLOv4-Tiny和改進(jìn)的YOLOv4-Tiny 模型的平均精度、推理速度和模型大小的統(tǒng)計(jì)如表3所示，其中平均精度包括模型對訓(xùn)練集、驗(yàn)證集和測試集的平均精度，推理速度包括模型在圖形處理器RTX 2080Ti與嵌入式硬件平臺Jetson nano和Raspberry Pi 4B的推理速度。本研究提出的改進(jìn)的YOLOv4-Tiny模型對測試集中柑橘木虱目標(biāo)的平均精度最高（96.16%），比Faster R-CNN高1.69個百分點(diǎn)，此外Faster R-CNN為二階段網(wǎng)絡(luò)，模型大推理速度慢，不適用于嵌入式設(shè)備。改進(jìn)的YOLOv4-Tiny模型較YOLOv4模型的模型大小縮小近10倍，在圖形處理器RTX2080 Ti上的推理速度快了3倍以上，兩者的平均精度相近。YOLOv4-tiny模型的平均精度比改進(jìn)的YOLOv4-Tiny模型低2.16個百分點(diǎn)，在推理速度和模型大小方面與本研究提出的改進(jìn)模型相近。本研究提出的改進(jìn)的YOLOv4-Tiny模型不會在推理過程中引入太多額外的算力和內(nèi)存開銷，該模型在具備高識別精度的同時，保持結(jié)構(gòu)精簡和推理速度快的優(yōu)點(diǎn)，所需要的算力資源較小，適合部署于嵌入式硬件平臺。

表3 不同模型的平均精度、推理速度和模型大小對比Table 3 Comparison of average precision, inference speed and model size of different models

3 結(jié) 論

1）本研究基于YOLOv4-Tiny模型提出一種果園自然環(huán)境下的柑橘木虱目標(biāo)檢測模型。通過改進(jìn)YOLOv4-Tiny模型的頸部網(wǎng)絡(luò)，利用淺層卷積層包含的位置信息和細(xì)節(jié)信息，提高了模型對柑橘木虱小目標(biāo)的識別能力。使用交叉小批量歸一化方法替代卷積層的批歸一化方法，提高統(tǒng)計(jì)信息的準(zhǔn)確度，有效地提升了網(wǎng)絡(luò)的檢測精度。

2）本研究為提高模型對遮擋目標(biāo)的識別能力，在訓(xùn)練模型時使用Mosaic數(shù)據(jù)增強(qiáng)，強(qiáng)化模型對柑橘木虱局部特征的認(rèn)知，并通過交并比指標(biāo)優(yōu)化Mosaic數(shù)據(jù)增強(qiáng)，減少含有歧義的目標(biāo)框，幫助模型更好地學(xué)習(xí)特征。

3）本研究制作了自然場景下的柑橘木虱數(shù)據(jù)集用于模型的訓(xùn)練和測試，試驗(yàn)結(jié)果表明，本研究提出的各項(xiàng)改進(jìn)方法均能提升模型對柑橘木虱的識別精度，改進(jìn)的YOLOv4-Tiny模型融合交叉小批量歸一化方法和改進(jìn)的Mosaic數(shù)據(jù)增強(qiáng)后，識別柑橘木虱的平均精度達(dá)到96.16%，在圖形處理器上的推理速度為3.63 ms/幀，且模型大小為24.50 MB。該模型對果園環(huán)境下的柑橘木虱檢測性能良好，可對黃龍病防控技術(shù)以及柑橘木虱監(jiān)測裝備的研制提供參考。