改進(jìn)YOLOv7的水稻葉片病害檢測(cè)算法研究

摘要：為解決水稻病害難以有效檢測(cè)的問題，以水稻白葉枯病、稻瘟病、褐斑病等關(guān)鍵病害為研究對(duì)象，提出一種名為DNC-YOLOv7的水稻病害檢測(cè)算法。首先，針對(duì)YOLOv7中原上采樣模塊在水稻病害語(yǔ)義信息提取方面的不足，引入NC（Nearest CARAFE）上采樣模塊，顯著提升網(wǎng)絡(luò)模型在恢復(fù)水稻葉片圖像細(xì)節(jié)方面的能力，使模型能更準(zhǔn)確地捕捉和識(shí)別病害特征。其次，為進(jìn)一步加強(qiáng)模型的特征提取和融合能力，提出DFPN結(jié)構(gòu)，以改進(jìn)原模型的頸部設(shè)計(jì)。最后，采用Mixup和Mosaic技術(shù)對(duì)原始數(shù)據(jù)集進(jìn)行增強(qiáng)處理，以增強(qiáng)模型的泛化能力和魯棒性。結(jié)果表明，DNC-YOLOv7算法在數(shù)據(jù)集上的平均檢測(cè)精度從原始的83.4%顯著提升至93.2%，相較傳統(tǒng)的YOLOv7算法，平均檢測(cè)精度提高9.8%。

關(guān)鍵詞：水稻葉片；病害檢測(cè)；YOLOv7；數(shù)據(jù)增強(qiáng)；CARAFE

中圖分類號(hào)：S435.11; TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2095?5553 （2024） 11?0196?06

Research on rice leaf disease detection algorithm by improved YOLOv7

Deng Nan， Fang Kui， Li Cheng

（College of Information and Intelligence， Hunan Agricultural University， Changsha， 410125， China）

Abstract： In order to solve the problem of difficult and effective detection of rice diseases， a rice disease detection algorithm called DNC-YOLOv7 was proposed， focusing on key diseases such as bacterial blight， rice blast， and brown spot. Firstly， in response to the shortcomings of YOLOv7's original upsampling module in extracting semantic information of rice diseases， the NC （Nearest CARAFE） upsampling module was introduced. This module significantly improved the ability of the network model in restoring the details of rice leaf images， so that the model could more accurately capture and identify disease features. Secondly， in order to further enhance the feature extraction and fusion capabilities of the model， the DFPN structure was proposed to improve the neck design of the original model. Finally， Mixup and Mosaic techniques were used to enhance the original dataset to enhance the model's generalization ability and robustness. The experimental results show that the average detection accuracy of DNC-YOLOv7 algorithm on the dataset is significantly improved from the original 83.4% to 93.2%， which is 9.8% higher than the traditional YOLOv7 algorithm.

Keywords： rice leaves; disease detection; YOLOv7; data augmentation; CARAFE

0 引言

作為水稻生產(chǎn)大國(guó)，我國(guó)的農(nóng)業(yè)經(jīng)濟(jì)發(fā)展與水稻的品質(zhì)及產(chǎn)量息息相關(guān)。然而，水稻在生長(zhǎng)過(guò)程中容易受到病害的侵襲，導(dǎo)致其品質(zhì)和產(chǎn)量大幅降低，因此對(duì)水稻病害檢測(cè)至關(guān)重要。傳統(tǒng)的病害檢測(cè)方法主要通過(guò)農(nóng)戶的肉眼觀察和個(gè)人經(jīng)驗(yàn)判斷，這種方法費(fèi)時(shí)費(fèi)力，且識(shí)別精度和效率低下，難以滿足病蟲害防治的需求。隨著圖像處理技術(shù)的快速發(fā)展，深度學(xué)習(xí)在目標(biāo)檢測(cè)領(lǐng)域得到了不斷地發(fā)展與應(yīng)用，利用深度學(xué)習(xí)方法，可以自動(dòng)提取病害特征，避免人為主觀意識(shí)的影響，為水稻病害檢測(cè)提供了新思路。因此，將計(jì)算機(jī)視覺應(yīng)用到水稻病害檢測(cè)，并尋找快速高效的檢測(cè)方法，已成為水稻生產(chǎn)領(lǐng)域的迫切需求。這樣的技術(shù)創(chuàng)新將提高水稻病害檢測(cè)的準(zhǔn)確性和效率，進(jìn)而有效保障水稻產(chǎn)量和品質(zhì)。

