基于改進(jìn)YOLOv7的肥城桃病蟲害識(shí)別方法

摘要：為解決肥城桃病蟲害特征小以及不同病斑表征相似導(dǎo)致的難以精準(zhǔn)識(shí)別的問題，以山東省肥城市肥城桃種植基地為樣本采集點(diǎn)，構(gòu)建包含細(xì)菌穿孔病、褐斑穿孔病、潛隱黃化病、桃小食心蟲、紅頸天牛、流膠病6種桃病蟲害的數(shù)據(jù)集：針對(duì)樣本分布特點(diǎn)，引入Mixup、Cutout、高斯模糊等多種方法進(jìn)行數(shù)據(jù)增強(qiáng)，以提升模型對(duì)小病斑特征的檢測(cè)：以YOLOv7模型作為骨干網(wǎng)絡(luò)，加入Ghost模塊進(jìn)行瘦身以降低模型冗余特征，構(gòu)建基于CBAM注意力機(jī)制和加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN）的多尺度神經(jīng)網(wǎng)絡(luò)模型，增強(qiáng)小病斑的多尺度融合，從而提高模型的泛化能力。經(jīng)實(shí)驗(yàn)驗(yàn)證，改進(jìn)后的模型對(duì)上述6種病蟲害的識(shí)別精度均值（mAP）達(dá)到93. 2%。表明改進(jìn)后的模型能夠?qū)崿F(xiàn)對(duì)病蟲害的有效識(shí)別，可為肥城桃病蟲害的早期預(yù)警和防治提供一定的技術(shù)支撐。

關(guān)鍵詞：肥城桃；病蟲害識(shí)別；YOLOv7模型：深度學(xué)習(xí)；卷積神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：S126：S436.621 文獻(xiàn)標(biāo)識(shí)號(hào)：A 文章編號(hào)：1001-4942（2024） 08-0150-08

肥城桃是山東省的特色農(nóng)產(chǎn)品之一，因產(chǎn)于山東省肥城市而得名，具有悠久的種植歷史。肥城桃生長過程中易受多種病蟲侵害，嚴(yán)重影響產(chǎn)量和品質(zhì)，及時(shí)、準(zhǔn)確識(shí)別病蟲害種類是其精準(zhǔn)、有效防治的關(guān)鍵。目前，肥城桃病蟲害的識(shí)別仍主要依賴種植戶的經(jīng)驗(yàn)，無法滿足大面積桃園病蟲害快速、精準(zhǔn)識(shí)別和診治的需求。因此，探究高效的肥城桃病蟲害識(shí)別方法對(duì)于解決該問題具有重要意義。

