改進(jìn)的基于YOLOv5s蘋果樹葉病害檢測(cè)

周紹發(fā) 肖小玲 劉忠意 魯力

摘要：針對(duì)目前在復(fù)雜環(huán)境下蘋果樹葉病害檢測(cè)準(zhǔn)確度低、魯棒性差、計(jì)算量大等問題，提出一種改進(jìn)的基于YOLOv5s蘋果樹葉病害的檢測(cè)方法。首先，該方法在YOLOv5s網(wǎng)絡(luò)基礎(chǔ)上，選擇考慮方向性的SIoU邊框損失函數(shù)替代CIoU邊框損失函數(shù)，使網(wǎng)絡(luò)訓(xùn)練和推理過程更快，更準(zhǔn)確。其次，在特征圖轉(zhuǎn)換成固定大小的特征向量的過程中，使用了簡單化的快速金字塔池化（SimSPPF）替換快速金字塔池化（SPPF）模塊，在不影響效率的情況下丟失的信息更少。最后在主干網(wǎng)絡(luò)中使用BoTNet（bottleneck transformers）注意力機(jī)制，使網(wǎng)絡(luò)準(zhǔn)確的學(xué)習(xí)到每種病害的獨(dú)有特征，并且使網(wǎng)絡(luò)收斂更快。結(jié)果表明，相比于基準(zhǔn)網(wǎng)絡(luò)YOLOv5s，改進(jìn)后的YOLOv5s網(wǎng)絡(luò)mAP精度為86.5%，計(jì)算量為15.5GFLOPs，模型權(quán)重大小為13.1 MB，相對(duì)于基準(zhǔn)YOLOv5s，平均精度提升了6.3百分點(diǎn)、計(jì)算量降低了0.3GFLOPs、模型權(quán)重壓縮了1 MB。并適用于遮擋、陰影、強(qiáng)光、模糊的復(fù)雜環(huán)境。本研究所提出的方法，在降低了網(wǎng)絡(luò)大小、權(quán)重、計(jì)算量的情況下提高了復(fù)雜環(huán)境下蘋果樹葉病害的檢測(cè)精度，且對(duì)復(fù)雜環(huán)境具有一定的魯棒性。在預(yù)防和治理蘋果樹葉病害上有較高的實(shí)際應(yīng)用價(jià)值，在后續(xù)研究上，會(huì)擴(kuò)充更多類別的病害數(shù)據(jù)集，部署到無人機(jī)等物聯(lián)網(wǎng)設(shè)備，從而為實(shí)現(xiàn)智能果園種植提供技術(shù)參考。

關(guān)鍵詞：蘋果樹葉病害；目標(biāo)檢測(cè)；YOLOv5s；bottleneck transformers；SIoU

中圖分類號(hào)：TP391.41? 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2023）13-0212-09

據(jù)國家統(tǒng)計(jì)局2016—2018年全國果園數(shù)據(jù)，蘋果園的占比達(dá)到了18%，在所有種植水果種類中，是僅次于柑橘的第二大果類，其產(chǎn)量已經(jīng)達(dá)到了 4 139萬t［1］。蘋果產(chǎn)量受到氣候、土壤地質(zhì)、灌溉、病害等多種因素的影響。在眾多因素中，蘋果病害是影響產(chǎn)量的最重要因素之一，而樹葉的病害是最常見的。蘋果樹葉病害的特點(diǎn)是種類多且某些病害表現(xiàn)相似，用肉眼難以區(qū)分，導(dǎo)致無法準(zhǔn)確定位病害，最終導(dǎo)致產(chǎn)量下降。因此，準(zhǔn)確識(shí)別出蘋果樹葉病害的類別，是防治病害與對(duì)癥下藥的重要前提［2］。

傳統(tǒng)的病害檢測(cè)方法主要為對(duì)含有病害的圖片進(jìn)行分析，一般是基于圖片的機(jī)器學(xué)習(xí)方法，其代表方法有基于支持向量機(jī)（SVM）和圖片RGB特性分析，以及利用優(yōu)化算法提高其他機(jī)器學(xué)習(xí)方法組合類方法［3］。但是以上方法表現(xiàn)的好壞太依賴于特征提取的方法以及原本數(shù)學(xué)方法的局限。

