YOLOv5s-CBAM算法在福壽螺蟲卵識別中的應(yīng)用分析

黃堯 何敬 付饒 劉剛 林遠楊

摘要：福壽螺是我國重點關(guān)注的入侵物種，對農(nóng)作物生長和生態(tài)環(huán)境會造成不利影響。及時獲取福壽螺蟲卵的分布信息，對于提前防治其入侵能起到有效的幫助作用?；赮OLOv5s基礎(chǔ)網(wǎng)絡(luò)模型，引入CBAM（Convolutional Block Attention Module）注意力機制模塊，以提高在復(fù)雜的自然環(huán)境下對福壽螺蟲卵特征信息的提取，提出YOLOv5s-CBAM模型進行福壽螺蟲卵識別方法。試驗結(jié)果表明，引入CBAM的識別效果要好于引入CA和SE注意力模塊。同時，引入CBAM的YOLOv5s-CBAM模型，識別效果優(yōu)于原基礎(chǔ)YOLOv5s模型，一定程度上能夠克服倒影、植物遮擋等因素干擾。且平均精度均值達到83.8%，相比原模型提升2.5個百分點?；谏疃葘W(xué)習(xí)的方法對復(fù)雜自然環(huán)境中的福壽螺蟲卵進行識別是切實可行的，為福壽螺等入侵物種的監(jiān)測防控提供新的思路。

關(guān)鍵詞：深度學(xué)習(xí)；YOLOv5s算法；注意力機制；福壽螺蟲卵；圖像識別

中圖分類號：TP391.4

文獻標(biāo)識碼：A

文章編號：2095-5553 （2024） 06-0223-06

收稿日期：2022年8月29日

修回日期：2022年10月25日

*基金項目：成都市技術(shù)創(chuàng)新研發(fā)項目（2022—YF05—01090—SN0）；地質(zhì)災(zāi)害防治與地質(zhì)環(huán)境保護國家重點實驗室項目（SKLGP2018Z010）；四川省科技計劃項目（2021YFG0365）；四川省自然資源廳科研項目（kj—2021—3）

第一作者：黃堯，男，1997年生，四川達州人，碩士研究生；研究方向為農(nóng)業(yè)遙感。E-mail： 1337952086@qq.com

通訊作者：何敬，男，1983年生，河南光山人，博士，副教授；研究方向為無人機影像處理、傾斜三維建模及遙感目標(biāo)自動識別。E-mail： xiao00yao@163.com

Application analysis of the YOLOv5s-CBAM algorithm for the identification of eggs of Pomacea

Huang Yao¹， He Jing¹， Fu Rao¹， Liu Gang^{1， 2}， Lin Yuanyang¹

（1. College of Earth Sciences， Chengdu University of Technology， Chengdu， 610059， China;

2. State Key Laboratory of Geohazard Prevention and Geoenvironmental Protection，

Chengdu University of Technology， Chengdu， 610059， China）

Abstract： Pomacea is an invasive species of major concern in China， which can have a negative impact on crop growth and the ecological environment. The timely acquisition of information on the distribution of eggs of Pomacea can help to prevent and control its invasion in advance. In order to improve the extraction of feature information from the Pomacea eggs in complex natural environments， this paper suggests a YOLOv5s-CBAM model for eggs of Pomacea recognition based on the YOLOv5s base network model and incorporating the CBAM （Convolutional Block Attention Module） attention mechanism module. The experimental results show that the incorporation of the CBAM module provides better recognition than the introduction of the CA and SE attention modules. The YOLOv5s-CBAM model， which incorporates CBAM， has a stronger recognition impact than the original YOLOv5s model and can， in some cases， overcome interference from elements like plant obscuration and reflection in the water. A 2.5 percentage point improvement over the original model， the mAP now stands at 83.8%. The method based on deep learning is feasible to identify the eggs of Pomacea in photographs obtained in complicated natural environment， which provides a fresh perspectives for the monitoring， prevention， and management of invasive species such as Pomacea.