目前，在植物病害檢測(cè)領(lǐng)域，國(guó)內(nèi)外已進(jìn)行了大量的研究。目標(biāo)檢測(cè)算法分為兩類，一類是基于區(qū)域建議框預(yù)測(cè)的兩階段算法，如Fast R-CNN、Faster R-CNN等，這類算法檢測(cè)效果較好，但檢測(cè)速度慢。毛銳等[1]使用改進(jìn)后的ResNet-50作為Faster R-CNN的主干網(wǎng)絡(luò)，并改進(jìn)ROI池化層，顯著提升了小麥條銹病和黃矮病的識(shí)別精度。李就好等[2]在ResNet-50的基礎(chǔ)上融入了FPN，作為Faster R-CNN的主干，實(shí)現(xiàn)了苦瓜的病害檢測(cè)。另一類是基于回歸問題的單階段算法，如SSD、YOLO等[3]，這類算法檢測(cè)效果稍遜于兩階段算法，但檢測(cè)速度快且具有實(shí)時(shí)性。楊康等[4]采用MobileNet替換原始的特征提取網(wǎng)絡(luò)，構(gòu)建RFB模塊替換SSD模型頂部卷積層，實(shí)現(xiàn)了多尺度三七病害檢測(cè)，不僅滿足實(shí)時(shí)檢測(cè)，還適合在移動(dòng)設(shè)備上部署。宋玲等[5]在YOLOX的基礎(chǔ)上，使用多尺度特征提取模塊，并引入通道注意力，結(jié)合質(zhì)量焦點(diǎn)損失函數(shù)作為分類損失函數(shù)，實(shí)現(xiàn)了復(fù)雜背景下木薯病害檢測(cè)，為農(nóng)作物病害檢測(cè)提供了有價(jià)值的方法。劉延鑫等[6]構(gòu)建基于YOLOv3的煙草病害檢測(cè)模型，實(shí)現(xiàn)煙草多類病害的精準(zhǔn)快速檢測(cè)。劉文波等[7]提出了基于改進(jìn)SOLOv2的番茄葉部病害實(shí)例分割，在提升精度的同時(shí)保證了實(shí)時(shí)性，較好地解決了番茄葉病害識(shí)別與分割的難題。嚴(yán)陳慧子等[8]采用輕量級(jí)網(wǎng)絡(luò)MobileNet V3作為主干網(wǎng)絡(luò)，并添加了CAM注意力來(lái)提高模型的性能，提出了基于YOLOv4的水稻病害檢測(cè)，F(xiàn)PS達(dá)到了53.43幀/s，但模型的檢測(cè)精度僅為85.34%，檢測(cè)精度還有待提高。代國(guó)威等[9]提出一種基于八度卷積核CBAM注意力機(jī)制的YOLOv5的溫室番茄檢測(cè)模型，檢測(cè)精度達(dá)到94.58%，為番茄采摘機(jī)器人的運(yùn)行提供了可靠的信息。王衛(wèi)星等[10]以YOLOv4為基礎(chǔ)，結(jié)合GhosttNet、特征融合和CBAM注意力提出了荔枝病蟲害檢測(cè)模型，檢測(cè)精度為89.76%，提升了4.13%，為復(fù)雜背景下的病蟲害檢測(cè)提供了參考。

目前，關(guān)于水稻葉片病害檢測(cè)的研究較少，且存在檢測(cè)精度低的問題，因此，本文提出一種改進(jìn)YOLOv7的水稻葉片病害檢測(cè)方法DNC-YOLOv7。首先，提出NC上采樣模塊，旨在解決模型在進(jìn)行上采樣處理后可能出現(xiàn)的鋸齒狀邊緣問題，該模塊將最鄰近插值和CARAFEA相結(jié)合，使網(wǎng)絡(luò)更好地恢復(fù)圖像細(xì)節(jié)；其次，針對(duì)YOLOv7信息交互不充足的問題，提出DFPN，將DFPN網(wǎng)絡(luò)結(jié)構(gòu)替換原本的PANet結(jié)構(gòu)，增強(qiáng)高級(jí)語(yǔ)義信息和低級(jí)空間信息之間的信息交流，進(jìn)一步提高模型的檢測(cè)性能；最后，采用Mixup、Mosaic數(shù)據(jù)增強(qiáng)來(lái)增加樣本多樣性、數(shù)據(jù)多樣性。