深度學(xué)習(xí)法對(duì)于圖像的特征提取與整合有著較大的進(jìn)步，已被用于各種植物病害檢測(cè)。根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的不同，Bari等使用改進(jìn)的Fast R CNN（卷積神經(jīng)網(wǎng)絡(luò)）實(shí)現(xiàn)了對(duì)稻葉的常見病害檢測(cè)并具有高精度實(shí)現(xiàn)效果［3］；王超學(xué)等使用YOLOv3來檢測(cè)葡萄的病蟲害并實(shí)現(xiàn)了實(shí)際部署［4］；Richey等使用YOLOv4實(shí)現(xiàn)了低時(shí)延的玉米病害檢測(cè)［5］；Haque等使用YOLOv5實(shí)現(xiàn)了蔬菜病害檢測(cè)，提高了對(duì)小范圍病害的檢測(cè)和定位效果［6］；雷建云等使用改進(jìn)的殘差網(wǎng)絡(luò)實(shí)現(xiàn)了多種類的水稻害蟲識(shí)別，并實(shí)現(xiàn)了77.12%的高準(zhǔn)確率和強(qiáng)魯棒性［7］。

上述方法大多數(shù)都能對(duì)研究目標(biāo)實(shí)現(xiàn)較為準(zhǔn)確的檢測(cè)，但是很少考慮所提出方法在面對(duì)不同環(huán)境下的蘋果樹葉病害是否能夠?qū)崿F(xiàn)高準(zhǔn)確率、更小計(jì)算量的檢測(cè)。為解決此類問題，本研究提出一種以YOLOv5網(wǎng)絡(luò)為基礎(chǔ)，加入Bottleneck Transformers注意力機(jī)制，并使用簡單化后的快速金字塔池化（SimSPPF）代替原有的快速金字塔池化（SPPF）網(wǎng)絡(luò)，以期實(shí)現(xiàn)在復(fù)雜環(huán)境下高準(zhǔn)確率的蘋果樹葉病害檢測(cè)。

1 材料與方法

1.1 數(shù)據(jù)集來源

本研究的蘋果樹葉病害數(shù)據(jù)是自建數(shù)據(jù)集，一部分來自AI Studio，為收集不同環(huán)境下的蘋果病害圖片，使用網(wǎng)絡(luò)爬蟲、谷歌搜索等技術(shù)獲取另外一部分，總計(jì)2 041張，圖片格式為jpg，像素為1 000×750。為防止數(shù)據(jù)集過少產(chǎn)生過擬合和泛化性差的現(xiàn)象，通過旋轉(zhuǎn)、平移、等比例縮放、垂直和水平翻轉(zhuǎn)等數(shù)據(jù)增強(qiáng)方法，數(shù)據(jù)集總量為4 082張。葉片病害的種類有4類：蛙眼?。╢rog eye）、白粉?。╬owdery mildew）、銹葉病（rust）、斑點(diǎn)病（scab），具體見圖1。

1.2 數(shù)據(jù)預(yù)處理及分析

收集到的數(shù)據(jù)是沒有標(biāo)注或者標(biāo)注不準(zhǔn)確的。使用Label-Img對(duì)全部蘋果樹葉做病害標(biāo)注。采用最大矩形框標(biāo)注明顯病害處，標(biāo)注格式為YOLO的txt格式。每張圖片至少有1個(gè)病害標(biāo)注。葉片標(biāo)注示例與標(biāo)簽分布見圖2。