深度學(xué)習(xí)是對(duì)成像傳感器感知到的植物圖像進(jìn)行處理、分析和學(xué)習(xí)，并從中獲取目標(biāo)信息的重要技術(shù)手段。基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法主要分為兩大類，一類是以R-CNN為代表的二階段算法，另一類是以YOLO、SSD為代表的一階段算法。第一類速度較慢，無法滿足病害識(shí)別檢測(cè)的實(shí)時(shí)性要求：第二類雖然可以滿足實(shí)時(shí)性的要求，但檢測(cè)精度較低。目前，通過構(gòu)建深度學(xué)習(xí)模型來識(shí)別農(nóng)作物病蟲害，已取得到了一些研究成果。如：王云露等針對(duì)目標(biāo)圖像復(fù)雜特征的提取或復(fù)雜背景下小目標(biāo)的識(shí)別，使用特征金字塔網(wǎng)絡(luò)FPN和Cascade R-CNN中的級(jí)聯(lián)機(jī)制對(duì)Faster R-CNN算法進(jìn)行改進(jìn)，實(shí)現(xiàn)了在自然場景下對(duì)蘋果5種病害的無損識(shí)別，準(zhǔn)確率達(dá)98.3%。李鑫然等通過深層特征融合和精確感興趣區(qū)域池化對(duì)Faster R_CNN模型進(jìn)行改進(jìn)，實(shí)現(xiàn)對(duì)自然環(huán)境條件下蘋果葉部病害的有效檢測(cè)，平均準(zhǔn)確率達(dá)到82.42％。鮑文霞等通過在頸部網(wǎng)絡(luò)中加入卷積模塊對(duì)VGG16網(wǎng)絡(luò)模型進(jìn)行改進(jìn)，實(shí)現(xiàn)對(duì)蘋果葉部微小病斑的識(shí)別率達(dá)到94.7％。張志遠(yuǎn)等采用離線數(shù)據(jù)增強(qiáng)和在線數(shù)據(jù)增強(qiáng)相結(jié)合的策略，同時(shí)對(duì)YOLOv5模型的骨干網(wǎng)絡(luò)進(jìn)行改動(dòng)優(yōu)化，實(shí)現(xiàn)在自然環(huán)境下對(duì)櫻桃果實(shí)的識(shí)別，識(shí)別率可達(dá)98％。商楓楠等為實(shí)現(xiàn)自然環(huán)境下火龍果的精準(zhǔn)識(shí)別采摘，以YOLOX-Nano模型為基準(zhǔn)，在主干特征提取網(wǎng)絡(luò)中加入卷積注意力模塊，檢測(cè)速度和精度都得到了一定的提高，識(shí)別準(zhǔn)確率達(dá)到98%。樊湘鵬等通過對(duì)VGG16網(wǎng)絡(luò)模型的全連接層和分類層進(jìn)行改進(jìn)，實(shí)現(xiàn)在自然環(huán)境條件下對(duì)葡萄葉部病害檢測(cè)的精度達(dá)到95. 67％。王國偉等選用Adam算法、Dropout策略和ReLU激勵(lì)函數(shù)，對(duì)LeNet模型進(jìn)行改進(jìn)，提高了對(duì)玉米病害的檢測(cè)精度，準(zhǔn)確率達(dá)到96%。趙立新等通過遷移學(xué)習(xí)和改進(jìn)Alex模型來提高對(duì)棉葉病蟲害識(shí)別的準(zhǔn)確率，準(zhǔn)確率達(dá)到了97.16％。

雖然深度學(xué)習(xí)技術(shù)已在多種作物病害識(shí)別方面取得了一定的進(jìn)展，但由于受空氣溫濕度、土壤等環(huán)境因素的影響，病蟲害在不同植物、不同時(shí)期的發(fā)生特征存在差異，前人建立的模型無法直接應(yīng)用于肥城桃病蟲害的檢測(cè)識(shí)別。為此，本研究建立包含細(xì)菌穿孔病、褐斑穿孔病、潛隱黃化病、桃小食心蟲、流膠病、紅頸天牛6種肥城桃病蟲害的數(shù)據(jù)集，以YOLOv7模型作為骨干網(wǎng)絡(luò)，加入Ghost模塊進(jìn)行瘦身，再引入CBAM注意力模塊和加權(quán)雙向特征金字塔（BiFPN）來提高對(duì)小尺度病蟲害特征的識(shí)別效率和精度，從而實(shí)現(xiàn)對(duì)自然環(huán)境條件下肥城桃病蟲害的實(shí)時(shí)檢測(cè)。

