基于改進(jìn)YOLO v5算法的草莓缺素診斷方法

doi：10.15889/j.issn.1002-1302.2024.20.011

摘要：為解決實(shí)際生產(chǎn)中草莓因缺素而導(dǎo)致經(jīng)濟(jì)損失的問(wèn)題，提出一種基于YOLO v5算法的草莓葉片無(wú)損缺素檢測(cè)方法，可針對(duì)4種常見(jiàn)的缺素（缺氮、缺磷、缺鉀、缺鈣）草莓葉片及正常草莓葉片進(jìn)行識(shí)別。由于草莓的種植環(huán)境較為復(fù)雜，因此對(duì)YOLO v5算法進(jìn)行改進(jìn)，包括在骨干網(wǎng)絡(luò)中添加CBAM注意力機(jī)制、使用Focal-EIoU損失函數(shù)替換默認(rèn)的CIoU損失函數(shù)，以及引入Soft-NMS非極大值抑制算法并加入P2檢測(cè)頭，這些改進(jìn)著重增加了算法在復(fù)雜背景下針對(duì)重疊目標(biāo)及小目標(biāo)的檢測(cè)能力。經(jīng)過(guò)改進(jìn)所建立的YOLO v5-CFPS模型的準(zhǔn)確率（P）、召回率（R）、平均精度均值（mAP值）分別為97.05%、95.71%、97.03%，相較于原始YOLO v5模型分別提升了6.47、6.01、7.73百分點(diǎn)，并通過(guò)NCNN框架將模型移植至安卓平臺(tái)，驗(yàn)證了其實(shí)際應(yīng)用的可行性。說(shuō)明YOLO v5-CFPS模型對(duì)于草莓葉片缺素檢測(cè)具有檢測(cè)精度高、速度快、可靠性強(qiáng)等優(yōu)點(diǎn)，為草莓缺素檢測(cè)提供了一種更優(yōu)的解決方案，有助于實(shí)現(xiàn)及時(shí)施肥追肥，并減少因不科學(xué)用肥所導(dǎo)致的經(jīng)濟(jì)損失和資源浪費(fèi)。

關(guān)鍵詞：缺素診斷；草莓葉片；機(jī)器視覺(jué)；改進(jìn)YOLO v5算法；注意力機(jī)制

中圖分類號(hào)：S126；TP391.41" 文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）20-0083-09

收稿日期：2023-10-07

基金項(xiàng)目：山東省農(nóng)機(jī)裝備研發(fā)創(chuàng)新計(jì)劃（編號(hào)：2015YF103）；山東省自然科學(xué)基金（編號(hào)：ZR2018MF025）；山東省重點(diǎn)研發(fā)計(jì)劃（編號(hào)：2017GNC12103）。

作者簡(jiǎn)介：王克林（1998—），男，江蘇徐州人，碩士研究生，主要從事農(nóng)機(jī)裝備智能化研究。E-mail：897364122@qq.com。

通信作者：丁筱玲，教授，主要從事模式識(shí)別與智能控制、自動(dòng)化儀器儀表與裝置、自動(dòng)控制等教學(xué)科研工作。E-mail：xld@sdau.edu.cn。

