基于YOLOv4的胡瓜鈍綏螨自動檢測計數(shù)

李建興， 劉振宇， 馬 瑩， 何棟煒， 鄭小剛， 宋 江

(福建工程學(xué)院電子電氣與物理學(xué)院，福建福州 350118)

目前，全世界在開展綠色防控技術(shù)方面的需求日趨急迫。我國是農(nóng)業(yè)大國，也是農(nóng)藥使用大國，長期累積形成較大的環(huán)境和生態(tài)問題。生物防治是從根本上解決農(nóng)藥濫用和殘留問題的有效途徑，天敵馴化并形成產(chǎn)品是生物防治的重要基礎(chǔ)。捕食螨的馴化與推廣應(yīng)用是天敵馴化的重要分支。近年來，我國已研發(fā)出具有自主知識產(chǎn)權(quán)的天敵捕食螨工廠化生產(chǎn)技術(shù)。胡瓜鈍綏螨是捕食螨的一種，它廣泛分布于世界各地，利用胡瓜鈍綏螨能有效控制薊馬和葉螨等害蟲，可在農(nóng)業(yè)螨害綠色防治上發(fā)揮重要作用。目前胡瓜鈍綏螨已經(jīng)能夠進(jìn)行工業(yè)化養(yǎng)殖，在工業(yè)養(yǎng)殖過程中質(zhì)量檢測尤為重要，待出廠銷售的產(chǎn)品需要對胡瓜鈍綏螨數(shù)量進(jìn)行計數(shù)檢測?，F(xiàn)階段質(zhì)量檢測工作步驟為專業(yè)人員對養(yǎng)殖的胡瓜鈍綏螨進(jìn)行抽樣檢測，在顯微鏡下進(jìn)行人工計數(shù)，這種方法效率低下。由于粉螨與胡瓜鈍綏螨長相相似，肉眼長時間檢測會提高檢錯概率。為了解決這一問題，本研究建立一種準(zhǔn)確快速的捕食螨檢測計數(shù)工具，以期對提升胡瓜鈍綏螨工業(yè)化生產(chǎn)質(zhì)量檢測提供指導(dǎo)。

目標(biāo)檢測是當(dāng)前計算機(jī)視覺領(lǐng)域的研究熱點之一。近年來目標(biāo)檢測技術(shù)在昆蟲防治檢測、農(nóng)業(yè)養(yǎng)殖領(lǐng)域的應(yīng)用取得了較大進(jìn)步?；诨貧w思想YOLO(you only look once)檢測算法，經(jīng)過單次檢測可直接得到最終的檢測結(jié)果，因此有著更快的檢測速度，滿足實時檢測要求。YOLO算法經(jīng)過不斷改進(jìn)，優(yōu)化了對小目標(biāo)類的檢測性能，到目前的YOLOv4版本，針對螨蟲類小目標(biāo)的檢測精度高。

為了解決胡瓜鈍綏螨自動檢測計數(shù)問題，本研究使用工業(yè)相機(jī)搭配電子顯微鏡制作螨蟲數(shù)據(jù)集，構(gòu)建YOLOv4檢測模型對螨蟲進(jìn)行分類檢測，利用該模型多尺度、高精度分類的特點，對胡瓜鈍綏螨、粉螨進(jìn)行準(zhǔn)確區(qū)分計數(shù)。

1 材料與方法

1.1 試驗設(shè)計

本研究通過工業(yè)相機(jī)搭配電子顯微鏡拍攝，拍攝樣品是福建省農(nóng)作物害蟲天敵資源工程技術(shù)研究中心生產(chǎn)的合格罐裝螨，罐裝內(nèi)包含麥麩(生長環(huán)境)、胡瓜鈍綏螨、粉螨。罐裝螨內(nèi)含有大量麥麩，螨蟲附著于麥麩表面。使用40目、孔徑為 0.45 mm 標(biāo)準(zhǔn)篩將麥麩和螨蟲進(jìn)行初步過濾，可以將螨蟲和面積較大的麥麩進(jìn)行分離，有利于后期圖像拍攝。