Keywords： deep learning; YOLOv5s algorithm; attention mechanism; eggs of Pomacea; image recognition

0 引言

福壽螺為軟體動物門瓶螺科的淡水螺類，又稱為雪螺、大瓶螺和蘋果螺等，原產(chǎn)于南美洲區(qū)域，后在北美地區(qū)廣泛傳播^[1]。20世紀80年代作為水生經(jīng)濟作物被引入中國，因口感不佳而被棄養(yǎng)，后來成為我國重點關(guān)注的外來入侵物種^{[2， 3]}。福壽螺具有繁殖快、適應(yīng)性強、食性雜和擴散快等特點，嚴重威脅作物生長品質(zhì)及影響農(nóng)作物的產(chǎn)量^[4]。并且由于缺乏天敵，長期適應(yīng)環(huán)境，目前福壽螺已擴散到重慶、四川、安徽、湖南、江蘇、福建、上海等地，有相關(guān)福壽螺危害記錄的多達14個省或直轄市^[5]。當(dāng)前，入侵我國的福壽螺主要有3種，小管福壽螺（Pomacea canaliculata）、斑點福壽螺（Pomacea macula-ta）以及新類別Pomacea sp等^[6]。

獲得福壽螺蟲卵的分布信息是防治其入侵及危害的重要基礎(chǔ)之一^[7]。近年來深度學(xué)習(xí)技術(shù)的快速發(fā)展，為精確快速的識別農(nóng)作物病蟲害提供了可行的方案。苗海委等^[8]通過改進的SSD算法，對粘蟲板誘捕的六類儲糧害蟲進行識別，檢測平均正確率mAP達到81.36%。Chen等^[9]利用VGGNet模型對水稻病害圖像進行類別識別，平均準(zhǔn)確率達到92.00%。張博等^[10]通過一種改進的YOLOv3模型，對農(nóng)作物害蟲進行識別，平均識別準(zhǔn)確率為88.07%。駱潤玫等^[11]利用改進的YOLOv5模型，在復(fù)雜背景下對廣佛手病蟲害進行識別，7種病蟲害的平均精度為93.61%。Fuentes等^[12]提出了一種基于深度學(xué)習(xí)識別植物的方法，用于檢測識別番茄植物病蟲害，該模型識別9種類型番茄疾病的平均精度達到85.98%。目前，大量的研究人員利用深度學(xué)習(xí)的方法來實時檢測識別農(nóng)作物害蟲，但對于福壽螺等入侵物種的識別監(jiān)測研究還比較少。

在自然環(huán)境中福壽螺蟲卵圖像背景復(fù)雜，且蟲卵體積小，經(jīng)常附著于植物莖稈和葉片下不易被識別。本文基于YOLOv5s網(wǎng)絡(luò)模型，并融入CBAM（Convolutional Block Attention Module）雙注意力機制模塊以增強網(wǎng)絡(luò)對目標(biāo)圖像特征的提取能力，提出一種福壽螺蟲卵的識別方法，對精確防治福壽螺的入侵提供新思路。

1 材料與方法

1.1 試驗數(shù)據(jù)集

本研究所用數(shù)據(jù)是南京航空航天大學(xué)劉寧鐘教授公開的數(shù)據(jù)集，利用大疆無人機（FC2220）進行多角度低空拍攝收集，采集位置為太湖水域（東經(jīng)119°11′至121°53′，北緯30°08′至32°08′）。數(shù)據(jù)集網(wǎng)址為（https：//drive.google.com/file/d/1lOUIUelA6mdm

Brr2WswQrHjDf6edt9Xu/view？usp=sharing）。在此感謝劉寧鐘教授團隊提供的福壽螺蟲卵公開數(shù)據(jù)集，為本試驗提供了數(shù)據(jù)基礎(chǔ)。數(shù)據(jù)集每張圖像大小為1000像素×800像素，其中圖像涵蓋各種常見的場景，以確保模型有更高的魯棒性。數(shù)據(jù)集中標(biāo)簽種類為AliveAmpullariaGigas和AmpullariaGigas兩種，分別表示活著的蟲卵和死亡的蟲卵。數(shù)據(jù)集樣例如圖1所示。