中國(guó)是世界上最大的草莓生產(chǎn)國(guó)之一，草莓種植在中國(guó)廣泛分布并且有著悠久的歷史［1］。目前，草莓施肥決策主要依靠人工經(jīng)驗(yàn)，存在浪費(fèi)人力、效率低下且過(guò)于依賴主觀判斷等缺點(diǎn)。而化學(xué)測(cè)定法、光譜分析法等雖然能夠較為準(zhǔn)確地對(duì)缺素問(wèn)題進(jìn)行診斷，但存在成本過(guò)高、速度較慢且不利于大規(guī)模推廣的問(wèn)題。因此，利用機(jī)器視覺(jué)技術(shù)進(jìn)行即時(shí)、科學(xué)、無(wú)損的缺素診斷對(duì)實(shí)現(xiàn)果園智能化管理、及時(shí)追肥、降低果農(nóng)損失具有重大意義。目前，將機(jī)器視覺(jué)技術(shù)應(yīng)用于作物缺素檢測(cè)已經(jīng)取得了一些研究成果，科研人員結(jié)合農(nóng)業(yè)專家經(jīng)驗(yàn)，總結(jié)出基于形色特征的缺素判斷方法，并通過(guò)機(jī)器視覺(jué)對(duì)植物進(jìn)行缺素診斷［2］。陳利蘇利用MATLAB與Fisher對(duì)水稻的氮磷鉀營(yíng)養(yǎng)脅迫水平進(jìn)行判別分析，并取得90%以上的識(shí)別精度［3］；王熠利用支持向量機(jī)（LDA-SVM）模型建立蘋(píng)果葉片缺鉀診斷模型，并基于PyQt5構(gòu)建了可視化系統(tǒng)［4］；張?chǎng)斡钤趯?duì)比反向傳播神經(jīng)網(wǎng)絡(luò)（BP）神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)與隨機(jī)森林算法對(duì)水培生菜缺素診斷的效果后，構(gòu)建了基于隨機(jī)森林算法的診斷模型，識(shí)別準(zhǔn)確率可達(dá)86%［5］；桑東利用機(jī)器學(xué)習(xí)回歸算法和Google Net算法建立水培生菜生長(zhǎng)預(yù)測(cè)模型，并以此為依據(jù)建立智控系統(tǒng)實(shí)現(xiàn)對(duì)生菜生長(zhǎng)的干預(yù)和調(diào)控［6］；王良龍?jiān)O(shè)計(jì)了基于粒子群遺傳算法（PSO-GA）的模型，用于對(duì)梨樹(shù)葉的近紅外光譜圖像進(jìn)行分析，實(shí)現(xiàn)了對(duì)缺素脅迫91%以上的診斷準(zhǔn)確率［7］。

從以上研究不難看出，基于統(tǒng)計(jì)學(xué)習(xí)的傳統(tǒng)機(jī)器學(xué)習(xí)算法在缺素識(shí)別領(lǐng)域仍占主導(dǎo)地位，此類算法大多需要經(jīng)過(guò)手動(dòng)在原始數(shù)據(jù)中提取有意義的特征用于模型訓(xùn)練（如RGB特征），且它們通常使用線性模型或淺層非線性模型，無(wú)法有效地捕捉復(fù)雜的數(shù)據(jù)分布和抽象特征［8］。自21世紀(jì)10年代機(jī)器視覺(jué)技術(shù)進(jìn)入深度學(xué)習(xí)階段以來(lái)，基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）和遞歸神經(jīng)網(wǎng)絡(luò)（RNN）等的深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)應(yīng)用愈加廣泛。而基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法如經(jīng)典的YOLO、SSD、RCNN等都是專門(mén)為目標(biāo)檢測(cè)任務(wù)設(shè)計(jì)的，能夠直接預(yù)測(cè)目標(biāo)的類別和位置信息，學(xué)習(xí)到層次化的特征表示，從而提高算法在復(fù)雜任務(wù)上的性能［9］。

針對(duì)以上問(wèn)題，筆者將YOLO v5、SSD、Faster-RCNN等3種有代表性的基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測(cè)算法引入并對(duì)比，選出基礎(chǔ)算法進(jìn)行改進(jìn)，優(yōu)化草莓缺素檢測(cè)模型，簡(jiǎn)化檢測(cè)流程，提升其在復(fù)雜環(huán)境下的檢測(cè)精度。

1" 草莓缺素?cái)?shù)據(jù)集的采集與處理

1.1" 試驗(yàn)數(shù)據(jù)準(zhǔn)備與數(shù)據(jù)集構(gòu)建

草莓處于生長(zhǎng)期（葉期）時(shí)對(duì)營(yíng)養(yǎng)素的需求會(huì)達(dá)到峰值［10］，也是這個(gè)時(shí)期草莓葉片最容易出現(xiàn)顯著的缺素特征。處于不同種類缺素脅迫下的草莓葉片會(huì)有不同的形色特征［11］，例如，在缺乏氮元素時(shí)，葉片會(huì)呈現(xiàn)綠色向黃色的轉(zhuǎn)變，并伴有葉片邊緣變紅的情況；在缺乏磷元素時(shí)，葉片上多見(jiàn)紫紅色斑點(diǎn)等。部分樣本示例如圖1所示。