每次從樣品罐中取0.1 g麥麩進(jìn)行初步過濾分離后得到的麥麩碎片和螨蟲放入定制凹槽載玻片(凹槽深度1 mm，長寬14 mm)中，胡瓜鈍綏螨和粉螨具有活性會在凹槽載玻片中移動，每間隔 10～15 s 拍攝1幅照片，每拍攝30幅照片后更換凹槽載玻片重新取樣拍攝。將所采集到的數(shù)據(jù)進(jìn)行處理，整個數(shù)據(jù)處理流程見圖1。

1.2 圖像采集

本試驗圖像采集裝置見圖2。主要由調(diào)焦機(jī)構(gòu)架、CMOS(互補(bǔ)金屬氧化物半導(dǎo)體)工業(yè)相機(jī)(200萬像素，型號為XG200S)、電子顯微鏡頭(目鏡0.5×，物鏡0.8×)、定制凹槽載玻片、LED(發(fā)光二極管)背光源組成。將通過振動過濾后的螨蟲放入載玻片凹槽內(nèi)，垂直凹槽向下拍攝。采集圖像總數(shù)量為1 030幅，拍攝圖像放大倍數(shù)為40倍，圖像分辨率為1 280×1 024像素，圖像格式為jpg。

在載玻片上拍攝的圖像中螨蟲種類為2種，分別是胡瓜鈍綏螨、粉螨，圖像中存在少許幼蟲，質(zhì)量把控檢測對象為胡瓜鈍綏螨成蟲(體長約0.20～0.50 mm)數(shù)量，粉螨幼蟲體積不到胡瓜鈍綏螨和粉螨成蟲的1/10，對檢測胡瓜鈍綏螨成蟲不影響，因此本試驗標(biāo)簽主要分為2類：胡瓜鈍綏螨成蟲(hunt)、粉螨成蟲(dust)。胡瓜鈍綏螨和粉螨采集樣本見圖3，胡瓜鈍綏螨形態(tài)呈橢圓型頭部尖銳，在背光源照射下通體呈米黃色。粉螨形態(tài)圓潤呈橢圓狀，在背光源照射下通體呈灰色。

1.3 捕食螨品質(zhì)檢測人機(jī)界面設(shè)計

為了方便操作人員進(jìn)行檢測，設(shè)計了GUI(圖形用戶界面)品質(zhì)監(jiān)控界面，見圖4，在監(jiān)控界面中，點擊打開相機(jī)，可以調(diào)用相機(jī)進(jìn)行拍攝并且加載到界面中，點擊捕食螨蟲計數(shù)，即會調(diào)用模型進(jìn)行檢測計數(shù)，檢測結(jié)果會顯示至界面，分別將胡瓜鈍綏螨與粉螨計數(shù)結(jié)果顯示在左上角。

2 基于圖像處理的捕食螨自動識別計數(shù)方法

2.1 數(shù)據(jù)集預(yù)處理

使用LabelImg圖像標(biāo)注工具對采集的螨蟲圖片進(jìn)行標(biāo)注，生成xml格式文件，文件中保存矩形框的長寬高和中心坐標(biāo)以及標(biāo)注類別等信息。每頭螨蟲使用一個矩形框標(biāo)注，矩形框大小以螨蟲最小外接矩形為最佳。在圖片邊緣存在拍攝不完整螨蟲，人工進(jìn)行判斷標(biāo)注。每標(biāo)注完1幅圖片上所有目標(biāo)螨蟲將保存文件，標(biāo)注了1 030幅圖片，共標(biāo)注了10 590個胡瓜鈍綏螨標(biāo)簽，3 038個粉螨標(biāo)簽。為了豐富所采集到的數(shù)據(jù)集背景，通過mosaic(馬賽克)數(shù)據(jù)增強(qiáng)方法，每次將讀取到的4幅圖片進(jìn)行水平翻轉(zhuǎn)、縮放、色域變化、垂直翻轉(zhuǎn)，并且4個方向按照一定比例進(jìn)行截取后拼接出一幅新的訓(xùn)練圖，數(shù)據(jù)組合效果見圖5。網(wǎng)絡(luò)輸入端為了提高網(wǎng)絡(luò)訓(xùn)練和減少運(yùn)算量，將圖片的尺寸大小統(tǒng)一調(diào)整至608×608像素。