1.3 YOLOv5網(wǎng)絡(luò)

YOLOv5網(wǎng)絡(luò)是在YOLOv4的基礎(chǔ)上改進(jìn)的1階段（one-stage）目標(biāo)檢測(cè)方法［8］，相較于生成候選區(qū)域（region proposal），再通過卷積神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)目標(biāo)的分類與定位的2階段（two-stage）檢測(cè)方法更加簡潔有效。YOLOv5具體的改進(jìn)是增加了自適應(yīng)錨框和K-means算法聚類，并采用遺傳算法在訓(xùn)練過程中調(diào)整錨框。使得整個(gè)訓(xùn)練過程可以找到更好的先驗(yàn)框，提高檢測(cè)準(zhǔn)確率。YOLOv5根據(jù)不同的使用場景目的有YOLOv5l、YOLOv5m、YOLOv5s等版本，為保證算法的實(shí)時(shí)性和大小可控，本研究選擇了YOLOv5s版本，具體結(jié)構(gòu)見圖3。

YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)大致分成4個(gè)部分：輸入（input）、主干網(wǎng)絡(luò)（backone）、頸部（neck）及預(yù)測(cè)頭（head）。首先輸入部分是對(duì)圖像進(jìn)行預(yù)處理，如Mosaic增強(qiáng)。主干網(wǎng)絡(luò)通過卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征信息，頸部負(fù)責(zé)將信息上采樣，不同網(wǎng)絡(luò)層的特征信息融合并將圖像特征傳遞到預(yù)測(cè)層。預(yù)測(cè)頭對(duì)圖像特征進(jìn)行預(yù)測(cè)，生成邊界框并預(yù)測(cè)類別。

1.4 YOLOv5s網(wǎng)絡(luò)的改進(jìn)

1.4.1 SIoU 邊界框回歸損失是評(píng)價(jià)目標(biāo)檢測(cè)算法準(zhǔn)確度的重要評(píng)判標(biāo)準(zhǔn)之一，而最常用的計(jì)算指標(biāo)是交并比（IoU），即目標(biāo)檢測(cè)中預(yù)測(cè)框與真實(shí)框的重疊程度，具體見式1。IoU值越高說明A框與B框重合程度越高，代表模型預(yù)測(cè)越準(zhǔn)確。

IoU=｜A∩B｜｜A∪B｜。（1）

式中：A代表預(yù)測(cè)框；B代表真實(shí)框。

但是IoU對(duì)尺度不敏感，如果2個(gè)框沒有相交，根據(jù)定義，IoU=0，不能反映2個(gè)框的距離大小，會(huì)造成Loss=0沒有梯度回傳，無法進(jìn)行學(xué)習(xí)訓(xùn)練。隨著目標(biāo)檢測(cè)技術(shù)的不斷改進(jìn)，隨后出現(xiàn)不同的IoU改進(jìn)算法：在IoU的基礎(chǔ)上，解決邊界框不重合時(shí)的問題的GIoU［9］；在IoU和GIoU的基礎(chǔ)上，考慮邊界框中心點(diǎn)距離信息的DIoU［10］；在DIoU的基礎(chǔ)上，考慮邊界框?qū)捀弑瘸叨刃畔⒌腃IoU［11］。YOLOv5s默認(rèn)使用CIoU。

SCYLLA-IoU （SIoU）是Gevorgyan在2022年提出的新邊界框回歸損失函數(shù)，重新定義了懲罰指標(biāo)，極大改進(jìn)了目標(biāo)檢測(cè)算法的訓(xùn)練和推理速度。通過在損失函數(shù)代價(jià)中引入方向性，與現(xiàn)有方法CIoU損失相比，訓(xùn)練階段的收斂速度更快，推理性能更好［12］。主要由角度損失（angle cost）、距離損失（distance cost）、形狀損失（shape cost）、IoU損失（IoU cost）4個(gè)損失函數(shù)組成。

Angle cost的目的是如果α≤π4就最小化α，反之最小化β=π2-α。具體見圖4-a和式（2）。

Λ=1-2×sin2arcsinx-π4

x=chσ=sinα

σ=（bgtcx-bcx）2+（bgtcy-bcy）2

ch=max（bgtcy，bcy）-min（bgtcy，bcy）。（2）

式中：ch為真實(shí)框和預(yù)測(cè)框中心點(diǎn)的高度差；σ為真實(shí)框和預(yù)測(cè)框中心點(diǎn)的距離；sinα在訓(xùn)練過程中若大于45°取β，否則取α；bgtcx、bgtcy為真實(shí)框中心坐標(biāo)；bcx、bcy為預(yù)測(cè)框中心坐標(biāo)。