本試驗(yàn)選取最常見(jiàn)的缺乏氮、磷、鉀、鈣4種元素的草莓葉片作為研究對(duì)象，于2023年3—4月間在山東省泰安市某草莓試驗(yàn)田間拍攝圖像228張，其中包含受到缺素脅迫葉片的圖片203張。拍攝圖像原始分辨率為4 000像素×3 000像素，經(jīng)處理后為800像素×600像素。使用互聯(lián)網(wǎng)爬蟲(chóng)與在Plant village網(wǎng)站獲取的公開(kāi)數(shù)據(jù)集446張，其中包含受到缺素脅迫葉片的圖片444張，因此原始數(shù)據(jù)集共包含674張圖片。形色特征正常的草莓葉片圖片如圖2所示。

1.2" 數(shù)據(jù)集增強(qiáng)與標(biāo)注

隨著種植技術(shù)的提高和科學(xué)用肥觀念的普及，農(nóng)作物種植過(guò)程中存在的缺素問(wèn)題正呈現(xiàn)下降趨勢(shì)，因此實(shí)際拍攝與獲取的圖片較少［12］。較少的訓(xùn)練樣本易導(dǎo)致準(zhǔn)確率或召回率下降，且易產(chǎn)生過(guò)擬合現(xiàn)象。為解決以上問(wèn)題，本研究通過(guò)OpenCV對(duì)已有數(shù)據(jù)集進(jìn)行擴(kuò)充和增強(qiáng)，以達(dá)到增加訓(xùn)練數(shù)據(jù)，提高模型泛化能力的效果［13］。使用的方法包括旋轉(zhuǎn)、翻轉(zhuǎn)、拉伸壓縮、調(diào)整亮度、添加噪聲等，擴(kuò)增后的數(shù)據(jù)集總數(shù)為2 696張，數(shù)據(jù)集增強(qiáng)效果示例如圖3所示。在數(shù)據(jù)集建立完成后，使用labelImg進(jìn)行數(shù)據(jù)集的標(biāo)注，標(biāo)簽分為正常（zhengchang）、缺氮（quedan）、缺磷（quelin）、缺鉀（quejia）、缺鈣（quegai）5種，數(shù)據(jù)集最終的訓(xùn)練樣本數(shù)量如表1所示。

2" 草莓葉片缺素檢測(cè)

2.1" 試驗(yàn)平臺(tái)與評(píng)價(jià)指標(biāo)

本研究所采用的操作系統(tǒng)為Windows 11專業(yè)版，中央處理器（CPU）為Intel i5-13500HX，圖形處理器（GPU）為NVIDIA RTX 4060 Laptop，系統(tǒng)運(yùn)行內(nèi)存為16 GB。GPU加速庫(kù)版本為CUDA 11.3，運(yùn)行環(huán)境為Pytroch 1.12.0，使用語(yǔ)言為Python。本試驗(yàn)于2023年4月在山東省泰安市進(jìn)行，主要采用準(zhǔn)確率（precision，P）、召回率（recall，R）、平均精度均值（mAP）和運(yùn)算時(shí)間作為主要性能評(píng)價(jià)指標(biāo)［14］，其中：

P=TPTP+FP；（1）

R=TPTP+FN ；（2）

mAP=1n∑Ni=1APi。（3）

式中：TP為將正類預(yù)測(cè)為正的樣本數(shù)；FP為將負(fù)類預(yù)測(cè)為負(fù)的樣本數(shù)；FN為將正類預(yù)測(cè)為負(fù)的樣本數(shù)；APi表示第i個(gè)類別的平均精度；N表示類別數(shù)量。

一般情況下，P值反映模型檢測(cè)的準(zhǔn)確情況，R值反映模型的漏檢情況，mAP可綜合反映模型的檢測(cè)精度（本研究選用mAP@0.5）。

2.2" 目標(biāo)檢測(cè)算法的選取

目前主流的目標(biāo)檢測(cè)主要分為一階段檢測(cè)器（one-stage detectors）和二階段檢測(cè)器（two-stage detectors）。一階段檢測(cè)器一次性完成目標(biāo)檢測(cè)的所有任務(wù)，包括候選區(qū)域生成、目標(biāo)分類和定位，代表算法有YOLO、單次多框檢測(cè)器（SSD算法）等。它們不需要顯式的候選區(qū)域生成步驟，將檢測(cè)任務(wù)建模為單一的回歸問(wèn)題［15］。而二階段檢測(cè)器分為2個(gè)主要階段，分別是候選區(qū)域生成及目標(biāo)分類和定位，代表算法有Faster RCNN和Mask R-CNN等。