將數(shù)據(jù)集中包含的圖片和xml格式標(biāo)簽文件分別放入不同文件夾，圖片與標(biāo)簽的文件名相對應(yīng)。訓(xùn)練模型之前，將1 030幅數(shù)據(jù)集隨機(jī)分為訓(xùn)練集、驗證集、測試集，訓(xùn)練集和驗證集占總數(shù)據(jù)集的90%，測試集占總數(shù)據(jù)集的10%，其中，訓(xùn)練集和驗證集的比例為9 ∶1。

2.2 螨蟲檢測方法介紹

目標(biāo)檢測方法可以分為傳統(tǒng)檢測算法和深度學(xué)習(xí)檢測算法。傳統(tǒng)的檢測方法通常分為區(qū)域選擇、特征手工提取、分類回歸3個步驟，其中區(qū)域選擇耗時長且效果不好，特征手工提取所提取的語義特征信息少，該方法目前已經(jīng)難以滿足對復(fù)雜背景的高性能檢測需求。隨著深度學(xué)習(xí)發(fā)展，在實際檢測過程中，表現(xiàn)出高精度、實時性、特征自動提取等優(yōu)點，深度學(xué)習(xí)逐漸成為研究人員所青睞的檢測方法。

目前，深度學(xué)習(xí)目標(biāo)檢測常用的主流算法分為兩大類，第1類是兩階段檢測算法，首先由算法生成一系列作為樣本的候選框，再通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行樣本分類，代表算法有Faster R-CNN(區(qū)域卷積神經(jīng)網(wǎng)絡(luò))。第2類是一階段檢測算法，不需要產(chǎn)生候選框，直接將目標(biāo)框定位的問題轉(zhuǎn)化為回歸問題處理，代表算法有YOLO模型、EfficientDet模型。

Faster R-CNN算法結(jié)構(gòu)為主干特征提取網(wǎng)絡(luò)、RPN (區(qū)域生成網(wǎng)絡(luò))、ROI(特征圖上的框) Pooling層、分類與回歸層，圖像傳入主干特征提取網(wǎng)絡(luò)得到特征層，采用RPN對特征圖上的每個網(wǎng)格進(jìn)行滑窗處理，得到每個網(wǎng)格上錨框調(diào)整參數(shù)以及判斷框內(nèi)是否包含物體，獲得候選框，完成第1階段前景與背景的粗定位，再將獲得的候選框傳入至ROI Pooling層調(diào)整至相同大小，最后傳入分類與回歸層，判斷是否包含目標(biāo)且對候選框進(jìn)行調(diào)整得到最后的預(yù)測結(jié)果，該兩階段算法經(jīng)過前景背景粗篩選后再對物體進(jìn)行精細(xì)調(diào)整，檢測精度高，但由于特征圖錨框尺度較大，對于小尺寸目標(biāo)的檢測效果不佳。

EfficientDet算法結(jié)構(gòu)為EfficientNet主干特征提取網(wǎng)絡(luò)、BiFPN特征融合層、類別與邊界框預(yù)測層，圖片傳入主干特征提取網(wǎng)絡(luò)，該網(wǎng)絡(luò)利用殘差神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)增大神經(jīng)網(wǎng)絡(luò)的深度，通過更深的網(wǎng)絡(luò)提取特征，獲得5個有效特征層完成初步的特征提取，將所得到的5個有效特征層傳入FPN結(jié)構(gòu)的改進(jìn)版BiFPN特征融合層，BiFPN模塊對獲得的特征層進(jìn)行多次自頂向下、自底向上的雙向路徑特征加權(quán)融合，獲得具有更高語義的有效特征層。最后對特征加以利用整合，輸入類別與邊界框預(yù)測層得到最后的檢測結(jié)果。EfficientDet算法中具有多尺度特征融合結(jié)構(gòu)，提升了對小尺寸目標(biāo)的檢測性能。