Distance cost是真實(shí)框和預(yù)測(cè)框的最小外接矩形相關(guān)。具體見圖4-b和式（3）。

Δ=∑t=x，y（1-e-γρt）

ρx=bgtcx-bcxcw2，ρy=bgtcy-bcych2，γ=2-Λ。（3）

式中：cw、ch為真實(shí)框和預(yù)測(cè)框最小外接矩形的寬和高；ρt指距離損失使用2次冪來賦權(quán)重。

Shape cost具體見式（4）：

Ω=∑t=w，h（1-e-ωt）θ

ωw=｜w-wgt｜max（w，wgt），ωh=｜h-hgt｜max（h，hgt）。（4）

式中：w、h，wgt、hgt分別為預(yù)測(cè)框和真實(shí)框的寬和高；θ控制對(duì)形狀損失的關(guān)注程度；ωt是由w、h共同確定的冪數(shù)值。

最終的損失函數(shù)包含了IoU cost，詳見圖4-c和式（5）。

Lbox=1-IoU+Δ+Ω2

IoU=｜B∩BGT｜｜B∪BGT｜。（5）

1.4.2 SimSPPF SPP（spatial pyramid pooling）結(jié)構(gòu)又被稱為空間金字塔池化，是He等在2015年提出的，它能將任意大小的特征圖轉(zhuǎn)換成固定大小的特征向量［13］。這避免了對(duì)圖像區(qū)域裁剪、縮放等操作導(dǎo)致的圖像失真等問題，解決了提取到重復(fù)特征的問題，極大地提高了產(chǎn)生候選框的速度，且節(jié)省了計(jì)算成本。而YOLOv5在SPP的基礎(chǔ)上將原本并行的Maxpool替換成串行Maxpool，并行和串行的效果一樣，但串行的效率更高，稱之為SPPF。而SimSPPF將SPPF的激活函數(shù)SiLU替換為ReLU，更加高效，具體改變見圖5。

1.4.3 BoTNet 當(dāng)前，注意力機(jī)制在目標(biāo)檢測(cè)領(lǐng)域已經(jīng)得到廣泛應(yīng)用［14］。注意力機(jī)制的靈感來自于人類視覺面對(duì)不同事物時(shí)會(huì)選擇性地關(guān)注重要的信息部分，忽略其他不重要的信息。在注意力機(jī)制的幫助下，神經(jīng)網(wǎng)絡(luò)可以將有限的計(jì)算能力去捕捉更重要的圖像特征，最終達(dá)到更好的檢測(cè)精度。

為了使網(wǎng)絡(luò)能夠在不加大計(jì)算量的前提下獲取到更重要的蘋果樹葉病害特征，引入了BoTNet（bottleneck transformers）——基于ResNet改進(jìn)的一種多頭自注意力機(jī)制（multi-head self-attention，MHSA）［15］。BoTNet與ResNet相比，是在一個(gè)標(biāo)準(zhǔn)的bottleneck block中將空間3×3卷積層替換成MHSA，差異見圖6，而MHSA原理見圖7。

不同的注意力層對(duì)應(yīng)不同的樹葉病害類別，在自注意力部分采用的是相對(duì)位置編碼［16］。具體計(jì)算見式（6）至式（8）。

Attention（Q，K，V）=softmaxQKTdkV。（6）

式中：Attention（Q，K，V）為得到的注意力的值；Q、K、V分別為查詢量（query）、鍵（key）和值（value）；dk是key的維度。

MHSA是由多個(gè)不同的單注意力組成，具體見式（7）～式（8）。

headi=Attention（QWQi，KWKi，VWVi）；（7）

MultiHead（Q，K，V）=Concati（headi）WO。（8）

式（7）至式（8）中：Wi和WO為參數(shù)矩陣。

綜上，改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)對(duì)不同病害添加了注意力機(jī)制，能夠?qū)W習(xí)到每種病害獨(dú)有的特征，在提取特征時(shí)，使用更加高效的SimSPPF，并在預(yù)測(cè)階段引入了具有方向性的SIoU，提高了推理速度及準(zhǔn)確度。整體改進(jìn)的結(jié)構(gòu)見圖8。