選擇YOLO v5、SSD、Faster-RCNN這3種有代表性的一階段、二階段網(wǎng)絡(luò)模型，各訓(xùn)練250次，訓(xùn)練集、測(cè)試集與驗(yàn)證集的劃分比例為8 ∶1 ∶1。3種模型均設(shè)置批尺寸（batch_size）為4，初始學(xué)習(xí)率設(shè)定為0.01，100次后設(shè)置為0.001，200次后設(shè)置為 0.000 1，訓(xùn)練效果如表2所示。

從表2可以看出，YOLO v5算法具有較好的綜合性能指標(biāo)，且其相關(guān)使用和研究較為成熟和全面，具有較大的改進(jìn)潛力，因此選擇YOLO v5為基礎(chǔ)算法并進(jìn)行改進(jìn)。YOLO v5網(wǎng)絡(luò)結(jié)構(gòu)由輸入端（Input）、骨干網(wǎng)絡(luò)（Backbone）、頸部網(wǎng)絡(luò)（Neck）和檢測(cè)頭（Head）構(gòu)成，具有結(jié)構(gòu)簡(jiǎn)單、運(yùn)行速度快、綜合表現(xiàn)穩(wěn)定等優(yōu)點(diǎn)，是目前主流的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)檢測(cè)算法之一，應(yīng)用十分廣泛（圖4）。根據(jù)不同的通道數(shù)和復(fù)用模塊又可將其分為 YOLO v5s、YOLO v5m、YOLO v5l、YOLO v5x模型，其模型大小依次變大、速度依次變慢，在本研究中選用模型最小、速度最快的YOLO v5s模型［16］。

3" YOLO v5模型的改進(jìn)

由于所采集的草莓葉片圖像存在背景復(fù)雜、部分圖片缺素特征不明顯以及葉片易存在較多的遮擋重疊等問(wèn)題，會(huì)對(duì)模型的檢測(cè)效果造成影響，因此具有一定的提升空間。本研究在YOLO v5網(wǎng)絡(luò)中加入注意力機(jī)制、替換默認(rèn)的損失函數(shù)、改進(jìn)非極大值抑制算法并加入多尺度特征融合技術(shù)，以達(dá)到改善模型性能、減少錯(cuò)檢漏檢發(fā)生概率的目的。

3.1" 添加注意力機(jī)制

注意力機(jī)制是一種廣泛使用的用于提升模型性能的方法，最早應(yīng)用于機(jī)器翻譯領(lǐng)域［17］。通過(guò)引入注意力機(jī)制允許模型動(dòng)態(tài)地分配不同特征圖部分的權(quán)重，即更關(guān)注特征較為突出的區(qū)域，并相對(duì)忽略較為“無(wú)用”的區(qū)域。類似機(jī)制有助于模型更關(guān)注包含重要信息的部分，從而提高檢測(cè)的準(zhǔn)確性。其中，注意力機(jī)制又可分為通道域注意力機(jī)制、空間域注意力機(jī)制或混合域注意力機(jī)制。一般來(lái)說(shuō)，通道域注意力機(jī)制和混合域注意力機(jī)制在識(shí)別模型訓(xùn)練中具有更好的效果。本研究對(duì)比屬于通道域注意力機(jī)制的SENet（squeeze-and-excitation networks）、CA（coordinate attention）和屬于混合注意力機(jī)制的CBAM（convolutional block attention module）的優(yōu)化效果，將3種機(jī)制分別引入YOLO v5骨干網(wǎng)絡(luò)輸出端訓(xùn)練300次并對(duì)比結(jié)果，各注意力機(jī)制添加位置如圖5所示，評(píng)價(jià)指標(biāo)對(duì)比如表3所示。

如表3所示，相對(duì)于YOLO v5原模型，添加3種注意力機(jī)制后，P、R、mAP均有不同程度的提升。其中，在CBAM機(jī)制的作用下，P、R、mAP分別較原模型提升了2.1、2.5、1.2百分點(diǎn)，在3種機(jī)制中最為明顯，因此將效果較好的CBAM機(jī)制添加至YOLO v5模型中。CBAM機(jī)制的結(jié)構(gòu)圖如圖6所示。

3.2" 替換默認(rèn)損失函數(shù)