1.2 福壽螺蟲卵識別模型

目前基于深度學(xué)習(xí)的目標(biāo)檢測算法有很多種，YOLO（You Only Look Once）是高效快捷的目標(biāo)檢測方法之一^[13]。YOLO是從網(wǎng)絡(luò)中直接提取特征來預(yù)測目標(biāo)分類和位置，本研究使用YOLOv5來構(gòu)建識別模型。根據(jù)網(wǎng)絡(luò)的深度和寬度，YOLOv5可分為四種基礎(chǔ)架構(gòu)，YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x，模型的復(fù)雜度依次增大，模型的準(zhǔn)確率也依次有所提升，但是運行速度和占用的計算資源也會增大^[14]。YOLOv5網(wǎng)絡(luò)主要由三部分組成，Backbone、Neck和Head。輸入圖像后，Backbone在不同的圖像粒度上聚合形成圖像特征，Neck對圖像特征進行拼接并傳輸?shù)筋A(yù)測層，然后Head對圖像特征進行預(yù)測，生成邊界框和預(yù)測類別^[15]。為快速準(zhǔn)確地識別出福壽螺蟲卵，本研究選用輕量化的YOLOv5s作為模型的基礎(chǔ)網(wǎng)絡(luò)，其結(jié)構(gòu)如圖2所示。

在福壽螺蟲卵目標(biāo)檢測任務(wù)中，因蟲卵占據(jù)像素數(shù)較少，其特征信息極易在深層網(wǎng)絡(luò)中丟失，出現(xiàn)漏檢、錯檢。因此，本研究在YOLOv5s的基礎(chǔ)上融合注意力機制模塊，以便于提高蟲卵特征信息的提取能力。注意力機制本質(zhì)上來說就是從眾多的信息中提取出更加重要的信息，忽略不相關(guān)信息^[16]，目標(biāo)檢測中常用的注意力機制有CBAM、CA和SE等。CBAM注意力機制包含2個獨立的模塊，通道注意力模塊（CAM）和空間注意力模塊（SAM），通過通道注意力模塊和空間注意力模塊可有效增大小目標(biāo)在整張?zhí)卣鲌D中的權(quán)重^[17]，促使小目標(biāo)信息更容易被模型學(xué)習(xí)。CBAM注意力機制模塊結(jié)構(gòu)如圖3所示。

根據(jù)前人的研究成果^[17]，本文將CBAM注意力機制融入backbone中，提取易被網(wǎng)絡(luò)忽略的小目標(biāo)信息，具體結(jié)構(gòu)如圖4所示。

CBAM注意力機制同時關(guān)注通道和空間信息^[18]，首先輸入一個C×H×W的特征F，在通道注意力模塊上經(jīng)過基于width的全局最大值池化和基于hight和全局平均池化，將尺寸為C×H×W的特征圖變成兩個C×1×1的特征圖。然后它們分別進入一個共享的兩層神經(jīng)網(wǎng)絡(luò)（MLP），第一層的神經(jīng)元個數(shù)為C/r，第二層神經(jīng)元個數(shù)為第一層的r倍，接著將神經(jīng)網(wǎng)絡(luò)的輸出特征進行壓縮空間維數(shù)，再通過加和操作進行合并結(jié)果，并經(jīng)過一個sigmoid激活函數(shù)得到權(quán)重系數(shù)M_c。最后將C×H×W的特征F與M_c做乘法操作，生成下一步空間注意力模塊需要的輸入特征F′。

空間注意力模塊將C×H×W的特征F′作為輸入特征圖，首先進行通道維度的最大池化和平均池化操作，得到兩個1×H×W的特征圖。然后將這兩個特征圖按照通道維度拼接在一起，只壓縮通道維度而不壓縮空間維度，接著進行一個卷積操作，將其降維為1個通道，再經(jīng)過sigmoid激活函數(shù)生成空間注意力的權(quán)重系數(shù)M_s，最后將權(quán)重系數(shù)M_s與特征F′相乘得到最終的細化特征F″。

