改進(jìn)YOLOv8的農(nóng)作物葉片病蟲害識(shí)別算法

摘要：針對(duì)傳統(tǒng)檢測(cè)網(wǎng)絡(luò)難以準(zhǔn)確、高效地提取農(nóng)作物葉片病蟲害特征信息的問題，通過改進(jìn)YOLOv8網(wǎng)絡(luò)，提出一種多層級(jí)多尺度特征融合的農(nóng)作物葉片病蟲害識(shí)別算法。通過學(xué)習(xí)不同層級(jí)特征直接的特征關(guān)系，構(gòu)建多層級(jí)特征編碼模塊，學(xué)習(xí)全面的特征表達(dá)；在Transformer的基礎(chǔ)上設(shè)計(jì)多尺度空間—通道注意力模塊，利用學(xué)習(xí)細(xì)粒度、粗粒度等多尺度全面的特征表達(dá)模式，捕獲不同尺度特征之間的互補(bǔ)關(guān)系，并將所有特征表示有效融合起來，構(gòu)成完整的圖像特征表示，進(jìn)而獲取更佳的識(shí)別結(jié)果。在Plant Village公開數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證，結(jié)果表明：提出的改進(jìn)方法能夠有效提升配準(zhǔn)精度，準(zhǔn)確地識(shí)別出農(nóng)作物葉片上同時(shí)存在的不同病蟲害，對(duì)番茄葉片檢測(cè)的mAP 0.5達(dá)到88.74%，比傳統(tǒng)YOLOv8方法提升8.53%，且計(jì)算耗時(shí)沒有明顯增加。消融試驗(yàn)也充分證明所提各個(gè)模塊的有效性，能夠更好地實(shí)現(xiàn)高精度識(shí)別葉片病蟲害，為農(nóng)田智慧化管理提供有力支持和保障。

關(guān)鍵詞：葉片病蟲害識(shí)別；多層級(jí)特征編碼；多尺度特征融合；通道注意力；特征表達(dá)

中圖分類號(hào)：TP391.4； S43

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：20955553 （2024） 070255

06

Recognition algorithm for crop leaf diseases and pests based on improved YOLOv8

Zhang Shugui1， 2， 3， Chen Shuli1， Zhao Zhan1

（1. School of Information Engineering， Kaifeng University， Kaifeng， 475001， China； 2. Research Center of

High-Standard Farmland Intelligent Irrigation Project in Henan， Kaifeng， 475001， China;

3. Kaifeng Agricultural Internet of Things Engineering Technology Center， Kaifeng， 475001， China）

Abstract：

Aiming at the problem that traditional detection networks are difficult to extract the feature information of crop leaf pest and disease accurately and efficiently， a multi-level and multi-scale feature fusion recognition algorithm for crop leaf pest is proposed through the improvement of YOLOv8 network. Firstly， a multi-level feature coding module is constructed to learn the comprehensive feature representation by learning the direct feature relationships of different levels of features. Then， a multi-scale space-channel attention module is designed on the basis of Transformer to capture the complementary relationships between different scales of features by learning the comprehensive multi-scale feature representation patterns such as fine-grained and coarse-grained， and all feature representations are effectively. The whole feature representations are fused， and the better recognition results are obtained.Finally， the experimental validation is conducted on the Plant Village public dataset， and the results show that the proposed improved method can effectively improve the alignment accuracy and accurately recognize different pests and diseases existing on the leaves of crops at the same time， and the mAP 0.5 for tomato leaves detection reaches 88.74%， which is 8.53% higher than the traditional YOLOv8 method， without significant increase in computation time. The ablation experiments also fully demonstrate the effectiveness of the proposed modules， which can better achieve high-precision leaf insect and disease recognition and provide a strong support and guarantee for the intelligent management of farmland.