1 模型結(jié)構(gòu)設(shè)計(jì)

1.1 YOLOv7模型

YOLOv7模型主要由Backbone、Neck和Head三部分組成，網(wǎng)絡(luò)模型如圖1所示。其中，Backbone由CBS、E-ELAN和MP組成，用于特征提取。Neck通過(guò)PANet結(jié)構(gòu)有效融合了多尺度特征。Head進(jìn)行最后的回歸預(yù)測(cè)。

1.2 融合NC上采樣模塊

YOLOv7采用最鄰近插值法進(jìn)行上采樣，最鄰近插值法利用采樣點(diǎn)四周相鄰像素點(diǎn)中距離最近像素的灰度值，而忽略了其他像素點(diǎn)的影響，這種算法雖然簡(jiǎn)單，但在邊緣或線條的地方會(huì)出現(xiàn)鋸齒狀，上采樣后的圖像質(zhì)量會(huì)有損失，影響檢測(cè)精度。而CARAFE[11]是一種輕量級(jí)的上采樣算子，利用輸入特征圖為每個(gè)位置預(yù)測(cè)各自的上采樣核，然后根據(jù)預(yù)測(cè)的上采樣核進(jìn)行特征重組來(lái)完成上采樣操作，這樣的上采樣操作是基于特征的內(nèi)容而不是位置的距離，重組后的特征圖將具有更強(qiáng)的語(yǔ)義信息。為了對(duì)原始上采樣進(jìn)行改進(jìn)，將最鄰近插值引入CARAFE中，提出了NC上采樣模塊以更好地恢復(fù)水稻葉片的細(xì)節(jié)。

NC上采樣模塊由兩個(gè)步驟組成，如圖2所示。第一步是上采樣核預(yù)測(cè)模塊，每個(gè)目標(biāo)位置以內(nèi)容感知的方式生成其上采樣核。首先對(duì)大小為[C×H×W]的特征圖進(jìn)行卷積操作，將道數(shù)由C減少為[Cm]，以減少后續(xù)的參數(shù)量和計(jì)算量。接下來(lái)基于輸入特征圖的信息對(duì)壓縮的特征圖進(jìn)行卷積操作，來(lái)生成上采樣核。給定一個(gè)大小為[C×H×W]的特征圖χ和上采樣比σ，經(jīng)過(guò)最鄰近插值將生成大小為[C×σH×σW]的新特征圖χ'，χ上的每個(gè)源位置對(duì)應(yīng)χ'上[σ2]個(gè)目標(biāo)位置，每個(gè)目標(biāo)位置需要一個(gè)[kup×kup]的上采樣核（kup是上采樣核的大?。?，因此這個(gè)模塊將生成大小為[σ2kup2×H×W]的上采樣核，將通道數(shù)在空間維展開，得到形狀為[kup2×σH×σW]的上采樣核。最后對(duì)上采樣核進(jìn)行歸一化。第二步是內(nèi)容重組模塊，利用生成的上采樣核對(duì)特征進(jìn)行重組，重組后的特征圖比初始特征圖具有更強(qiáng)的語(yǔ)義信息。于輸出特征圖χ'的任一位置p'=（i'，j'），在輸入特征圖χ中都有一個(gè)對(duì)應(yīng)的源位置p=（i，j），其中[i=i'/σ]，[j=j'/σ]。圖2中，N（[χp，kup]）表示χ中以位置p為中心的[kup×kup]子區(qū)域，W（p'）表示p'的上采樣核，大小為[kup×kup]。將N（[χp，kup]）與W（p'）作點(diǎn)積，得到最終的輸出值。

1.3 融合DFPN結(jié)構(gòu)