1 材料與方法

1.1 數(shù)據(jù)采集與數(shù)據(jù)集建立

1.1.1 數(shù)據(jù)采集

試驗(yàn)數(shù)據(jù)采集于肥城市康頓農(nóng)業(yè)有限公司種植基地。為保證數(shù)據(jù)的普適性，選擇肥城桃生長狀況良好的500 m2左右露天種植地塊進(jìn)行數(shù)據(jù)采集。為更好地研究病蟲害不同階段的表現(xiàn)特征，于2021年6月至9月，每7天采集一次，并固定在8、12、17時(shí)三個(gè)時(shí)間段采集不同光照條件下的病蟲害圖像數(shù)據(jù)。采用iPhonell的后置攝像頭進(jìn)行近距離（約40 cm）拍攝獲取圖像，圖像分辨率為4 032×3 024像素。對(duì)采集到的圖像數(shù)據(jù)進(jìn)行清洗，去除失焦、抖動(dòng)、曝光等導(dǎo)致的成像質(zhì)量差的數(shù)據(jù)，初步得到包括6種病蟲害的數(shù)據(jù)集，其中，單一簡單背景的細(xì)菌穿孔病、褐斑穿孔病、潛隱黃化病圖像分別有327、234、202張，復(fù)雜背景的桃小食心蟲（包括幼蟲）、流膠病、紅頸天牛（包括幼蟲）圖像分別有249、128、66張，共計(jì)1 206張。各種病蟲害示例見圖1。

1.1.2 數(shù)據(jù)集構(gòu)建

首先，對(duì)收集到的數(shù)據(jù)進(jìn)行預(yù)處理，將每張圖像分辨率調(diào)整為512×512像素。其次，為避免訓(xùn)練過程中因蟲害數(shù)據(jù)集過小而引起過擬合現(xiàn)象，影響模型識(shí)別效果，采用離線數(shù)據(jù)增強(qiáng)的方法擴(kuò)充數(shù)據(jù)集。所使用的離線數(shù)據(jù)增強(qiáng)方式如下：①水平翻轉(zhuǎn)。以模擬實(shí)際拍攝過程中不同角度的采樣。②旋轉(zhuǎn)。通過旋轉(zhuǎn)，增加角度的變化。③裁剪。從圖像中隨機(jī)裁剪出不同區(qū)域的子圖像，以改變圖像的視角和尺度。④色彩變化。通過改變色彩飽和度、亮度、對(duì)比度等豐富圖像。⑤噪聲添加。向圖像中添加隨機(jī)噪聲，如高斯噪聲或椒鹽噪聲，以模擬真實(shí)世界中的圖像噪聲。經(jīng)過數(shù)據(jù)增強(qiáng)處理的各種病害圖像效果如圖2所示。通過上述5種數(shù)據(jù)離線增強(qiáng)處理將一張?jiān)紙D像擴(kuò)充為6張，擴(kuò)充前后訓(xùn)練集圖像數(shù)量的變化如表1所示。最后，對(duì)擴(kuò)充后的圖像進(jìn)行篩選，去除冗余圖像和低質(zhì)量圖像，最終建立了包含5 408張圖像的肥城桃病蟲害數(shù)據(jù)集。將數(shù)據(jù)集按照8：1：1的比例隨機(jī)分成訓(xùn)練集、驗(yàn)證集、測(cè)試集。使用交叉驗(yàn)證方法進(jìn)行模型的訓(xùn)練和測(cè)試，重復(fù)進(jìn)行10次，最終結(jié)果取10次結(jié)果的平均值。

1.2 基于改進(jìn)YOLOv7算法的病蟲害檢測(cè)模型構(gòu)建

本研究使用YOLOv7作為肥城桃病蟲害識(shí)別的基本模型算法。YOLOv7采用多尺度特征融合和特征金字塔的設(shè)計(jì)，這使其在處理不同大小的目標(biāo)時(shí)都具有較強(qiáng)的性能。YOLOv7主要包括四個(gè)部分：輸入層（Input）、骨干網(wǎng)絡(luò)（Backbone）、頸部（Neck）和預(yù)測(cè)層（Prediction）。YOLOv7網(wǎng)絡(luò)模型的具體結(jié)構(gòu)如圖3A所示。其中縮寫CBS、MP-C3、C7_1、SPPCSPC、C7_2部分的結(jié)構(gòu)如圖3B所示。為使YOLOv7能夠適用于肥城桃病蟲害預(yù)測(cè)，本研究對(duì)YOLOv7的Backbone和Neck結(jié)構(gòu)進(jìn)行優(yōu)化，以增強(qiáng)其特征表達(dá)能力，提高檢測(cè)性能。