1.3 評價指標(biāo)

識別模型的準(zhǔn)確性評價主要包括視覺比較和性能評價指標(biāo)。視覺比較是通過比較得到目標(biāo)的漏檢和誤檢，性能評價指標(biāo)包括識別準(zhǔn)確率和識別速度^[19]。速度指數(shù)是指識別圖像所需的平均時間。識別準(zhǔn)確率的基本指標(biāo)是準(zhǔn)確率Precision和召回率Recall。準(zhǔn)確率表示預(yù)測樣本中預(yù)測正確的樣本占所有預(yù)測樣本的比例。召回率表示預(yù)測樣本中預(yù)測正確的樣本占實際所有正樣本的比例。本研究使用準(zhǔn)確率、召回率和平均精度均值（Mean of Average Precision，mAP）作為模型的評價指標(biāo)。具體計算公式如式（1）～式（4）所示。

Precision=TPTP+FP×100%（1）

Recall=TPTP+FN×100%（2）

AP=∫¹₀Precision（Recall）dRecall（3）

mAP=1N∑Ni=1AP_i（4）

式中：TP——正確檢測到的蟲卵目標(biāo)數(shù)量；

FP——被錯誤檢測到的蟲卵目標(biāo)數(shù)量；

FN——未被檢測到的蟲卵目標(biāo)數(shù)量；

AP——P-R曲線的面積；

mAP——所有AP值的均值，mAP值越大，識別的精度越高。

本研究中N為2。

2 結(jié)果與分析

2.1 模型訓(xùn)練

本文訓(xùn)練所用操作系統(tǒng)為Windows10，在Anaconda3環(huán)境下搭建Pytorch框架和YOLOv5環(huán)境。硬件方面，處理器為Intel（R）Xeon（R） E5-2690，GPU 型號為Nvidia Quadro M6000。本文數(shù)據(jù)集分為訓(xùn)練集、驗證集和測試集，圖像數(shù)量分別為2450、1050和1500。將訓(xùn)練集和驗證集輸入網(wǎng)絡(luò)模型進行訓(xùn)練，經(jīng)過300次訓(xùn)練，得到訓(xùn)練集和驗證集的損失函數(shù)及mAP曲線（圖5）。從圖5可以看出，在開始的100次訓(xùn)練中，損失值下降很快，后面的訓(xùn)練損失下降變緩，并趨于穩(wěn)定，說明模型趨于收斂。圖5（c）和圖5（f）表示在訓(xùn)練過程中驗證集的識別精度情況。

2.2 識別結(jié)果對比

采用原YOLOv5s和融入CBAM注意力機制后的網(wǎng)絡(luò)對福壽螺蟲卵進行識別檢測，驗證融入CBAM后網(wǎng)絡(luò)的實際效果，圖6直觀展示了這兩種網(wǎng)絡(luò)模型對不同情形的識別能力。

如圖6所示，YOLOv5s和YOLOv5s-CBAM模型對于一些明顯的目標(biāo)都能準(zhǔn)確識別出來。由圖6（a）可知，YOLOv5s-CBAM模型對于目標(biāo)在水中的倒影判別能力要比YOLOv5s模型好；根據(jù)圖6（b）可知，當(dāng)背景與目標(biāo)物相近或者蟲卵特征不明顯時，YOLOv5s模型會出現(xiàn)遺漏的情形，說明YOLOv5s-CBAM模型提取蟲卵特征信息能力更強；而圖6（c）則表現(xiàn)了YOLOv5s模型對于蟲卵顏色相近的物體會出現(xiàn)誤判的情況；圖6（d）表現(xiàn)了當(dāng)蟲卵被遮擋時，兩種模型在蟲卵識別計數(shù)方面的差異，圖中的蟲卵本是一個，由于植物莖稈的遮擋，YOLOv5s模型錯誤的將其識別為兩個蟲卵。表1為加入CBAM注意力機制前后，模型的驗證精度情況。YOLOv5s-CBAM模型的準(zhǔn)確率和召回率都高于原YOLOv5s模型；平均精度均值為83.8%，相比原模型提高了2.5個百分點。由此可見，融入CBAM注意力機制的模型識別福壽螺蟲卵的有效性高于YOLOv5s基礎(chǔ)網(wǎng)絡(luò)模型。