YOLO算法經(jīng)過不斷改進(jìn)，相對比于YOLOv1、YOLOv2版本，YOLOv3、YOLOv4、YOLOv4-Tiny版本擁有多尺度預(yù)測結(jié)構(gòu)，提高了對不同尺寸目標(biāo)的檢測性能，其中YOLOv3算法結(jié)構(gòu)為Darknet53主干特征提取網(wǎng)絡(luò)、FPN特征融合層、YOLOv3預(yù)測層。其中Darknet53主干特征提取網(wǎng)絡(luò)利用殘差網(wǎng)絡(luò)結(jié)構(gòu)，增大網(wǎng)絡(luò)深度提取圖像特征。圖像經(jīng)過主干特征提取網(wǎng)絡(luò)后獲得3個有效特征層，后傳入FPN特征融合層通過融合高低層特征提升目標(biāo)檢測的效果，尤其可以提高小尺寸目標(biāo)的檢測性能，將所得到的特征最后輸入YOLOv3多尺度預(yù)測層中得到分類結(jié)果以及邊界框參數(shù)。YOLOv4算法在YOLOv3算法基礎(chǔ)上結(jié)合了同時期幾種優(yōu)秀網(wǎng)絡(luò)結(jié)構(gòu)，在保證計算速度的情況下，針對小尺寸目標(biāo)檢測精度有進(jìn)一步提升。YOLOv4-Tiny是 YOLOv4的簡化版，在主干特征提取網(wǎng)絡(luò)中卷積層數(shù)減少，在特征融合部分采用FPN特征融合結(jié)構(gòu)，僅使用了2個特征層進(jìn)行分類回歸預(yù)測，提升了檢測速度，但精度有所降低。

2.3 YOLOv4模型結(jié)構(gòu)

YOLOv4模型結(jié)構(gòu)見圖6，主要包括CSPDarknet53主干特征提取網(wǎng)絡(luò)、Neck模塊、YOLOv3頭部。特征提取網(wǎng)絡(luò)結(jié)構(gòu)采用CSPDarkNet53網(wǎng)絡(luò)，輸入的圖像經(jīng)過CSPDarkNet53網(wǎng)絡(luò)中5個殘差單元塊，每個殘差單元塊個數(shù)為1、2、8、8、4，圖像大小不斷壓縮，所提取的特征深度不斷堆疊，提取圖像中更深層的語義信息，最終獲得3個有效特征層，特征層維度分別為中層(76，76，256)、中下層(38，38，512)、下層(19，19，1 024)，中層特征圖感受野較大，用于預(yù)測圖片當(dāng)中的較大目標(biāo)物，中下層特征層用于預(yù)測中等大小目標(biāo)物，下層特征圖提取圖像中更深層語義信息，細(xì)節(jié)信息表達(dá)能力更好，用于預(yù)測圖像中較小目標(biāo)物。

其中Neck模塊中增加空間金字塔池化模塊(spatial pyramid pooling，簡稱SPP)網(wǎng)絡(luò)結(jié)構(gòu)，對CSPdarknet53處理后的最后一個特征層分別利用4個不同尺度的最大池化進(jìn)行特征融合，池化核大小分別為13×13、9×9、5×5、1×1，這樣有助于極大地增加感受野，能將最顯著的上下圖特征分離出來。路徑聚合網(wǎng)絡(luò)(path aggregation network)結(jié)構(gòu)為Neck模塊的特征融合部分，對CSPDarkNet53處理后的特征層中層、中下層、下層進(jìn)行PANet特征金字塔多通道融合，由圖6可知，首先進(jìn)行1次自底向上的多尺度特征融合，下層特征層進(jìn)行多次上采樣將所提取到的特征傳遞到中層，經(jīng)過多層網(wǎng)絡(luò)才能達(dá)到金字塔頂端，后繼續(xù)進(jìn)行1次自頂向下路徑增強(qiáng)分支，盡可能多地保留特征信息，實現(xiàn)特征的反復(fù)提取，有效提取圖像中有效的特征。

經(jīng)過PANet網(wǎng)絡(luò)結(jié)構(gòu)處理后，最后將獲得的特征進(jìn)行回歸預(yù)測處理，YOLOv4采用的是YOLOv3的預(yù)測頭。首先會將整幅圖像劃分為S×S個小方格，在(19×19)、(38×38)、(76×76)3個特征圖上進(jìn)行回歸預(yù)測，利用Anchor機(jī)制每個特征圖的小方格都會預(yù)測3個大小不同的邊界框，每個邊界框會產(chǎn)生(4+1+C)維向量，其中4表示網(wǎng)格預(yù)測目標(biāo)中心的偏移量(，)和邊框尺寸相對于整幅圖片的寬高尺寸(，)，1表示目標(biāo)邊框置信度值，C為識別目標(biāo)類別數(shù)。本研究的需求為檢測胡瓜鈍綏螨和粉螨2個類目，因此每個邊界框的輸出向量為(4+1+2)。