Keywords：

recognition of leaf disease and pest; multi-level feature coding; multi-scale feature fusion; channel attention; feature expression

0 引言

在實(shí)際的農(nóng)田環(huán)境中，農(nóng)作物可能同時(shí)受到多種病害的侵襲，導(dǎo)致病害之間存在重疊的情況，加大了識(shí)別的難度。近年來，隨著人工智能和計(jì)算機(jī)視覺技術(shù)的發(fā)展，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)模型在農(nóng)作物病蟲害檢測(cè)系統(tǒng)中展現(xiàn)出卓越的性能［13］。這些先進(jìn)技術(shù)利用大量的圖像數(shù)據(jù)進(jìn)行訓(xùn)練，實(shí)現(xiàn)對(duì)農(nóng)作物病害更快速、更精準(zhǔn)地檢測(cè)識(shí)別，取得了重要進(jìn)展。Pramanik等［4］根據(jù)高質(zhì)量圖像色差定位病變區(qū)域，采用袋裝集成樹等先進(jìn)的機(jī)器學(xué)習(xí)分類器，將患病區(qū)域整體準(zhǔn)確率提高到了99%。Zhou等［5］使用Faster R-CNN模型結(jié)合K-Means聚類算法，提出了一種水稻病害檢測(cè)模型，利用OTSU算法和多電平中值濾波器，完成了分割和去噪任務(wù)，實(shí)現(xiàn)了0.52s的推理速度。

YOLO系列算法［6］具有速度更快、實(shí)時(shí)性更高的優(yōu)勢(shì)，在目標(biāo)識(shí)別方面取得了顯著進(jìn)展，更適合農(nóng)作物病蟲害檢測(cè)。YOLOX使用YOLOV3-Darknet作為基線框架，通過加入SPP層來增強(qiáng)特征提取，能從復(fù)雜背景中分離出葉片，并結(jié)合DeepLabV3+和UNet進(jìn)行語義分割。Chen等［7］采用YOLOv5模型對(duì)農(nóng)作物病蟲害進(jìn)行準(zhǔn)確識(shí)別，并通過使用SE模塊和Involution Bottleneck提高了參數(shù)的準(zhǔn)確性和數(shù)量。2023年發(fā)布的YOLOv8［8］更加注重實(shí)踐，檢測(cè)性能更加優(yōu)異。

本文在YOLOv8的基礎(chǔ)上，提出一種多層級(jí)多尺度特征融合的農(nóng)作物病害識(shí)別方法（MMF-YOLOv8），通過引入多尺度和多層級(jí)特征融合策略進(jìn)行改進(jìn)，通過對(duì)比試驗(yàn)和消融試驗(yàn)，驗(yàn)證改進(jìn)模型的準(zhǔn)確性，為農(nóng)田智慧化管理提供支持和保障。

1 改進(jìn)YOLOv8的病害檢測(cè)網(wǎng)絡(luò)模型

1.1 YOLOv8網(wǎng)絡(luò)

YOLOv8的主干采用CSPDarknet53結(jié)構(gòu)，包含多個(gè)受CSP啟發(fā)的C2f模塊，每個(gè)C2f模塊前面的卷積核大小為3×3，移動(dòng)步長為2，用于降低采樣率，YOLOv8的網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

由于網(wǎng)絡(luò)優(yōu)化過程中梯度信息會(huì)重復(fù)出現(xiàn)，CSP模塊的設(shè)計(jì)是為了減少網(wǎng)絡(luò)推理計(jì)算量，該模塊將底層特征圖分成兩部分，通過跨階段的層次結(jié)構(gòu)將它們合并，在保持精度的前提下減少計(jì)算量。在骨干網(wǎng)的末端，仍然采用SPPF模塊，通過三次池化進(jìn)行特征提取，提高網(wǎng)絡(luò)對(duì)感受野的感知能力。

在頸部（Neck）仍然使用FPN+PAN的結(jié)構(gòu)，增強(qiáng)網(wǎng)絡(luò)的特征融合能力，解決多尺度目標(biāo)的識(shí)別問題。FPN目的是能夠同時(shí)識(shí)別不同大小的物體，從上往下傳遞強(qiáng)大的語義特征，而PAN從下往上傳遞強(qiáng)大的定位特征。

在預(yù)測(cè)頭部（Head），采用與YOLOX一致的解耦頭操作，將分類和定位分開，并將基于錨點(diǎn)的分類改為無錨點(diǎn)的分類。分類的關(guān)注點(diǎn)是目標(biāo)的紋理內(nèi)容，而定位的關(guān)注點(diǎn)是目標(biāo)的邊緣信息。為了避免計(jì)算量的明顯增加，YOLOv8首先進(jìn)行1×1的降維操作，然后將分類和定位兩個(gè)分支連接起來，形成性能和速度的雙重收益。