YOLO v5s默認(rèn)采用CIoU損失函數(shù)（也支持GIoU、DIoU）。然而CIoU雖然在IoU損失中引進(jìn)了懲罰項(xiàng)緩解梯度消失的問(wèn)題，但其使用的是寬和高的相對(duì)比例，一旦預(yù)測(cè)框與真實(shí)框（GT框）呈線性比例時(shí)，懲罰項(xiàng)就不再起作用，若它們的方向不匹配也會(huì)導(dǎo)致效率降低［18］。針對(duì)以上問(wèn)題引入Focal-

EIoU損失函數(shù)，它由EIoU 損失函數(shù)和FocalL1損失函數(shù)組成，其中EIoU損失函數(shù)直接使用了邊長(zhǎng)的數(shù)值作為懲罰項(xiàng)，而FocalL1損失函數(shù)可以通過(guò)給低質(zhì)量樣本更小的梯度來(lái)進(jìn)行抑制。而通過(guò)整合兩者，得到了最終的Focal-EIoU損失函數(shù)，它可表示為式（4）和式（5）。

LFocal-EIoU=IoUγLEIoU；（4）

LEIoU=LIoU+Ldis+Lasp。（5）

式中：γ是一個(gè)用于控制曲線的超參數(shù)，取γ=0.5；IoU是真實(shí)框和預(yù)測(cè)框的重疊率；LIoU為IoU損失；Ldis為距離損失；Lasp為邊長(zhǎng)損失。以YOLO v5 5.0為例，若要啟用該損失函數(shù)，則需在utils/gengral.py中添加Focal-EIoU損失函數(shù)代碼并在utils/loss.py中啟用。不同損失函數(shù)在YOLO v5模型中的訓(xùn)練效果如表4所示。

從表4可以看出，F(xiàn)ocal-EIoU相對(duì)于3種默認(rèn)支持的損失函數(shù)對(duì)目標(biāo)檢測(cè)的效果明顯提升；與CIoU損失函數(shù)相比，準(zhǔn)確率提升了2.2百分點(diǎn)；召回率提升了3.1百分點(diǎn)；平均精度均值提升了2.3百分點(diǎn)，因此將默認(rèn)損失函數(shù)替換為Focal-EIoU。

3.3" Soft-NMS非極大值抑制算法

非極大值抑制（NMS）是目標(biāo)檢測(cè)后處理中去

除冗余檢測(cè)框的方法。傳統(tǒng)的NMS算法會(huì)直接刪除IoU大于閾值的檢測(cè)框，判斷方法較為簡(jiǎn)單粗放，對(duì)于類似草莓葉片這類重疊部分較大的目標(biāo)易出現(xiàn)漏檢錯(cuò)檢。針對(duì)此類問(wèn)題，UMIACS提出了Soft-NMS算法，其核心思想是確定置信度最大的候選框后，不是簡(jiǎn)單地刪除重疊度高的邊界框，而是通過(guò)減小重疊框的分?jǐn)?shù)來(lái)保留它們，以允許更多的框同時(shí)存在，從而提高檢測(cè)的魯棒性，其計(jì)算公式如式（6）所示［19-20］。

si=si""""""" IoU（M，Bi）lt;Nt

si［1-IoU（M，Bi）］IoU（M，Bi）≥Nt。（6）

若要在YOLO v5中使用Soft-NMS算法，則需要在general.py中添加Soft-NMS模塊并啟用。其對(duì)于重疊目標(biāo)檢測(cè)的改善效果較為明顯，本研究選擇Soft-NMS的IoU為0.6，其實(shí)際使用效果如圖7所示。

從圖7可以看出，下方的2張草莓葉片具有一定的重疊部分，在經(jīng)過(guò)經(jīng)典NMS算法后處理后，只生成了置信度較高的一個(gè)候選框而錯(cuò)誤地過(guò)濾掉了另一個(gè)候選框。而在Soft-NMS算法處理后，具有重疊部分的葉片被正確識(shí)別，從而證明算法對(duì)于此類難以避免遮擋的環(huán)境具有降低漏檢率的效果。