2.4 回歸損失函數(shù)

YOLOv4回歸損失函數(shù)使用全局交并比(complete-intersection over union，簡稱CIoU)，計算公式為式(1)，利用該檢測算法評價邊界框是否存在目標(biāo)物體以及檢測準(zhǔn)確度，CIoU考慮了檢測框的重疊面積、中心點距離、長寬比，優(yōu)化了訓(xùn)練過程中發(fā)散等問題且在矩形框回歸預(yù)測問題中有速度與精度的提升。其中IoU為評價預(yù)測框與真實框的面積交并比，計算公式為式(2)。

(1)

(2)

(3)

(4)

式中：為2個框中心點歐式距離；、分別為預(yù)測框、真實框的中心點，可以反映出預(yù)測框與真實框的距離；表示2個中心點最小外接矩的對角線長度；為權(quán)重參數(shù)；DetectionResult、GroundTruth分別為預(yù)測框的面積和真實框的面積；(，)、(，)分別為預(yù)測框、真實框的寬、高；為長寬比的懲罰項，用來測量長寬比的一致性，該懲罰項作用就是迅速控制預(yù)測框的寬高能夠盡可能快速地與真實框的寬高接近，使模型預(yù)測位置準(zhǔn)確度提高。

3 試驗結(jié)果與分析

3.1 試驗環(huán)境與參數(shù)設(shè)置

本試驗研究采用Pytorch深度學(xué)習(xí)開源框架，使用圖像處理器加速訓(xùn)練過程。硬件配置：圖形處理器為英偉達(dá)GeForce RTX 3090 (顯存為24 GB)，中央處理器為英特爾酷睿 i7-10700K @ 3.80 GHz，內(nèi)存為16 GB。運(yùn)行環(huán)境為Windows10，CUDA庫版本為11.0，Python版本為3.7，Pytorch版本為1.7.1。

搭建好YOLOv4、YOLOv4-Tiny、YOLOv3、Faster R-CNN、EfficientDet共5種目標(biāo)檢測模型后，由于螨蟲數(shù)據(jù)集較少，使用遷移學(xué)習(xí)的方法進(jìn)行訓(xùn)練。網(wǎng)絡(luò)權(quán)重由YOLOv4模型訓(xùn)練MicroSoft COCO數(shù)據(jù)集得到，該數(shù)據(jù)集是一個大型的、豐富的物體檢測數(shù)據(jù)集，訓(xùn)練得到的網(wǎng)絡(luò)參數(shù)可以作為檢測模型預(yù)訓(xùn)練權(quán)重，這種訓(xùn)練方法是常用且高效的，使用該預(yù)訓(xùn)練權(quán)重能節(jié)省螨蟲數(shù)據(jù)集訓(xùn)練時間，網(wǎng)絡(luò)訓(xùn)練過程收斂更快、檢測效果更好。

對胡瓜鈍綏螨、粉螨2種試驗樣本圖像分別標(biāo)定好后生成對應(yīng)xml文件放入待訓(xùn)練文件夾中，將搭建好的幾種深度學(xué)習(xí)模型設(shè)置好訓(xùn)練參數(shù)，設(shè)置訓(xùn)練階段批量大小batch_size=8，總訓(xùn)練輪數(shù)為100，初始學(xué)習(xí)率為0.001 0，學(xué)習(xí)率在50輪后下降至0.000 1。

3.2 評價指標(biāo)

召回率(recall)也稱作查全率，表示在所有真實目標(biāo)(TP+FN)當(dāng)中模型能夠預(yù)測正確的目標(biāo)比例，計算公式為式(5)，本研究預(yù)設(shè)定的IoU閾值為0.5，TP(true positives)代表模型正確分配出的正樣本個數(shù)，即預(yù)測框與標(biāo)注框類別相同；FN表示錯誤分配成了負(fù)樣本的個數(shù)。以胡瓜鈍綏螨為例，模型能夠正確找出圖片中更多的胡瓜鈍綏螨召回率越高，展示出模型識別目標(biāo)的能力。