特征金字塔是目標(biāo)檢測(cè)中比較重要的一部分，通過(guò)聚合從主干提取到的不同分辨率特征來(lái)提高模型的性能。圖3展示了特征金字塔網(wǎng)絡(luò)設(shè)計(jì)的演變。早期YOLOv3中Neck部分采用了與FPN類似的方法，使用一種自頂向下的路徑來(lái)融合多尺度特征，如圖3（a）所示。由于FPN單向信息流的局限性，YOLOv4在FPN結(jié)構(gòu)的基礎(chǔ)上添加了一條自底向上的路徑來(lái)融合多尺度特征，構(gòu)成PANet[12]網(wǎng)絡(luò)，如圖3（b）所示，但其雙向融合較為簡(jiǎn)單。以上的金字塔結(jié)構(gòu)僅關(guān)注特征融合，缺乏內(nèi)部塊連接，為了充分交換高級(jí)的語(yǔ)義信息和低級(jí)的空間信息，對(duì)YOLOv7的Neck部分的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)，提出的DFPN網(wǎng)絡(luò)結(jié)構(gòu)如圖3（c）所示。

DFPN在原始YOLOv7的PANet網(wǎng)絡(luò)結(jié)構(gòu)上增加了跨尺度融合和跨層連接，跨尺度融合考慮了同一層和相鄰層的特征信息，圖4展示了PANet和DFPN之間跨尺度連接的差異，DFPN在原始跨尺度融合的基礎(chǔ)上，額外增加了一條來(lái)自前一層下采樣的特征圖 ，通過(guò)在高層特征中增加更多的空間信息，更加有效地融合高級(jí)信息和低級(jí)信息，增強(qiáng)特征之間的交互?？鐚舆B接使得模型在不增加太多計(jì)算成本的基礎(chǔ)上融合更多的特性。此外，為了減少參數(shù)量，刪減了原始YOLOv7中Head層的RepConv結(jié)構(gòu)。

2 試驗(yàn)與結(jié)果分析

2.1 試驗(yàn)數(shù)據(jù)

試驗(yàn)對(duì)象為白葉枯病、稻瘟病、褐斑病，其病害特征如表1所示。使用的水稻葉片病害數(shù)據(jù)來(lái)源于網(wǎng)上爬取，經(jīng)過(guò)數(shù)據(jù)清洗，共選取1 448張圖像構(gòu)建數(shù)據(jù)集。其中，隨機(jī)選取1 158張圖像作為訓(xùn)練集，114張圖像作為驗(yàn)證集，146張圖像作為測(cè)試集。

2.2 數(shù)據(jù)增強(qiáng)

為了提高模型的泛化能力，提升模型的魯棒性，對(duì)數(shù)據(jù)集做了數(shù)據(jù)增強(qiáng)處理。在模型訓(xùn)練過(guò)程中，利用Mosaic方法來(lái)增加數(shù)據(jù)的多樣性以及檢測(cè)物體背景的豐富度，這種方法通過(guò)隨機(jī)讀取4張圖片，對(duì)其進(jìn)行隨機(jī)裁剪，再拼接到一起作為訓(xùn)練數(shù)據(jù)，其處理后的圖像如圖5（a）所示。利用Mixup增加樣本的魯棒性，通過(guò)將兩張圖按比例進(jìn)行插值來(lái)混合樣本，以此來(lái)構(gòu)建虛擬樣本，來(lái)減少對(duì)錯(cuò)誤樣本的開銷，其處理后的結(jié)果如圖5（b）所示。

2.3 評(píng)價(jià)指標(biāo)

為了客觀地評(píng)估本文模型的性能，使用混淆矩陣進(jìn)行綜合評(píng)估，如表2所示。

True Positive（TP）為真正類，表示實(shí)際值為正類，模型預(yù)測(cè)出來(lái)的結(jié)果也是正類。False Negative（FN）為假負(fù)類，表示實(shí)際值為正類，但模型預(yù)測(cè)出來(lái)的結(jié)果為負(fù)類。False Positive（FP）為假正類，表示實(shí)際值為負(fù)類，但模型預(yù)測(cè)出來(lái)的結(jié)果為正類。True Negative（TN）為真負(fù)類，表示實(shí)際值為負(fù)類，模型預(yù)測(cè)出來(lái)的結(jié)果也是負(fù)類。