2 結(jié)果與分析

2.1 試驗(yàn)環(huán)境與參數(shù)設(shè)置

本研究試驗(yàn)的環(huán)境：CPU為AMD R5 5600，GPU為NVIDIA RTX 3070，操作系統(tǒng)為Windows10，編譯環(huán)境為Python3.7、Pytorch1.12.1深度學(xué)習(xí)框架，GPU訓(xùn)練加速為CUDA11.6。試驗(yàn)時(shí)間為2022年7—9月，試驗(yàn)地點(diǎn)為長江大學(xué)農(nóng)學(xué)院與計(jì)算機(jī)科學(xué)學(xué)院。試驗(yàn)初始參數(shù)設(shè)置見表1。

表1中圖像大小是調(diào)整大小之后得來的，學(xué)習(xí)率下降方式采用余弦退火（cosine annealing），實(shí)現(xiàn)動(dòng)態(tài)的學(xué)習(xí)率。Batch size為16，訓(xùn)練總的輪次為300次（epoch）。在每個(gè)epoch中，對(duì)圖片的色調(diào)、飽和度、亮度進(jìn)行變化調(diào)整，并使用了Mosaic方式將多張圖片進(jìn)行拼接，以實(shí)現(xiàn)每個(gè)輪次的數(shù)據(jù)都是不同的，增加網(wǎng)絡(luò)的泛化性。將原始數(shù)據(jù)集按照? 8 ∶1 ∶1 的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。

2.2 評(píng)價(jià)指標(biāo)

本研究采用目標(biāo)檢測(cè)領(lǐng)域常見的精準(zhǔn)率（precision，P）、召回率（recall，R）、IoU閾值設(shè)置為0.5的平均精度均值mAP（mean average precision，mAP）和計(jì)算量（GFLOPs）作為評(píng)價(jià)指標(biāo)。其中GFLOPs代表10億次浮點(diǎn)運(yùn)算量，其他具體計(jì)算見式（9）～式（12）。

P=TpTp+Fp；（9）

R=TpTp+Fn；（10）

PmAP=∫10P（R）dR；（11）

PmAP=∑PmAPn；（12）

式中：TP（true postives）是預(yù)測(cè)正確的正類樣本數(shù)量；FP（false postives）是預(yù)測(cè)錯(cuò)誤的正類樣本數(shù)量；Fn（false negatives）是預(yù)測(cè)錯(cuò)誤的負(fù)類樣本數(shù)量；n為預(yù)測(cè)的類別數(shù)。

2.3 對(duì)比試驗(yàn)

2.3.1 損失對(duì)比 對(duì)本研究改進(jìn)后的YOLOv5s與原YOLOv5s進(jìn)行對(duì)比試驗(yàn)，除本研究改進(jìn)部分，其他網(wǎng)絡(luò)參數(shù)都參照表1設(shè)定，類別訓(xùn)練損失與類別驗(yàn)證損失的過程見圖9。由圖9可知，改進(jìn)后的網(wǎng)絡(luò)，在同樣的迭代輪次的情況下，損失更小，網(wǎng)絡(luò)訓(xùn)練更高效。

2.3.2 注意力機(jī)制對(duì)比 為驗(yàn)證本研究所提出的BoTNet注意力機(jī)制的有效性，在基準(zhǔn)模型采用YOLOv5s，且在超參數(shù)和圖像輸入設(shè)置相同的情況下，分別將其與當(dāng)前比較熱門的SE（squeeze-and-excitation）、CBAM（convolutional block attention module）、SimAM（simple attention module）注意力機(jī)制進(jìn)行對(duì)比，試驗(yàn)結(jié)果見表2、圖10。