1.2.1 使用輕量化的幻影卷積層（GhostConv）替代傳統(tǒng)的卷積層，降低模型復(fù)雜度

YOLOv7初始模型為能很好地學(xué)習(xí)輸入數(shù)據(jù)并得到良好的泛化性能，加大了對(duì)計(jì)算過程中冗余資源的存儲(chǔ)，從而增大了模型本身的復(fù)雜程度。為此，針對(duì)標(biāo)準(zhǔn)卷積生成的特征圖中存在高度相似的冗余特征問題，本研究在Backbone和Neck部分引入Ghost-Net網(wǎng)絡(luò)中的GhostConv卷積模塊代替原有普通卷積，將標(biāo)準(zhǔn)卷積替換成線性變換，利用“簡單”特征代替冗余特征，同時(shí)將簡單線性運(yùn)算和標(biāo)準(zhǔn)卷積運(yùn)算相結(jié)合，以降低特征提取過程中的冗余計(jì)算量，進(jìn)而降低模型復(fù)雜度。

如圖4所示，GhostNet輕量級(jí)網(wǎng)絡(luò)模型可以在保持原有卷積輸出特征圖的尺寸以及通道大小的前提下，降低網(wǎng)絡(luò)的計(jì)算量和參數(shù)量。首先，GhostNet使用普通卷積（1×1×M）、批量歸一化和激活函數(shù)對(duì)輸入圖像進(jìn)行通道壓縮，從而生成固有的特征映射。接著，將這些特征映射應(yīng)用一系列簡單的線性操作Φk，以獲得更多特征圖并增加特征的多樣性。此處，廉價(jià)操作Φk由深度卷積（Depthwise Convolution，即每個(gè)卷積核負(fù)責(zé)一個(gè)通道，每個(gè)通道僅被一個(gè)卷積核卷積）、批量歸一化和激活函數(shù)組合而成。最后，通過concat操作將這些新增的特征圖與第一步中通過普通卷積、批量歸一化和激活函數(shù)生成的特征圖進(jìn)行拼接，最終獲得的特征圖即為輸出。

1.2.2 在Backbone中加入CBAM注意力機(jī)制，加強(qiáng)對(duì)復(fù)雜背景下小目標(biāo)特征的學(xué)習(xí)能力

在對(duì)病蟲害進(jìn)行目標(biāo)檢測(cè)過程中，存在大量易在深層網(wǎng)絡(luò)中丟失特征信息的小病灶和小目標(biāo)，從而導(dǎo)致漏檢和錯(cuò)檢現(xiàn)象。為此，本研究在Backbone中引入輕量級(jí)通用模塊——CBAM（Convolutional Block At-tention Module）注意力模塊。如圖5所示，CBAM通過結(jié)合通道注意力模塊和空間注意力模塊，一方面利用空間注意力機(jī)制使神經(jīng)網(wǎng)絡(luò)專注于特征圖像中起決定作用的分類區(qū)域，另一方面利用通道注意力機(jī)制處理特征圖通道的分配關(guān)系，從而使神經(jīng)網(wǎng)絡(luò)沿著這兩個(gè)維度進(jìn)行自適應(yīng)特征優(yōu)化，以加強(qiáng)模型對(duì)小目標(biāo)信息的學(xué)習(xí)。

在通道注意力模塊上分別經(jīng)過最大池化和平均池化將尺寸為CxHxW的特征圖變成C×1×1的，經(jīng)過多層感知機(jī)（Multi-layer Perceptron，MLP）轉(zhuǎn)換，壓縮通道數(shù)，再通過加和操作合并結(jié)果，并進(jìn)行Sigmoid歸一化，使得提取到的高層特征更全面、更豐富?？臻g注意力模塊首先對(duì)輸入的通道注意力特征圖在通道維度上分別進(jìn)行全局平均池化和全局最大池化，得到兩個(gè)二維特征圖：然后，將這兩個(gè)特征圖沿通道維度連接，形成一個(gè)新的特征圖，再通過一個(gè)7×7的卷積操作和Sigmoid激活函數(shù)生成空間注意力特征圖；最后，將原始特征圖與該空間注意力特征圖逐元素相乘，得到增強(qiáng)的特征圖，通過選擇重要的空間位置來提高模型的性能。