在評(píng)估水稻葉片病害檢測(cè)性能時(shí)，采用Precision（精確率）、AP（單類別平均精度）、mAP（所有水稻葉片病害類別的平均精度）。Precision衡量的是模型預(yù)測(cè)為病害正例的樣本中，真正為病害樣本的比例。AP則針對(duì)單一病害類別，表示在不同召回率下精確率的平均值，反映了系統(tǒng)在該類別病害檢測(cè)上的綜合性能。而mAP是所有水稻葉片病害類別AP值的平均值，能夠全面反映系統(tǒng)對(duì)各類病害的整體檢測(cè)能力。

[Precision=TPTP+FP×100%] （1）

[Recall=TPTP+FN×100%] （2）

[AP=01Precision-Recall（Recall）d（Recall）] （3）

[mAP=1Ni=1NAPi] （4）

式中： N——水稻葉片病害的種類。

2.4 試驗(yàn)設(shè)置

為了驗(yàn)證改進(jìn)方法的有效性，進(jìn)行消融試驗(yàn)，并和主流的目標(biāo)檢測(cè)模型YOLOv8、YOLOv5、Faster R-CNN、SSD進(jìn)行對(duì)比試驗(yàn)，為了更直觀地感受模型的檢測(cè)效果，對(duì)比YOLOv7與DNC-YOLOv7的檢測(cè)結(jié)果。所有消融試驗(yàn)與對(duì)比試驗(yàn)均基于同一數(shù)據(jù)集進(jìn)行測(cè)試，模型的訓(xùn)練參數(shù)均相同。消融試驗(yàn)結(jié)果如表3所示，本文模型和YOLOv5、YOLOv8、Faster R-CNN、SSD的對(duì)比試驗(yàn)結(jié)果如表4所示。其中，AP@0.5指IOU閾值為0.5時(shí)，模型的精度。mAP@0.5指IOU閾值設(shè)為0.5時(shí)，計(jì)算每一類的AP，然后對(duì)所有類別求平均得到mAP。mAP@0.95是IOU閾值從0.5到0.95的范圍內(nèi)，計(jì)算每一類的AP，然后對(duì)所有類別和所有閾值下的AP求平均得到mAP。YOLOv7與DNC-YOLOv7的檢測(cè)結(jié)果與熱力圖對(duì)比如圖6～圖8所示。YOLOv7-EN、YOLOv7-NC、YOLOv7-DFPN、DNC-YOLOv7分別為引入數(shù)據(jù)增強(qiáng)、引入NC上采樣模塊、采用DFPN結(jié)構(gòu)和所提出算法。

2.5 試驗(yàn)環(huán)境

提出的水稻病害目標(biāo)檢測(cè)模型是在PyTorch 1.12.1上實(shí)現(xiàn)，并使用NVIDIA進(jìn)行訓(xùn)練和測(cè)試。SGD優(yōu)化器用于訓(xùn)練，初始速率為0.01。輸入圖像大小為640像素×640像素，批量大小為16。

2.6 消融試驗(yàn)

為了論證上述提出的改進(jìn)點(diǎn)的檢測(cè)性能，對(duì)改進(jìn)點(diǎn)逐一對(duì)比分析，試驗(yàn)結(jié)果如表3所示，√表示使用該模塊。從表3可以看出，在加入Mixup后，mAP@0.5提高了4.4%，mAP@0.95也有3.7%的提升。結(jié)合Mixup和Mosaic后，模型的mAP@0.5提升至88.7%，準(zhǔn)確率也提升至89%，主要原因是經(jīng)過(guò)數(shù)據(jù)增強(qiáng)，增加了數(shù)據(jù)量，增強(qiáng)模型的泛化性和魯棒性。采用NC上采樣，模型的mAP@0.5由88.7%提升至89.2%，證明NC上采樣模塊可以更好的恢復(fù)圖像的細(xì)節(jié)，而采用DFPN時(shí)，模型的mAP@0.5也提升至92.8%，相較數(shù)據(jù)增強(qiáng)后的模型提升4.1%，mAP@0.95提升5.2%，說(shuō)明增強(qiáng)模型之間的信息交互有助于進(jìn)一步提升ZbfxdOF3oztHNtIBKB3TQhjQ7mzaT+jLY1T3S6AESEc=模型的檢測(cè)性能。