在YOLOv8中，骨干網(wǎng)絡(luò)和頭部由多個(gè)CBS和C2f模塊組成，雖然集合YOLO各版本的優(yōu)點(diǎn)，但在特殊場(chǎng)景的識(shí)別中仍然存在很多問題，尤其是對(duì)小目標(biāo)的識(shí)別效果不夠理想。由于在農(nóng)作物的識(shí)別領(lǐng)域，存在目標(biāo)干擾、視角不佳、環(huán)境變化等問題，會(huì)導(dǎo)致識(shí)別效果不佳。同時(shí)，在復(fù)雜環(huán)境中，農(nóng)作物葉片容易重疊、遮擋，經(jīng)過多次特征提取，容易丟失大量的邊緣信息，會(huì)導(dǎo)致識(shí)別精度下降。

1.2 基于多層級(jí)多尺度特征融合的檢測(cè)網(wǎng)絡(luò)

YOLOv8的網(wǎng)絡(luò)模塊的特征提取能力主要由C2f模塊決定。然而，通過持續(xù)的測(cè)試后，發(fā)現(xiàn)C2f模塊存在一些問題。

為此，本文提出一種多尺度多層次特征融合的識(shí)別方法，在保持YOLOv8基本框架不變的前提下，對(duì)C2f模塊進(jìn)行了改進(jìn)，以捕獲更多的特征表達(dá)，并加強(qiáng)網(wǎng)絡(luò)的學(xué)習(xí)能力，極大地降低對(duì)農(nóng)作物病蟲害的誤檢率和漏檢率。另外，盡管YOLOv8采用FPN+PAN的結(jié)構(gòu)，豐富了語義特征和定位信息，但通過逐層特征提取，很多原始信息可能會(huì)丟失。為此，本文對(duì)特征融合網(wǎng)絡(luò)也進(jìn)行改進(jìn)，使淺層信息和深層信息更加完美結(jié)合，提高復(fù)雜場(chǎng)景下目標(biāo)識(shí)別的準(zhǔn)確性。網(wǎng)絡(luò)整體框架如圖2所示。

1.3 多層級(jí)特征編碼

本文提出一種密集連接機(jī)制（Convolutional 3D，C3D），相比原始YOLOv8中的C2f模塊，該機(jī)制將所有層連接在一起，并在每層的特征提取之后進(jìn)行串聯(lián)。在C3D中，存在多個(gè)模塊層，特征提取后每個(gè)模塊層形成的特征圖的大小相同，層與層之間存在著密集連接的關(guān)系。淺層網(wǎng)絡(luò)主要捕捉紋理特征，而深層網(wǎng)絡(luò)則側(cè)重于物體本體特征，因此各層的信息都至關(guān)重要［9］。本文采用密集連接機(jī)制拼接各層的信息，使網(wǎng)絡(luò)能夠?qū)W習(xí)到更完整的特征信息，提高識(shí)別的準(zhǔn)確性。結(jié)構(gòu)如圖3所示。通常情況下，每層卷積之后都需要進(jìn)行一次拼接操作，但是拼接后形成的特征圖的通道數(shù)會(huì)大于k，導(dǎo)致下一層卷積的輸入量和計(jì)算量增加。因此，在進(jìn)行卷積之前，本文采用一個(gè)1×1的卷積核進(jìn)行降維，將通道數(shù)減少到k，然后再進(jìn)行卷積操作，從而改善整個(gè)網(wǎng)絡(luò)的梯度反向傳播，使網(wǎng)絡(luò)更容易訓(xùn)練。各層之間的連接通過拼接操作進(jìn)行融合，更好地實(shí)現(xiàn)特征編碼。

具體的實(shí)現(xiàn)方法：首先，使用一個(gè)1×1的卷積核進(jìn)行降維，然后使用一個(gè)3×3的卷積核進(jìn)行卷積操作，最后通過協(xié)程操作將輸出與原始輸入信息進(jìn)行融合。通過這樣的方式，C3D模塊經(jīng)過3次重復(fù)，從而獲得更豐富的特征表示。