1.2.3 在Neck中引入加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN），更多保留小目標(biāo)的特征信息

隨著卷積的深入，為更好地保留小目標(biāo)特征信息，本研究又進(jìn)一步在Neck中引入加權(quán)雙向特征金字塔網(wǎng)絡(luò)（BiFPN）。從圖6中可以看出，特征金字塔網(wǎng)絡(luò)（FPN）采用簡單的自上而下的特征融合方式，在R-CNN、RetinaNet和YOLOv3中較常見，具有較好的檢測(cè)效果：PAN結(jié)構(gòu)在FPN基礎(chǔ)上增加了自下而上的特征融合分支，用低層特征融合高層特征，以增強(qiáng)高層特征的定位信息，常在YOLOv4和YOLOv5模型中使用：BiFPN與PAN結(jié)構(gòu)相比，雖然二者在特征融合方式上都是將信息流基于臨近特征，但BiFPN通過引入雙向跨尺度連接，允許特征在不同層次之間進(jìn)行多次交互，從而更有效地融合多尺度信息，有利于解決檢測(cè)過程中可能存在的小病斑重疊問題。同時(shí)，采用了簡單而高效的加權(quán)特征融合方法，使網(wǎng)絡(luò)能夠自適應(yīng)地調(diào)整不同特征圖的重要性，從而提高檢測(cè)精度和模型的靈活性。

1.3 模型性能評(píng)價(jià)指標(biāo)

目標(biāo)檢測(cè)算法的評(píng)價(jià)標(biāo)準(zhǔn)主要包括精確率（Precision，P）、召回率（Recall，R）、平均精度（Av-erage Precision，AP）和平均精度均值（mean Aver-age Precision，mAP）。其中，P是衡量模型預(yù)測(cè)為正例的樣本中有多少是真正的正例，表示模型在預(yù)測(cè)為正例的樣本中的準(zhǔn)確性：R是衡量模型正確檢測(cè)到的正例占所有真實(shí)正例的比例，表示模型對(duì)正例的覆蓋能力：AP是對(duì)精確率一召回率曲線進(jìn)行積分所得，用于反映模型的預(yù)測(cè)效果，值越大模型預(yù)測(cè)效果越好，反之則越差：mAP是所有類別的平均精度的平均值，用于綜合評(píng)估模型的性能。各指標(biāo)計(jì)算公式如下：

其中：TP是被正確分類的正樣本數(shù)量：FP是被錯(cuò)誤分為正類的負(fù)樣本數(shù)量：FN是被錯(cuò)誤分為負(fù)樣本的正樣本數(shù)量。

1.4 實(shí)驗(yàn)環(huán)境及模型訓(xùn)練參數(shù)

實(shí)驗(yàn)環(huán)境配置如下：操作系統(tǒng)為Windowsll：GPU為GTX3060;深度學(xué)習(xí)框架為PyTorch1.1；使用的編程語言為Python3.8：GPU加速庫為CU-DA10.0、CUDNN7.6.0。

模型使用預(yù)訓(xùn)練的參數(shù)進(jìn)行初始化，使用SGD（隨機(jī)下降梯度）對(duì)改進(jìn)后的識(shí)別模型進(jìn)行優(yōu)化，初始學(xué)習(xí)率lr= 0.001，權(quán)重衰減因子設(shè)置為0.000 5，SGD的動(dòng)量設(shè)置為0.9。使用官方建議的預(yù)訓(xùn)練權(quán)重進(jìn)行1 500輪次（Epoch）訓(xùn)練，數(shù)據(jù)集批處理大?。˙atchSize）設(shè)置為32。