2.7 整體檢測(cè)性能評(píng)估

為了綜合分析提出的DNC-YOLOv7算法的檢測(cè)性能，選擇與YOLOv8、YOLOv5、Faster R-CNN、SSD進(jìn)行對(duì)比試驗(yàn)。根據(jù)表4分析可知，DNC-YOLOv7的mAP@0.5為93.2%，比原始網(wǎng)絡(luò)YOLOv7提高9.8%，mAP@0.95也提高10.2%，優(yōu)于原始算法，相比于YOLO系列的YOLOv8和YOLOv5，提出的算法精度也是最高的，這主要?dú)w功于一系列的優(yōu)化改進(jìn)。對(duì)于同樣是單階段檢測(cè)模型的SSD，雖然對(duì)白葉枯病和稻瘟病的檢測(cè)精度很高，但是褐斑病的檢測(cè)精度偏低，且平均檢測(cè)精度也低于所提出的模型。而對(duì)于經(jīng)典的兩階段檢測(cè)模型Faster R-CNN，三種病害的檢測(cè)精度均低于所提出的模型，且準(zhǔn)確率提高了不少。

2.8 檢測(cè)結(jié)果分析

為了更加直觀地說(shuō)明DNC-YOLOv7模型能夠提高水稻病害檢測(cè)的精度，對(duì)比了各改進(jìn)模塊的P-R曲線，結(jié)果如圖6所示，P-R曲線可以清楚地顯示不同算法的mAP@0.5，其中DNC-YOLOv7算法的x軸和y軸所圍面積最大，表明其表現(xiàn)更好。隨機(jī)選取了數(shù)據(jù)集中的4張圖像，與原始的YOLOv7模型進(jìn)行對(duì)比，YOLOv7與DNC-YOLOv7模型的對(duì)比檢測(cè)結(jié)果如圖7所示。可以看出，DNC-YOLOv7預(yù)測(cè)框的預(yù)測(cè)值大部分都大于YOLOv7的預(yù)測(cè)值，證明改進(jìn)的模型的有效性。YOLOv7中出現(xiàn)了漏檢的現(xiàn)象，在DNC-YOLOv7中得到改善，且沒有出現(xiàn)誤檢的情況，經(jīng)過(guò)分析，提出的水稻病害檢測(cè)算法相較于原始的YOLOv7算法更能檢測(cè)出病害的類型與病斑的位置。為了更好地理解模型，使用Grad-CAM[13]生成熱力圖分析模型檢測(cè)結(jié)果，從圖8可以看出，改進(jìn)的模型能準(zhǔn)確地找到病斑的特征并進(jìn)行準(zhǔn)確的識(shí)別，并且減小了復(fù)雜背景對(duì)檢測(cè)的影響。

3 結(jié)論

1） 首先采用Mixup、Mosaic數(shù)據(jù)增強(qiáng)，提升模型的泛化性和魯棒性；其次，為更好地恢復(fù)圖像細(xì)節(jié)，對(duì)原始上采樣模塊進(jìn)行改進(jìn)，提出NC上采樣模塊；最后，為提高模型的信息交互能力，提出DFPN網(wǎng)絡(luò)結(jié)構(gòu)，進(jìn)一步提高模型的檢測(cè)性能。

2） 通過(guò)對(duì)提出的DNC-YOLOv7進(jìn)行分析，本文算法的準(zhǔn)確率為93.2%，召回率為89.3%，mAP@0.5和mAP@0.95為93.2%和58.5%，相較原YOLOv7的mAP@0.5和mAP@0.95分別提高9.8%和10.2%，白葉枯病、稻瘟病和褐斑病三種病害的mAP@0.5也分別提升10.1%、5.3%和9.5%。結(jié)果表明，該算法比YOLOv7算法具有更強(qiáng)的檢測(cè)能力，對(duì)水稻葉病檢測(cè)具有更高的適用性。

3） 通過(guò)消融試驗(yàn)驗(yàn)證，加入Mixup、Mosaic數(shù)據(jù)增強(qiáng)后mAP@0.5提升5.3%，在此基礎(chǔ)上分別引入CARAFE和DFPN，模型的mAP@0.5提升0.5%和4.1%，各項(xiàng)改進(jìn)能更好地對(duì)水稻葉片病害進(jìn)行檢測(cè)。

參 考 文 獻(xiàn)

[ 1 ] 毛銳， 張宇晨， 王澤璽， 等. 利用改進(jìn)Faster-RCNN識(shí)別小麥條銹病和黃矮病[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（17）： 176-185.