1.4 多尺度特征融合

YOLOv8的原始結(jié)構(gòu)在特征提取過程中進(jìn)行多次下采樣操作，在骨干網(wǎng)絡(luò)特征提取后直接進(jìn)行預(yù)測(cè)，導(dǎo)致在特征融合的最后階段出現(xiàn)嚴(yán)重的信息損失。隨著特征提取層數(shù)的增加，這個(gè)缺陷變得越來越明顯，最終導(dǎo)致識(shí)別精度不高。

雖然許多研究者已經(jīng)意識(shí)到這個(gè)問題，嘗試通過增加第四個(gè)檢測(cè)層來解決，但這種方法增加了計(jì)算量，很難獲得顯著的性能提升［10， 11］。Transformer作為一種自注意力機(jī)制，最初在自然語言處理任務(wù)中被引入，并引起廣泛關(guān)注。通過在所有實(shí)體之間執(zhí)行信息交換來提取特征，因此具有出色的性能。不同尺度的特征表示具有不同的特性，例如低級(jí)特征通常表示物體的輪廓、形態(tài)和顏色等特性，而高級(jí)特征則描述物體的語義特性。為提取和融合不同尺度的特征表示，本文考慮到Transformer的注意力機(jī)制具有天然的優(yōu)勢(shì)，提出多尺度特征融合（MSF-Attention）模塊（圖4），該模塊的主要目標(biāo)是對(duì)單個(gè)尺度的特征進(jìn)行特征提取，并通過融合不同尺度的特征向量來獲取有用的特征表達(dá)。

對(duì)特征進(jìn)行提純后，本文采用基于空間注意力機(jī)制和基于通道注意力機(jī)制的兩種新的Transformer結(jié)構(gòu)，并將它們?nèi)诤闲纬啥喑叨忍卣魅诤系腡ransformer結(jié)構(gòu)，能夠更好地利用淺層的空間結(jié)構(gòu)信息和深層的語義信息，進(jìn)一步提高識(shí)別的準(zhǔn)確率。

首先使用基于空間注意力機(jī)制的Transformer結(jié)構(gòu)，捕捉不同位置之間的關(guān)聯(lián)信息，以提取空間結(jié)構(gòu)特征。在空間維度上執(zhí)行自注意力操作，更好地捕捉物體的輪廓和形狀等低級(jí)特征。其次引入基于通道注意力機(jī)制的Transformer結(jié)構(gòu)，以提取深層語義特征，在通道維度上執(zhí)行自注意力操作，將不同通道之間的相關(guān)性信息融合到特征表示中，增強(qiáng)物體的語義表達(dá)能力。最后融合基于空間注意力和基于通道注意力的Transformer結(jié)構(gòu)，形成多尺度特征融合的Transformer結(jié)構(gòu)，將淺層空間結(jié)構(gòu)信息和深層語義信息相結(jié)合，以獲取更豐富和完整的特征表示。該結(jié)構(gòu)的優(yōu)勢(shì)在于能夠自適應(yīng)地學(xué)習(xí)特征之間的關(guān)聯(lián)性，更好地捕捉目標(biāo)的細(xì)節(jié)和上下文信息，實(shí)現(xiàn)對(duì)不同尺度特征的提取和融合，提高農(nóng)作物葉片病蟲害的識(shí)別精度。

2 試驗(yàn)與結(jié)果分析

2.1 數(shù)據(jù)集

為了訓(xùn)練準(zhǔn)確的深度學(xué)習(xí)模型以進(jìn)行精確的識(shí)別任務(wù)，擁有適當(dāng)和平衡的圖像樣本數(shù)據(jù)集至關(guān)重要。通常情況下，數(shù)據(jù)集規(guī)模越大，所能獲得的深度學(xué)習(xí)模型準(zhǔn)確性也越高。本文選擇Plant Village （PV）數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)集，該數(shù)據(jù)集是一個(gè)開源的農(nóng)業(yè)疾病數(shù)據(jù)集，包含超過56000張圖像，涵蓋了38個(gè)類別，包括19種作物，都是格式為jpeg的高質(zhì)量葉片圖像，寬度為5472像素，高度為3648像素。以番茄類別作為研究對(duì)象。從數(shù)據(jù)集中選取9個(gè)不同的番茄疾病類別，包括晚疫病、早疫病、葉斑病，黃葉卷曲病，細(xì)菌性斑點(diǎn)病，靶斑病，花葉病毒，葉霉病和蛛螨病，共計(jì)包含18128張番茄葉片圖像，圖5為部分不同類型的番茄葉片圖像。