(5)

精確率(precision)也稱作查準(zhǔn)率，計算公式為式(6)，表示模型檢測出正確目標(biāo)所占的比例，(TP+FP)是模型檢測的所有正樣本，精確率用來表示模型檢測的準(zhǔn)確性，精確率越高，表示模型檢測的準(zhǔn)確性越好。

(6)

由于精確率和召回率會隨參數(shù)交并比的變化而改變，因此單單使用精確率和召回率作為模型的評價指標(biāo)存在一定的局限性。

本研究以胡瓜鈍綏螨檢測精度(average precision，簡稱AP)、檢測精度平均值(mean average precision，簡稱mAP)和檢測時間作為模型性能評估指標(biāo)。每一類別螨蟲檢測精度指的是P-R(precision-recall)曲線下區(qū)域面積，檢測精度數(shù)值越大，表示算法針對該類別檢測效果越好。檢測精度均值(mAP)即為胡瓜鈍綏螨、粉螨2個類別的檢測精度均值，計算公式見式(7)。

(7)

式中：代表檢測的總類別數(shù)量；為類別的序號數(shù)。檢測精度均值數(shù)值越大，表示算法對所有類別整體檢測性能越好。

3.3 YOLOv4檢測結(jié)果

將103幅測試集使用YOLOv4模型進(jìn)行目標(biāo)檢測，測試集圖像中一共有1 213頭胡瓜鈍綏螨，280頭粉螨，檢測過程當(dāng)中IoU閾值設(shè)置為0.5，可保留更多預(yù)測框，所計算的精度率會更準(zhǔn)確。在對應(yīng)置信度下得到、、值，根據(jù)公式(5)、(6)分別計算出2類螨蟲在不同置信度下所得到的精確率和召回率，由精確率和召回率圍成的P-R曲線見圖7。胡瓜鈍綏螨的檢測精確率為99.45%，粉螨的檢測精確率為93.94%，最后求得胡瓜鈍綏螨、粉螨2個類別檢測精度均值為96.69%。

3.4 多種算法對比分析

本研究使用相同的圖片數(shù)據(jù)集和網(wǎng)絡(luò)參數(shù)，分別使用YOLOv4、YOLOv4-Tiny、YOLOv3、Faster R-CNN和EfficientDet共5種檢測模型進(jìn)行試驗對比。

在訓(xùn)練好以上5個模型后使用圖像采集裝置隨即拍攝3幅圖片a、b、c進(jìn)行試驗對照，圖片中存在雜質(zhì)和螨蟲相接觸的情況，檢測效果見圖8，5種模型的檢測效果均有不同的差異。在圖8-a中，YOLOv3模型所檢測到的目標(biāo)中存在漏檢測1頭胡瓜鈍綏螨，將胡瓜鈍綏螨和雜質(zhì)誤判斷為粉螨的情況，F(xiàn)aster R-CNN模型所檢測到的目標(biāo)中存在將4個雜質(zhì)誤判斷為粉螨，1頭粉螨未被識別，EfficientDet模型檢測結(jié)果中存在1頭胡瓜鈍綏螨未識別。在圖8-b中，YOLOv3模型和EfficientDet模型檢測結(jié)果中均存在漏檢2頭粉螨且將雜質(zhì)誤檢測成粉螨的情況。在圖8-c中，YOLOv4-Tiny模型檢測結(jié)果中存在漏檢測1頭粉螨，且圖片中2頭胡瓜鈍綏螨接觸狀態(tài)時誤檢測為1頭且存在將胡瓜鈍綏螨誤分類為粉螨的情況，YOLOv3模型檢測中存在漏檢測胡瓜鈍綏螨的情況，F(xiàn)aster R-CNN模型檢測結(jié)果針對檢測胡瓜鈍綏螨接觸狀態(tài)時只能檢測出單頭且目標(biāo)框定位不準(zhǔn)確，EfficientDet模型檢測結(jié)果存在漏檢測粉螨情況。從這3幅圖片中，可以看出YOLOv4檢測效果最佳，在存在雜質(zhì)和螨蟲相接觸的情況下，相接觸螨蟲能夠較好地被分別檢測出且不存在誤檢測情況，檢測出的螨蟲置信度值(預(yù)測類別是真實類別的概率)也是5個模型中最高的，YOLOv4模型針對螨蟲小目標(biāo)檢測具有良好的魯棒性。