2.3 不同注意力機制的對比試驗

為了驗證融合CBAM注意力機制模型的檢測效果，本文引入了其他兩種常見注意力機制CA和SE進行對比試驗。對比試驗是在相同的配置環(huán)境下，使用相同的訓(xùn)練參數(shù)訓(xùn)練相同的數(shù)據(jù)集進行的。圖7為對比試驗的模型訓(xùn)練結(jié)果，從圖7中可以看出YOLOv5s-CBAM模型的三個指標(biāo)均好于CA和SE。

從表2可以看出，添加SE和CBAM注意力機制的YOLOv5s-SE和YOLOv5s-CBAM模型，相比原始YOLOv5s模型，準(zhǔn)確率、召回率和平均精度均值均有所提高；而引入CA注意力機制的YOLOv5s-CA模型的準(zhǔn)確率、召回率和平均精度均值，相比原始YOLOv5s模型反而出現(xiàn)下降。試驗結(jié)果表明，YOLOv5s模型引入注意力機制確實能提升模型的檢測能力，但不一定每種注意力機制都適合，需要結(jié)合研究對象篩選合適的注意力機制模塊。

3 討論

本文所用的YOLOv5s-CBAM模型對福壽螺蟲卵進行自動識別，mAP（IoU=0.5）達到83.8%，基本能滿足福壽螺蟲卵監(jiān)控的需求。但本模型針對一些特殊情況仍存在誤識別和漏檢現(xiàn)象，情況如圖8所示。

如圖8（a）和圖8（e）所示，當(dāng)影像過曝或反光時，蟲卵影像會出現(xiàn)失真現(xiàn)象，特征信息不明確，本模型就出現(xiàn)漏檢。蟲卵死亡后，蟲卵顏色呈現(xiàn)灰白色（圖1），與巖石顏色相近，當(dāng)巖石出現(xiàn)與蟲卵相似的外形時，模型就會誤識別為死亡的蟲卵（圖8（b）和圖8（f））。相比劉寧鐘教授團隊的成果^[7]，本文研究方法雖尚未達到其相近的識別精度，但因為本文主要著重于福壽螺蟲卵的識別監(jiān)測，對于蟲卵精確數(shù)量并未深入探究。且由于本文網(wǎng)絡(luò)模型引入CBAM注意力機制，目標(biāo)更深層次的特征信息會被提取出來，如數(shù)據(jù)集中并沒有標(biāo)簽的蟲卵本文模型將其識別出來了，相當(dāng)于式（1）中FP值提高了，則準(zhǔn)確率就會降低。如圖8（c）和圖8（d）所示，對于蟲卵孵化后仍殘留在植物莖稈上的部分蟲卵，數(shù)據(jù)集中并無標(biāo)簽，而本模型卻將其識別為活的蟲卵（圖8（g）和圖8（h）），這就在一定程度上影響了模型的精度。雖然本模型的精度還有待提高，但對于福壽螺蟲卵識別監(jiān)測已有不錯效果。且本研究使用數(shù)據(jù)集為無人機進行采集，研究區(qū)域較大，對于未訓(xùn)練樣本區(qū)域的數(shù)據(jù)也可進行識別，可提高蟲卵的檢測效率。本文提出的方法雖然能夠較好識別出福壽螺蟲卵，但無法直觀從空間位置上顯現(xiàn)出某一區(qū)域福壽螺入侵的程度。在后面研究中可利用多時相影像數(shù)據(jù)，采用攝影測量技術(shù)，研究空間尺度上福壽螺入侵的危害狀況。