由表2、圖10可知，本研究提出的BoTNet注意力機(jī)制在更小的計(jì)算量和模型權(quán)重的情況下，能實(shí)現(xiàn)更高的目標(biāo)檢測(cè)精度。

2.3.3 網(wǎng)絡(luò)對(duì)比及消融試驗(yàn) 為體現(xiàn)本研究所提出網(wǎng)絡(luò)性能的優(yōu)越性，選取SSD、YOLOv3、YOLOv4、YOLOX等幾種熱門目標(biāo)檢測(cè)網(wǎng)絡(luò)。都使用默認(rèn)網(wǎng)絡(luò)參數(shù)，且其他條件相同的情況下進(jìn)行了對(duì)比試驗(yàn)。各種網(wǎng)絡(luò)試驗(yàn)結(jié)果見表3。

由表3可知，在最重要的評(píng)價(jià)指標(biāo)mAP上，改進(jìn)后的YOLOv5s網(wǎng)絡(luò)比SSD網(wǎng)絡(luò)提升27.9百分點(diǎn)；比YOLOv3網(wǎng)絡(luò)提升26.6百分點(diǎn)；比YOLOv4提升20.6百分點(diǎn)；比YOLOX網(wǎng)絡(luò)提升16.2百分點(diǎn)；比基準(zhǔn)YOLOv5s網(wǎng)絡(luò)提升6.3百分點(diǎn)。在精準(zhǔn)率和召回率上也都遠(yuǎn)高于其他網(wǎng)絡(luò)。

為全面地驗(yàn)證本研究所提出每個(gè)改進(jìn)部分的有效性，對(duì)每個(gè)改進(jìn)部分進(jìn)行消融試驗(yàn)（ablation experiment），即在網(wǎng)絡(luò)其他條件不變下，每次只增加1個(gè)改進(jìn)部分的試驗(yàn)。試驗(yàn)結(jié)果見表4。

通過表4的試驗(yàn)數(shù)據(jù)可知，每個(gè)改進(jìn)的部分都有效果，在將IoU損失函數(shù)改成SIoU后，mAP上升，同時(shí)權(quán)重大小有微小的下降，說明SIoU相較于CIoU是更高效的。使用了SimSPPF和BoTNet后，在權(quán)重大小和計(jì)算量（GFLOPs）下降的情況下，mAP實(shí)現(xiàn)了明顯的上升。說明在將任意大小的特征圖轉(zhuǎn)換成固定大小的特征向量的過程中，SimSPPF丟失的信息更少。而BoTNet讓整個(gè)網(wǎng)絡(luò)更好地學(xué)習(xí)到了每種病害的獨(dú)有特征。

2.4 實(shí)例檢測(cè)

選取測(cè)試集的圖片，使用上述訓(xùn)練好的各個(gè)網(wǎng)絡(luò)進(jìn)行實(shí)例檢測(cè)，實(shí)例檢測(cè)結(jié)果見圖11。

由圖11可知，本研究所提出的方法，在識(shí)別病害時(shí)平均置信度是最高的，實(shí)現(xiàn)了更準(zhǔn)確的檢測(cè)。

為驗(yàn)證本研究所提出網(wǎng)絡(luò)在不同環(huán)境下的魯棒性，選擇遮擋、陰影、強(qiáng)光、模糊4種非正常環(huán)境的部分測(cè)試集圖片。環(huán)境實(shí)例檢測(cè)見圖12。由圖12可知，本研究所提出的方法在復(fù)雜的環(huán)境下也能達(dá)到較高的準(zhǔn)確度。