使用相同測試集103幅圖片，其中測試集共有1 213個胡瓜鈍綏螨和280個粉螨標(biāo)簽，分別對5種模型進(jìn)行評估。在相同IoU閾值下，由表1可知，YOLOv4模型針對胡瓜鈍綏螨的平均檢測精度比YOLOv4-Tiny模型高4.48百分點，比YOLOv3模型高0.11百分點，比Faster-RCNN模型高25.39百分點，比EfficientDet模型高7.91百分點，以上數(shù)據(jù)表明YOLOv4模型針對于胡瓜鈍綏螨的檢測能力更為優(yōu)秀。

表1 不同算法在測試集檢測結(jié)果

YOLOv4檢測模型檢測2類螨蟲的檢測精度均值高于YOLOv4-Tiny模型14.85百分點，高于YOLOv3模型2.12百分點，高于Faster-RCNN模型35.77百分點，高于EfficientDet模型27.18百分點。針對螨蟲小目標(biāo)數(shù)據(jù)集，YOLOv4模型的檢測精度均高于其他檢測模型。

對單幅圖片檢測時間進(jìn)行測試，使用圖像采集裝置拍攝10幅螨蟲照片，分別使用5個模型對采集的照片進(jìn)行預(yù)測計時，平均檢測時間為檢測10幅照片所耗費(fèi)的時間均值，其中YOLOv4-Tiny模型由于結(jié)構(gòu)是YOLOv4的簡化版，只使用2個預(yù)測特征層，網(wǎng)絡(luò)參數(shù)少，預(yù)測時間最快，達(dá)到平均檢測單幅圖片時間為0.098 s，YOLOv3平均檢測單幅圖片時間為0.115 s，YOLOv4平均檢測單幅圖片時間為0.137 s，F(xiàn)aster-RCNN平均檢測單幅圖片時間為0.154 s，EfficientDet模型平均檢測單幅圖片時間最慢為0.164 s。YOLOv4在5個模型中檢測時間為中等，平均檢測時間為0.137 s，滿足質(zhì)量檢測過程對速度的要求。

4 結(jié)論

本研究使用采集裝置隨機(jī)拍攝3幅螨蟲圖片進(jìn)行試驗，在圖片中存在雜質(zhì)且螨蟲相接觸的情況下，YOLOv4模型均能夠準(zhǔn)確檢測胡瓜鈍綏螨、粉螨，檢測效果明顯優(yōu)于同系列的YOLOv4-Tiny、YOLOv3模型，及主流算法Faster R-CNN和EfficientDet模型。

通過現(xiàn)場隨即拍攝圖片對5種模型進(jìn)行檢測計時，結(jié)果表明YOLOv4模型檢測單幅圖片平均時間僅需0.137 s，檢測速度達(dá)到現(xiàn)場應(yīng)用要求。

本研究所構(gòu)建的YOLOv4胡瓜鈍綏螨檢測模型與現(xiàn)有的幾種流行檢測模型進(jìn)行比較，結(jié)果表明，YOLOv4模型對胡瓜鈍綏螨檢測精度分別比YOLOv4-Tiny模型高4.48百分點，比YOLOv3模型高0.11百分點，比Faster-RCNN模型高25.39百分點，比EfficientDet模型高7.91百分點，YOLOv4檢測模型對胡瓜鈍綏螨和粉螨檢測精度均值均高于YOLOv4-Tiny、YOLOv3、Faster-RCNN、EfficientDet模型，能達(dá)到高準(zhǔn)確率檢測胡瓜鈍綏螨。

通過測試集與實際拍攝圖片測試表現(xiàn)，本研究提出基于YOLOv4檢測算法應(yīng)用于螨蟲檢測計數(shù)方案是可行的，達(dá)到目前工業(yè)化生產(chǎn)胡瓜鈍綏螨質(zhì)量檢測自動精確計數(shù)的要求，具有很好的應(yīng)用價值。