4 結(jié)論

在復(fù)雜的自然環(huán)境中檢測定位病蟲害，對于環(huán)境保護和作物病蟲害防治具有重要意義。本文使用無人機采集的福壽螺蟲卵影像數(shù)據(jù)集，利用引入CBAM注意力機制的YOLOv5s網(wǎng)絡(luò)模型對福壽螺蟲卵進行識別，提高對于蟲卵小目標(biāo)的特征信息提取。

1） 使用融合注意力機制的YOLOv5s-CBAM模型對福壽螺蟲卵進行識別，對于活蟲卵的識別的平均精度均值為75.2%，對于死亡蟲卵檢測的平均精度均值為92.4%，分別高于原始YOLOv5s模型0.7%和4.2%，且訓(xùn)練后模型大小為14.0Mb，小于預(yù)訓(xùn)練模型14.1Mb。因此，引入注意力機制的YOLOv5s-CBAM模型更能準(zhǔn)確地識別和分類福壽螺蟲卵，為防治福壽螺入侵提供相關(guān)技術(shù)參考。

2） 植物遮擋，背景相似和水中倒影在模型進行自動識別檢測時會導(dǎo)致福壽螺蟲卵的特征信息提取不完全或者特征識別錯誤，進而導(dǎo)致目標(biāo)計數(shù)錯誤、誤判和漏檢，影響識別精度，但在引入CBAM注意力機制后影響有所改觀。

YOLOv5s-CBAM網(wǎng)絡(luò)模型應(yīng)用于福壽螺蟲卵的識別雖然取得了較好的效果，但是識別精度還有待提高，特別是在一些復(fù)雜場景下的檢測。在以后的研究中，將繼續(xù)優(yōu)化模型結(jié)構(gòu)，提高模型的魯棒性和識別精度。

參 考 文 獻

[1]Burks R L， Bernatis J， Byers J E， et al. Identity， reproductive potential， distribution， ecology and management of invasive Pomacea maculata in the southern united states [J]. Biology and Management of Invasive Apple Snails. Philippine Rice Research Institute， Maligaya， Science City of Muoz， Nueva Ecija， 2017， 3119： 293-333.

[2]劉義滿， 戢小梅， 李長林， 等. 福壽螺[Pomacea canaliculata （Lamarck， 1819）]的世界分布[J]. 湖北農(nóng)業(yè)科學(xué)， 2019， 58（6）： 70-72， 77.

Liu Yiman， Ji Xiaomei， Li Changlin， et al. The global distribution of apple snail [Pomacea canaliculata （Lamarck， 1819）] [J]. Hubei Agricultural Sciences， 2019， 58（6）： 70-72， 77.

[3]任和， 高紅娟， 薛娟， 等. 福壽螺的生物學(xué)特性與防治[J]. 生物學(xué)通報， 2020， 55（12）： 1-3.

Ren He， Gao Hongjuan， Xue Juan， et al. The preliminary study on biological characteristics and control methods of Pomacea canaliculata [J]. Bulletin of Biology， 2020， 55（12）： 1-3.

[4]卓富彥， 王華生， 劉萬才. 2011—2020年我國農(nóng)田福壽螺發(fā)生防控情況[J]. 中國植保導(dǎo)刊， 2022， 42（1）： 52-55.

Zhuo Fuyan， Wang Huasheng， Liu Wancai. Occurrence and management of Pomacea canaliculata in the farmland of China from 2011 to 2020 [J]. China Plant Protection， 2022， 42（1）： 52-55.

[5]魏然， 吳承東， 謝洪芳， 等. 入侵性有害生物福壽螺在江蘇的風(fēng)險分析[J]. 揚州大學(xué)學(xué)報（農(nóng)業(yè)與生命科學(xué)版）， 2021， 42（6）： 119-124， 37.

Wei Ran， Wu Chengdong， Xie Hongfang， et al. Risk analysis of the alien invasive pest Pomacea spp. in Jiangsu Province [J]. Journal of Yangzhou University（Agricultural and Life Science Edition）， 2021， 42（6）： 119-124， 37.