Mao Rui， Zhang Yuchen， Wang Zexi， et al. Recognizing stripe rust and yellow dwarf of wheat using improved Faster-RCNN [J]. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（17）： 176-185.

[ 2 ] 李就好， 林樂堅(jiān)， 田凱， 等. 改進(jìn)Faster R-CNN的田間苦瓜葉部病害檢測(cè)[J]. 農(nóng)業(yè)工程學(xué)報(bào)， 2020， 36（12）： 179-185.

Li Jiuhao， Lin Lejian， Tian Kai， et al. Detection of leaf diseases of balsam pear in the field based on improved Faster R-CNN [J]. Transactions of the Chinese Society of Agricultural Engineering， 2020， 36（12）： 179-185.

[ 3 ] Liu W， Anguelov D， Erhan D. Ssd： Single shot multibox detector; proceedings of the Computer Vision-ECCV 2016： 14th European Conference， Amsterdam， The Netherlands， October 11—14， 2016 [J]. Proceedings， Part I， 14.

[ 4 ] 楊康， 熊凱， 周平， 等. 基于改進(jìn)SSD算法的輕量化三七病害檢測(cè)[J]. 華南農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 44（3）： 447-455.

[ 5 ] 宋玲， 曹勉， 胡小春， 等. 基于YOLOX的復(fù)雜背景下木薯葉病害檢測(cè)方法 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（3）： 301-307.

Song Ling， Cao Mian， Hu Xiaochun， et al. Detection of cassava leaf diseases under complicated background based on YOLOX [J]. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（3）： 301-307.

[ 6 ] 劉延鑫， 王俊峰， 杜傳印， 等. 基于YOLOv3的多類煙草葉部病害檢測(cè)研究[J]. 中國(guó)煙草科學(xué)， 2022， 43（2）： 94-100.

[ 7 ] 劉文波， 葉濤， 李頎. 基于改進(jìn)SOLO v2的番茄葉部病害檢測(cè)方法 [J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2021， 52（8）： 213-220.

Liu Wenbo， Ye Tao， Li Qi. Tomato leaf disease detection method based on improved SOLO v2 [J]. Transactions of the Chinese Society for Agricultural Machinery， 2021， 52（8）： 213-220.

[ 8 ] 嚴(yán)陳慧子， 田芳明， 譚峰， 等. 基于改進(jìn)YOLOv4的水稻病害快速檢測(cè)方法[J]. 江蘇農(nóng)業(yè)科學(xué)， 2023， 51（6）： 187-194.

Yan Chenhuizi， Tian Fangming， Tan Feng， et al. Rapid detection method of rice diseases based on improved YOLOv4 [J]. Jiangsu Agricultural Sciences， 2023， 51（6）： 187-194.

[ 9 ] 代國(guó)威， 樊景超， 胡林. 采用天氣增強(qiáng)與八度卷積改進(jìn)YOLOv5的番茄檢測(cè)模型構(gòu)建[J]. 山東農(nóng)業(yè)科學(xué)， 2022， 54（11）： 138-149.

Dai Guowei， Fan Jingchao， Hu Lin. Improved tomato detection model construction based on YOLOv5 using weather augmentation and octave convolution [J]. Shandong Agricultural Sciences， 2022， 54（11）： 138-149.

[10] 王衛(wèi)星， 劉澤乾， 高鵬， 等. 基于改進(jìn)YOLOv4的荔枝病蟲害檢測(cè)模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（5）： 227-235.

Wang Weixing， Liu Zeqian， Gao Peng， et al. Detection of litchi diseases and insect pests based on improved YOLOv4 model [J]. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（5）： 227-235.

[11] Wang J， Chen K， Xu R， et al. Carafe： Content?aware reassembly of features [C]. Proceedings of the IEEE/CVF International Conference on Computer Vision， 2019： 3007-3016.

[12] Wang K， Liew J H， Zou Y， et al. Panet： Few?shot image semantic segmentation with prototype alignment [C]. Proceedings of the IEEE/CVF International Conference on Computer Vision， 2019： 9197-9206.

[13] Selvaraju R R， Cogswell M， Das A， et al. Grad-CAM： Visual explanations from deep networks via gradient?based localization [C]. Proceedings of the IEEE International Conference on Computer Vision， 2017： 618-626.