由于該數(shù)據(jù)集只提供圖像級(jí)別的標(biāo)注，缺乏邊界框級(jí)別的標(biāo)注信息，為了獲得邊界框級(jí)別的標(biāo)注，使用開源標(biāo)注軟件Labelimg對(duì)這18128張圖像進(jìn)行標(biāo)注，能夠構(gòu)建一個(gè)有代表性的數(shù)據(jù)集，來訓(xùn)練和評(píng)估基于改進(jìn)YOLOv8的作物葉片蟲病害檢測(cè)模型。

2.2 試驗(yàn)設(shè)置

試驗(yàn)在PyTorch框架和兩塊NVIDIA 2080 Ti GPU（11G）的環(huán)境下進(jìn)行，將所有試驗(yàn)數(shù)據(jù)按照80%∶10%∶10%的比例進(jìn)行拆分，其中80%的數(shù)據(jù)用于訓(xùn)練，10%用于驗(yàn)證，剩下的10%用于測(cè)試。在設(shè)置試驗(yàn)環(huán)境后，使用表1中提到的超參數(shù)對(duì)提出的模型進(jìn)行訓(xùn)練，共進(jìn)行100個(gè)epoch，批量大小為32，并保存訓(xùn)練后獲得的最佳權(quán)重，用來測(cè)試本文提出的模型在測(cè)試圖像上的性能。為了進(jìn)行試驗(yàn)，將數(shù)據(jù)集中的圖像調(diào)整為1024像素×1024像素的尺寸。

在訓(xùn)練過程中，本文采用數(shù)據(jù)增強(qiáng)策略，使用隨機(jī)梯度下降（SGD）算法，初始學(xué)習(xí)率為0.0001，動(dòng)量為0.9，權(quán)重衰減為0.0005，以優(yōu)化模型的性能。余弦學(xué)習(xí)率調(diào)度器被用作默認(rèn)的學(xué)習(xí)率調(diào)整策略。對(duì)訓(xùn)練過程進(jìn)行分析，并根據(jù)多個(gè)指標(biāo)評(píng)估模型的性能。為有效地區(qū)分重疊的癥狀，對(duì)于分類和目標(biāo)性，使用二元交叉熵?fù)p失。在推理過程中，使用sigmoid激活函數(shù)，而不是類別概率，結(jié)果更穩(wěn)定。對(duì)于邊界框采用回歸損失，詳細(xì)配置信息見表1。

2.3 對(duì)比驗(yàn)證

本文使用mAP指標(biāo)來評(píng)估不同模型的性能，采用不同算法在PV數(shù)據(jù)集上進(jìn)行測(cè)試，得到試驗(yàn)結(jié)果如表2所示。

從mAP 0.5指標(biāo)來看，F(xiàn)ast R-CNN在PV數(shù)據(jù)集上達(dá)到64.28%的識(shí)別精度，而Faster R-CNN、YOLOv3和YOLOv5分別取得更高的mAP值，分別為74.26%、73.81%和75.70%，這表明基于區(qū)域提取的方法和YOLO系列的方法在一定程度上能夠準(zhǔn)確地識(shí)別出農(nóng)作物葉片疾病。從運(yùn)算耗時(shí)來看，F(xiàn)ast R-CNN和Faster R-CNN需要更多的計(jì)算耗時(shí)，而基于YOLO系列的方法具有更快的運(yùn)算速度，且準(zhǔn)確率有一定的提升。此外，YOLOv8和MMF-YOLOv8的mAP值分別達(dá)到80.21%和88.74%，明顯優(yōu)于其他算法，且計(jì)算耗時(shí)只有8 ms左右，能夠滿足實(shí)時(shí)性需求，這表明采用更先進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)和特征融合機(jī)制能夠提高目標(biāo)識(shí)別的準(zhǔn)確性，并且MMF-YOLOv8在融合多尺度特征的基礎(chǔ)上進(jìn)一步提升了性能。綜合考慮mAP 0.5和mAP 0.5∶0.9指標(biāo)可知，YOLO系列算法，尤其是本文的MMF-YOLOv8，在PV數(shù)據(jù)集上展現(xiàn)出優(yōu)越的識(shí)別性能。采用本文方法得到部分可視化結(jié)果如圖6所示。