2 結(jié)果與分析

2.1 消融實(shí)驗(yàn)結(jié)果分析

為驗(yàn)證改進(jìn)方法的效果，利用同一病蟲害數(shù)據(jù)集進(jìn)行消融實(shí)驗(yàn)，對(duì)比分析初始模型Yolov7、單獨(dú)加入CBAM注意力機(jī)制后的YOLOv7_CBAM、單獨(dú)引入BiFPN的YOLOv7_BiFPN、單獨(dú)加入Ghost模塊的YOLOv7_Ghost及本研究改進(jìn)模型YOLOv7_Ghost_CBAM_BiFPN的檢測(cè)性能，結(jié)果如表2所示。與初始YOLOv7網(wǎng)絡(luò)相比，①在YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)中融人CBAM模塊后，模型的mAP提升了3.2個(gè)百分點(diǎn)，但模型參數(shù)量增大了6.3 Mb，檢測(cè)速度略有下降：②在YOLOv7網(wǎng)絡(luò)中引入加權(quán)雙向特征金字塔BiFPN后，模型的mAP提高了4.5個(gè)百分點(diǎn)，模型參數(shù)量和檢測(cè)速度與YOLOv7_CBAM相近；③在YOLOv7中加入Ghost模塊進(jìn)行輕量化后，模型的mAP降低了2.2個(gè)百分點(diǎn)，僅84.5%，但模型參數(shù)量最小，檢測(cè)速度最快；④本研究改進(jìn)后的模型YOLOv7_Ghost_CBAM_BiFPN識(shí)別準(zhǔn)確率最高，mAP達(dá)到93.2%，分別較前四種模型提升了6.5、3.3、2.0、8.7個(gè)百分點(diǎn)，且模型參數(shù)量較小，比原模型YOLOv7高2.4 Mb，檢測(cè)速度僅次于YOLOv7_Ghost模型。表明本研究改進(jìn)后的YOLOv7模型，在降低模型參數(shù)量、提升檢測(cè)速度的同時(shí)，明顯提升了識(shí)別準(zhǔn)確率，因而可以很好地滿足實(shí)際應(yīng)用場景中對(duì)肥城桃病蟲害識(shí)別檢測(cè)的需求。

2.2 本研究改進(jìn)YOLOv7模型的性能對(duì)比分析

為了驗(yàn)證本研究改進(jìn)YOLOv7模型的性能，在相同數(shù)據(jù)集下，將其與近年來應(yīng)用較為廣泛的深度學(xué)習(xí)模型，如FasterR - CNN、YOLOv5s、YOLOv7等，進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果如表3所示?？梢钥闯觯琘OLOv5s、FasterR-CNN、YOLOv7、YOLOv7_CBAM_BiFPN四種識(shí)別模型在6種肥城桃病蟲害數(shù)據(jù)集上的mAP分別為81.1％、82. 3％、86.7％、93.7％。本研究改進(jìn)后的模型YOLOv7_Ghost_CBAM_BiFPN識(shí)別精度為93.2％，遠(yuǎn)高于YOLOv5s、FasterR-CNN和YOLOv7，僅比YOLOv7_CBAM_BiFPN略有下降，但其參數(shù)量較小，檢測(cè)較快。考慮到實(shí)際生產(chǎn)場景中復(fù)雜的環(huán)境因素，在能夠保持較高識(shí)別精度的情況下，降低模型體積，提升模型檢測(cè)速度，可以更好地滿足實(shí)際復(fù)雜生產(chǎn)場景中對(duì)病蟲害識(shí)別的準(zhǔn)確性和實(shí)時(shí)性需求。