3 結(jié)論

針對(duì)目前蘋果樹葉病害檢測(cè)準(zhǔn)確度低的問題，本研究提出了一種基于YOLOv5s的方法，首先將邊界框損失函數(shù)替換成考慮方向性的SIoU，實(shí)現(xiàn)了更高效的網(wǎng)絡(luò)訓(xùn)練，更加準(zhǔn)確的推理。在提取圖片特征并轉(zhuǎn)換為固定特征的過程中，使用了更優(yōu)的SimSPPF，丟失的圖片特征信息更少。在網(wǎng)絡(luò)訓(xùn)練過程中加入了BoTNet注意力機(jī)制，使網(wǎng)絡(luò)能學(xué)習(xí)到每種病害的獨(dú)有特征。試驗(yàn)表明，所改進(jìn)的網(wǎng)絡(luò)相比于其他網(wǎng)絡(luò)，有著更高的mAP，更低的計(jì)算量，更小的模型權(quán)重。對(duì)復(fù)雜環(huán)境下采集到的葉片病害圖片也能準(zhǔn)確地檢測(cè)，具有一定的環(huán)境魯棒性。在

實(shí)際的病蟲害防護(hù)中，具有一定的應(yīng)用價(jià)值。后續(xù)，會(huì)收集更加復(fù)雜環(huán)境下的數(shù)據(jù)，增加數(shù)據(jù)集，并采用不同數(shù)據(jù)預(yù)處理方法來提取不同環(huán)境下的圖片特征，來達(dá)到更好的模型泛化性能與精確度。

參考文獻(xiàn)：

［1］李會(huì)賓，史 云. 果園采摘機(jī)器人研究綜述［J］. 中國農(nóng)業(yè)信息，2019，31（6）：1-9.

［2］李書琴，陳 聰，朱 彤，等. 基于輕量級(jí)殘差網(wǎng)絡(luò)的植物葉片病害識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（3）：243-250.

［3］Bari B S，Islam M N，Rashid M，et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework［J］. Peer J Computer Science，2021，7：e432.

［4］王超學(xué)，祁 昕，馬 罡，等. 基于YOLOv3的葡萄病害人工智能識(shí)別系統(tǒng)［J］. 植物保護(hù)，2022，48（6）：278-288.

［5］Richey B，Shirvaikar M V. Deep learning based real-time detection of northern corn leaf blight crop disease using YOLOv4［C］//Real-Time Image Processing and Deep Learning. 2021：39-45.

［6］Haque M E，Rahman A，Junaeid I，et al. Rice leaf disease classification and detection using YOLOv5［EB/OL］. （2022-09-04）［2022-10-10］. https：//arxiv.org/pdf/2209.01579.pdf.

［7］雷建云，陳 楚，鄭 祿，等. 基于改進(jìn)殘差網(wǎng)絡(luò)的水稻害蟲識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2022，50（14）：190-198.

［8］Ultralytics.YOLOv5［EB/OL］. （2020-06-26）［2022-02-22］. https：//github.com/ultralytics/YOLOv5.

［9］Rezatofighi H，Tsoi N，Gwak J Y，et al. Generalized intersection over union：a metric and a loss for bounding box regression［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019：658-666.

［10］Zheng Z，Wang P，Liu W，et al. Distance-IoU loss：faster and better learning for bounding box regression［C］//Proceedings of the AAAI Conference on Artificial Intelligence. 2020：12993-13000.

［11］Zheng Z H，Wang P，Ren D W，et al. Enhancing geometric factors in model learning and inference for object detection and instance segmentation［J］. IEEE Transactions on Cybernetics，2022，52（8）：8574-8586.

［12］Gevorgyan Z.SIoU loss：more powerful learning for bounding box regression［EB/OL］. （2022-05-25）［2022-10-10］. https：//arxiv.org/abs/2205.12740.

［13］He K M，Zhang X Y，Ren S Q，et al. Spatial pyramid pooling in deep convolutional networks for visual recognition［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2015，37（9）：1904-1916.

［14］Guo M H，Xu T X，Liu J J，et al. Attention mechanisms in computer vision：a survey［J］. Computational Visual Media，2022，8（3）：331-368.

［15］Srinivas A，Lin T Y，Parmar N，et al. Bottleneck transformers for visual recognition［C］//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Nashville：IEEE，2021：16514-16524.

［16］Shaw P，Uszkoreit J，Vaswani A.Self-attention with relative position representations［EB/OL］. （2018-04-12）［2022-09-10］. https：//arxiv.org/pdf/1803.02155.pdf.