2.4 消融試驗(yàn)

為了測(cè)試本文所提各模塊對(duì)識(shí)別結(jié)果起到的作用，在PV數(shù)據(jù)集上對(duì)各模塊進(jìn)行消融試驗(yàn)。本文以YOLOv8作為骨干網(wǎng)，記為bNet；通過添加多層級(jí)編碼模塊，記為bNet-C3D。在此基礎(chǔ)上，通過增加Spatial-Transformer模塊記為bNet_C3D _MSF-Spatial，又增加Channel-Transformer為完整的框架，記為MMF-YOLOv8，得到消融試驗(yàn)結(jié)果如表3所示。

由表3可以看出，骨干網(wǎng)（bNet）在PV數(shù)據(jù)集上的mAP 0.5為80.21%，mAP 0.5∶0.9為69.50%，這表明bNet作為YOLOv8的基本組成部分，具有一定的識(shí)別準(zhǔn)確性。加入C3D模塊后，bNet_C3D模型在mAP 0.5和mAP 0.5∶0.9上分別達(dá)到82.56%和72.45%，表明多層級(jí)編碼模塊對(duì)葉片疾病識(shí)別的性能有所提升，有助于有效特征表達(dá)，提高模型對(duì)時(shí)間變化的敏感度。

在bNet_C3D的基礎(chǔ)上引入多尺度融合多尺度Transformer模塊，bNet_C3D_MSF-Spatial模型在mAP 0.5和mAP 0.5∶0.9上分別達(dá)到85.68%和74.91%，這表明多尺度融合空間特征的引入進(jìn)一步提高模型的準(zhǔn)確性，通過綜合不同尺度的空間特征信息，增強(qiáng)模型對(duì)目標(biāo)的識(shí)別和定位能力。本文提出的MMF-YOLOv8模型綜合bNet、C3D和多尺度融合特征模塊的優(yōu)勢(shì)，在mAP 0.5和mAP 0.5∶0.9上分別達(dá)到88.74%和76.42%，與傳統(tǒng)YOLOv8方法相比分別提升8.53%和6.92%，說明逐步引入多層級(jí)編碼模塊和多尺度融合特征模塊可以顯著提高模型的性能，這些模塊的協(xié)同作用對(duì)于提高葉片蟲病害識(shí)別的準(zhǔn)確性至關(guān)重要。

3 結(jié)論

本文在骨干網(wǎng)YOLOv8的基礎(chǔ)上，引入多尺度和多層級(jí)特征融合，捕捉不同尺度下的病害特征，并充分利用底層和高層特征的信息，提供更豐富的上下文信息，進(jìn)一步提高識(shí)別的準(zhǔn)確性和魯棒性。

1） 相比傳統(tǒng)的目標(biāo)檢測(cè)模型，本文所提出的方法表現(xiàn)出更高的識(shí)別精度，mAP 0.5和mAP 0.5∶0.9分別達(dá)到88.74%和76.42%，能夠準(zhǔn)確地檢測(cè)出農(nóng)作物葉片上同時(shí)存在的不同病害。

2） 相比傳統(tǒng)的YOLOv8方法，本文所提出的方法在mAP 0.5和mAP 0.5∶0.9上分別提升8.53%和6.92%，且所需運(yùn)算耗時(shí)更低，只有8 ms左右，改進(jìn)后的計(jì)算耗時(shí)沒有明顯增加，展現(xiàn)出卓越的性能，能夠滿足實(shí)時(shí)性需求。

3） 消融試驗(yàn)的結(jié)果進(jìn)一步驗(yàn)證提出的多層級(jí)特征編碼和多尺度特征融合機(jī)制對(duì)于葉片蟲病害檢測(cè)的有效性。

在未來的工作中，將在提高模型的效率和魯棒性上深入研究，進(jìn)一步提升模型在不同場(chǎng)景和環(huán)境下的適應(yīng)能力。同時(shí)，結(jié)合更多的數(shù)據(jù)增強(qiáng)策略和先進(jìn)的優(yōu)化算法，改善模型的訓(xùn)練效果和推理速度。

參 考 文 獻(xiàn)

［1］李鑫然， 李書琴， 劉斌. 基于改進(jìn)Faster R-CNN的蘋果葉片病害檢測(cè)模型［J］. 計(jì)算機(jī)工程， 2021， 47（11）： 298-304.