3.4" 增加小目標(biāo)檢測(cè)頭

YOLO v5分別由8、16、32倍下采樣后得到P3、P4、P5這3個(gè)檢測(cè)頭。當(dāng)輸入640像素×640像素×3像素的圖片后，產(chǎn)生80像素×80像素×255像素、40像素×40像素×255像素、20像素×20像素×255像素的特征圖，分別用于大、中、小目標(biāo)的檢測(cè)［21］。但是8倍下采樣倍數(shù)對(duì)于類似葉片這類小目標(biāo)來(lái)說(shuō)倍數(shù)較大，因而檢測(cè)效果不佳。因此，本研究增加一個(gè)P2檢測(cè)頭，通過(guò)4倍下采樣得到160像素×160像素×255像素的特征圖，再對(duì)4倍下采樣圖片進(jìn)行特征融合，以改善針對(duì)小目標(biāo)的檢測(cè)能力，改進(jìn)后的YOLO v5 檢測(cè)頭部分如圖8所示。

在YOLO v5s中增加P2檢測(cè)頭的步驟為：修改YOLO v5s.yaml文件，在錨點(diǎn)框中添加P2檢測(cè)頭，并在檢測(cè)頭部分增加上采樣和拼接進(jìn)行特征融合代碼。

4" 改進(jìn)摸型試驗(yàn)結(jié)果與安卓（Android）移植

本研究將CBAM注意力機(jī)制、Focal-EIoU損失函數(shù)、Soft-NMS非極大值抑制算法、P2小目標(biāo)檢測(cè)頭添加至YOLO v5模型中，并將改進(jìn)的模型命名為YOLO v5-CFSP（CBAM-Focal-EIoU-Soft-NMS-P2）。它針對(duì)YOLO v5原模型的部分問(wèn)題進(jìn)行了改進(jìn)，并提升了對(duì)于重疊目標(biāo)和小目標(biāo)的檢測(cè)能力，改進(jìn)后的YOLO v5-CFSP結(jié)構(gòu)圖如圖9所示。

4.1" 試驗(yàn)結(jié)果與分析

使用該改進(jìn)模型與原模型分別進(jìn)行250次訓(xùn)練，其余平臺(tái)與環(huán)境參數(shù)配置均與“2”節(jié)所用相同。識(shí)別結(jié)果對(duì)比圖如圖10所示，改進(jìn)模型與原模型的準(zhǔn)確率、回歸率、mAP、損失值的曲線對(duì)比圖如圖11所示，對(duì)于不同缺素種類或正常形色特征葉片的識(shí)別效果對(duì)比如表5、表6所示。

從識(shí)別結(jié)果對(duì)比來(lái)看，無(wú)論是YOLO v5還是YOLO v5-CFSP模型均能正確識(shí)別大部分的缺素葉片或正常葉片，但是在置信度方面YOLO v5-CFSP模型在大多數(shù)場(chǎng)景中具有較明顯的優(yōu)勢(shì)。另外，在圖 10-a 和圖10-b中，原模型錯(cuò)誤地將2張葉片識(shí)別為1張，而優(yōu)化模型進(jìn)行了正確的識(shí)別；在圖 10-c 和圖10-d中，原模型在左下角發(fā)生了漏檢，改進(jìn)模型則無(wú)此問(wèn)題；在圖10-e和圖10-f中原模型未能正確識(shí)別左側(cè)重疊的葉片，改進(jìn)模型進(jìn)行了成功識(shí)別；在圖10-g和圖10-h中原模型發(fā)生了錯(cuò)檢，將1張正常形色特征的葉片錯(cuò)誤地識(shí)別為缺氮圖片，而改進(jìn)模型對(duì)此進(jìn)行了修正。

從圖11可以看出，YOLO v5-CFSP的檢測(cè)效果明顯提高，在P、R、mAP和驗(yàn)證集目標(biāo)損失值曲線顯著優(yōu)于YOLO v5原模型。改進(jìn)模型在前50次的訓(xùn)練中波動(dòng)稍大，且在收斂速度方面優(yōu)勢(shì)不明顯，

這可能是由于模型改進(jìn)后運(yùn)算量增大了，但是也因此換取了mAP明顯提升，即提升速度更快，且較原模型更平穩(wěn)［22-24］。

從表5、表6的單個(gè)缺素類別檢測(cè)的性能指標(biāo)來(lái)看，缺氮和缺鈣檢測(cè)的綜合識(shí)別率較高，但缺磷和缺鉀的準(zhǔn)確率和召回率略低于前兩者。這可能是因?yàn)槿绷着c缺鉀葉片具有相似的形色特征，由于二者都有葉片發(fā)紅的特征，區(qū)別僅在于位置和范圍，因此造成了正確識(shí)別率偏低，但針對(duì)二者的識(shí)別仍在改進(jìn)模型中取得了一定的提升。