2.3 改進(jìn)YOLOv7模型對(duì)肥城桃病蟲害的檢測(cè)效果

通過對(duì)深度學(xué)習(xí)模型的預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽構(gòu)建混淆矩陣，可以更加全面地評(píng)估模型在不同類別上的表現(xiàn)，為模型的改進(jìn)提供有力依據(jù)。本研究共涉及6類病蟲標(biāo)簽，包括細(xì)菌穿孔病、褐斑穿孔病、潛隱黃化病、桃小食心蟲、流膠病、紅頸天牛，使用10％測(cè)試集進(jìn)行模型性能評(píng)估，所得混淆矩陣如圖7所示，其中，對(duì)角線表示某一類別被模型正確預(yù)測(cè)為該類別的概率?；煜仃囉脕肀硎緦?duì)樣本數(shù)據(jù)的預(yù)測(cè)結(jié)果與真實(shí)情況的關(guān)系，可以反映模型的分類性能，當(dāng)模型所呈現(xiàn)出來的混淆矩陣接近一個(gè)對(duì)角矩陣時(shí)，表示該模型具有優(yōu)異的識(shí)別分類能力。本實(shí)驗(yàn)標(biāo)簽的真實(shí)值和預(yù)測(cè)值的關(guān)系基本符合對(duì)角線矩陣的特點(diǎn)，其中細(xì)菌穿孔病與褐斑穿孔病無論是發(fā)病部位還是性狀特征都有一定的相似之處，導(dǎo)致識(shí)別過程中兩種病害略有混淆，檢測(cè)準(zhǔn)確率較其他類別較低，分別為91 .7％與92.0%。潛隱黃化病的主要表現(xiàn)性狀大多分布在整個(gè)葉片，且早期病害特征并不十分明顯，故檢測(cè)準(zhǔn)確率較其他三類低；桃小食心蟲、流膠病與紅頸天牛由于性狀特征明顯，預(yù)測(cè)分類效果較好，其中紅頸天牛的識(shí)別準(zhǔn)確率最高，達(dá)97 .0％，表明本研究建立的模型對(duì)6類病蟲害的識(shí)別分類效果較好。

3 結(jié)論

為更好地解決肥城桃病蟲害的小目標(biāo)識(shí)別檢測(cè)問題，本研究首先利用離線數(shù)據(jù)增強(qiáng)方式擴(kuò)充肥城桃病蟲害數(shù)據(jù)集，以確保有足夠的數(shù)據(jù)以保證預(yù)測(cè)模型的魯棒性與訓(xùn)練精度。然后從三個(gè)方面對(duì)傳統(tǒng)YOLOv7網(wǎng)絡(luò)模型進(jìn)行改進(jìn)：①用Ghost卷積替換普通卷積，以降低生成冗余特征的計(jì)算量，進(jìn)而減少模型的計(jì)算時(shí)間和參數(shù)量，從而達(dá)到模型輕量化的目的：②在YOLOv7的骨干網(wǎng)絡(luò)增添輕量化程度高和通用性強(qiáng)的CBAM注意力機(jī)制，提升對(duì)桃樹病蟲害小目標(biāo)的識(shí)別效果，同時(shí)可避免卷積乘法帶來的大量計(jì)算，以降低模塊復(fù)雜度、減小計(jì)算量；③在頸部網(wǎng)絡(luò)結(jié)構(gòu)中引入BiF-PN，利用其雙向跨尺度和加權(quán)特征融合的方式，解決多種小目標(biāo)相互重疊遮擋的問題。實(shí)驗(yàn)結(jié)果表明，與初始YOLOv7網(wǎng)絡(luò)模型相比，本研究提出的YOLOv7_Ghost_CBAM_BiFPN優(yōu)化模型的平均識(shí)別精度均值達(dá)到93. 2％，參數(shù)量僅77.2 Mb．略大于基礎(chǔ)模型YOLOv7，檢測(cè)速度為0.164 s／張，性能明顯提升，能夠很好地識(shí)別檢測(cè)實(shí)際生產(chǎn)場景中肥城桃的6種病蟲害。

基金項(xiàng)目：山東省重大科技創(chuàng)新工程項(xiàng)目“現(xiàn)代果園智慧種植裝備與大數(shù)據(jù)平臺(tái)研發(fā)及示范應(yīng)用”（2019JZZY010706）