Li Xinran， Li Shuqin， Liu Bin. Apple leaf diseases detection model based on improved Faster R-CNN ［J］. Computer Engineering， 2021， 47（11）： 298-304.

［2］Rehman Z U， Khan M A， Ahmed F， et al. Recognizing apple leaf diseases using a novel parallel real-time processing framework based on MASK RCNN and transfer learning： An application for smart agriculture ［J］. IET Image Processing， 2021， 15（10）： 2157-2168.

［3］尚文卿， 齊紅波. 基于改進(jìn)Faster R-CNN與遷移學(xué)習(xí)的農(nóng)田雜草識(shí)別算法［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（10）： 176-182.

Shang Wenqing， Qi Hongbo. Identification algorithm of field weeds based on improved Faster R-CNN and transfer learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 176-182.

［4］Pramanik A， Pal S K， Maiti J， et al. Granulated RCNN and multi-class deep sort for multi-object detection and tracking ［J］. IEEE Transactions on Emerging Topics in Computational Intelligence， 2021， 6（1）： 171-181.

［5］Zhou G， Zhang W， Chen A， et al. Rapid detection of rice disease based on FCM-KM and faster R-CNN fusion ［J］. IEEE Access， 2019（7）： 143190-143206.

［6］馬馳， 吳華瑞， 于會(huì)山. 基于YOLOX的穴盤甘藍(lán)病害檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)， 2023， 51（8）： 193-202.

Ma Chi， Wu Huarui， Yu Huishan. Detection method of cabbage disease based on YOLOX ［J］. Jiangsu Agricultural Sciences， 2023， 51（8）： 193-202.

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

［8］Terven J， Cordova-Esparza D. A comprehensive review of YOLO： From YOLOv1 to YOLOv8 and beyond ［J］. ArXiv Preprint ArXiv： 2304. 00501， 2023.

［9］張紅民， 莊旭， 鄭敬添， 等. 優(yōu)化YOLO網(wǎng)絡(luò)的人體異常行為檢測(cè)方法［J］. 計(jì)算機(jī)工程與應(yīng)用， 2023， 59（7）： 242-249.

Zhang Hongmin， Zhuang Xu， Zheng Jingtian， et al. Optimizing human abnormal behavior detection method of YOLO network ［J］. Computer Engineering and Applications， 2023， 59（7）： 242-249.

［10］何斌， 張亦博， 龔健林， 等. 基于改進(jìn)YOLOv5的夜間溫室番茄果實(shí)快速識(shí)別［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（5）： 201-208.

He Bin， Zhang Yibo， Gong Jianlin， et al. Fast recognition of tomato fruit in greenhouse at night based on improved YOLOv5 ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（5）： 201-208.

［11］王菁， 范曉飛， 趙智慧， 等. 基于YOLO算法的不同品種棗自然環(huán)境下成熟度識(shí)別［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（11）： 165-171.

Wang Jing， Fan Xiaofei， Zhao Zhihui， et al. Maturity identification of different jujube varieties under natural environment based on YOLO algorithm ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（11）： 165-171.

［12］文斌， 曹仁軒， 楊啟良， 等. 改進(jìn)YOLOv3算法檢測(cè)三七葉片病害［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2022， 38（3）： 164-172.

Wen Bin， Cao Renxuan， Yang Qiliang， et al. Detecting leaf disease for Panax notoginseng using an improved YOLOv3 algorithm ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（3）： 164-172.

［13］Soeb M J A， Jubayer M F， Tarin T A， et al. Tea leaf disease detection and identification based on YOLOv7 （YOLO-T） ［J］. Scientific reports， 2023， 13（1）： 6078.

［14］Kim J H， Kim N， Won C S. High-speed drone detection based on Yolo-v8 ［C］. IEEE International Conference on Acoustics， Speech and Signal Processing， Rhodes Island， Greece， 2023： 1-2.