[6]賀超， 楊倩倩， 劉蘇汶， 等. 我國外來入侵生物福壽螺種類的多重PCR鑒別方法[J]. 植物保護學(xué)報， 2019， 46（1）： 97-105.

He Chao， Yang Qianqian， Liu Suwen， et al. Multiplex PCR detection of alien invasive apple snails introduced to China [J]. Journal of Plant Protection， 2019， 46（1）： 97-105.

[7]Xu Y， Liu N， Yin T， et al. A multiscale feature fusion method for automatic detection of eggs from two Pomacea spp. in UAV aerial images [J]. IEEE Geoscience and Remote Sensing Letters， 2021， 19： 1-5.

[8]苗海委， 周慧玲. 基于深度學(xué)習(xí)的粘蟲板儲糧害蟲圖像檢測算法的研究[J]. 中國糧油學(xué)報， 2019， 34（12）： 93-99.

Miao Haiwei， Zhou Huiling. Detection of stored-grain insects image on sticky board u sing deep learning [J]. Journal of the Chinese Cereals and Oils Association， 2019， 34（12）： 93-99.

[9]Chen J， Chen J， Zhang D， et al. Using deep transfer learning for image-based plant disease identification [J]. Computers and Electronics in Agriculture， 2020， 173： 105393.

[10]張博， 張苗輝， 陳運忠. 基于空間金字塔池化和深度卷積神經(jīng)網(wǎng)絡(luò)的作物害蟲識別[J]. 農(nóng)業(yè)工程學(xué)報， 2019， 35（19）： 209-215.

Zhang Bo， Zhang Miaohui， Chen Yunzhong. Crop pest identification based on spatial pyramid pooling and deep convolution neural network [J]. Transactions of the Chinese Society of Agricultural Engineering， 2019， 35（19）： 209-215.

[11]駱潤玫， 殷惠莉， 劉偉康， 等. 基于YOLOv5-C的復(fù)雜背景廣佛手病蟲害識別[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報， 2023（1）： 1-16.

Luo Runmei， Yin Huili， Liu Weikang， et al. Identification of bergamot pests and diseases in complex back ground using YOLOv5-C algorithm [J]. Journal of South China Agricultural University， 2023（1）： 1-16.

[12]Fuentes A， Yoon S， Kim S C， et al. A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition [J]. Sensors， 2017， 17（9）： 2022.

[13]Redmon J， Divvala S， Girshick R， et al. You only look once： Unified， real-time object detection [C]. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2016： 779-788.

[14]Yan B， Fan P， Lei X， et al. A real-time apple targets detection method for picking robot based on improved YOLOv5 [J]. Remote Sensing， 2021， 13（9）： 1619.

[15]Chen Z， Wu R， Lin Y， et al. Plant disease recognition model based on improved YOLOv5[J]. Agronomy， 2022， 12（2）： 365.

[16]Chen J， Zhang H， He X， et al. Attentive collaborative filtering： Multimedia recommendation with item-and component-level attention [C]. Proceedings of the 40th International ACM SIGIR Conference on Research and Development in Information Retrieval， 2017： 335-344.

[17]黃彤鑌， 黃河清， 李震， 等. 基于YOLOv5改進模型的柑橘果實識別方法[J]. 華中農(nóng)業(yè)大學(xué)學(xué)報， 2022， 41（4）： 170-177.

Huang Tongbin， Huang Heqing， Li Zhen， et al. Citrus fruit recognition method based on the improved model of YOLOv5 [J]. Journal of Huazhong Agricultural University， 2022， 41（4）： 170-177.

[18]Woo S， Park J， Lee J Y， et al. CBAM： Convolutional block attention module [C]. Proceedings of the European Conference on Computer Vision （ECCV）， 2018： 3-19.

[19]蔣蕓， 張海， 陳莉， 等. 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像數(shù)據(jù)增強算法[J]. 計算機工程與科學(xué)， 2019， 41（11）：2007-2016.

Jiang Yun， Zhang Hai， Chen Li， et al. An image data augmentation algorithm based on convolutional neural networks [J]. Computer Engineering & Science， 2019， 41（11）： 2007-2016.