從表7中可以看出，改進(jìn)后的YOLO v5模型相較于未改進(jìn)的模型準(zhǔn)確率提升了6.47百分點(diǎn)，召回率提升了6.01百分點(diǎn)，mAP提升了7.73百分點(diǎn)；相較于YOLO v7分別提升了4.59、4.46、5.06百分點(diǎn)，在這些關(guān)鍵的性能指標(biāo)中也明顯優(yōu)于Faster-RCNN、SSD算法。但是，由于模型的復(fù)雜程度增加，導(dǎo)致運(yùn)算時(shí)間略有增長(zhǎng)，檢測(cè)速度也稍慢于YOLO v5原模型，這是為了提升檢測(cè)能力而難以避免。但是 YOLO v5-CFSP 模型仍然可以正常部署在絕大多數(shù)的平臺(tái)上，并不會(huì)造成過(guò)多的運(yùn)算負(fù)載，并仍然遠(yuǎn)超最低24幀/s的實(shí)時(shí)檢測(cè)要求［25］。綜合以上試驗(yàn)結(jié)果可知，本研究所采用的改進(jìn)方案可以有效提升YOLO v5算法的檢測(cè)性能，達(dá)到相對(duì)于其他主流算法更優(yōu)秀的草莓葉片缺素診斷效果。

4.2" 模型安卓端部署

考慮到日后的實(shí)際應(yīng)用，在模型訓(xùn)練完成后，使用NCNN框架將模型移植至安卓平臺(tái)，以進(jìn)一步驗(yàn)證可靠性和實(shí)用性。NCNN框架由深圳市騰訊計(jì)算機(jī)系統(tǒng)有限公司開(kāi)發(fā)并開(kāi)源，可將包括YOLO v5在內(nèi)的多種深度學(xué)習(xí)模型部署于Android設(shè)備中［26］。

其關(guān)鍵步驟為：將訓(xùn)練完成的“best.pt”權(quán)重文件轉(zhuǎn)化為“onnxsim”文件，并通過(guò)該文件生成“best.bin”和“best.pararm”文件。只需要將這二者放入Android工程內(nèi)的“assets”文件夾下，再將“class_name”修改為模型內(nèi)labels的名稱進(jìn)行打包即可實(shí)現(xiàn)基本的識(shí)別功能。其中，安卓客戶端使用Android Studio工具基于API 30進(jìn)行開(kāi)發(fā)，Android Studio為谷歌公司發(fā)布的官方安卓開(kāi)發(fā)工具，客戶端的運(yùn)行界面如圖12所示。

框架支持使用手機(jī)CPU或GPU進(jìn)行識(shí)別，圖為GPU識(shí)別結(jié)果。本試驗(yàn)使用設(shè)備為Samsung Galaxy s23手機(jī)，Android版本為13，SoC型號(hào)為Snapdragon 8Gen2。

5" 結(jié)論

本研究提出了一種基于形色特征的草莓缺素診斷方法，該方法使用基于卷積神經(jīng)網(wǎng)絡(luò)的機(jī)器視覺(jué)技術(shù)進(jìn)行特征識(shí)別。通過(guò)實(shí)地拍攝和網(wǎng)絡(luò)獲取等

方式構(gòu)建數(shù)據(jù)集并進(jìn)行擴(kuò)增，再針對(duì)幾種主流模型進(jìn)行試驗(yàn)，根據(jù)其性能指標(biāo)選擇YOLO v5作為主要算法。

針對(duì)YOLO v5算法進(jìn)行改進(jìn)，在骨干網(wǎng)絡(luò)輸出端引入了注意力機(jī)制，替換了損失函數(shù)和傳統(tǒng)非極大值抑制算法，并新增小目標(biāo)檢測(cè)層。著重改進(jìn)了YOLO v5算法存在的問(wèn)題，并增強(qiáng)了重疊目標(biāo)和小目標(biāo)的檢測(cè)能力。

將改進(jìn)后的YOLO v5網(wǎng)絡(luò)與原模型以及其他模型進(jìn)行對(duì)比試驗(yàn)，驗(yàn)證了改進(jìn)方案的有效性，其準(zhǔn)確率、召回率、mAP、F1分?jǐn)?shù)等關(guān)鍵指標(biāo)和識(shí)別效果提升幅度明顯。

將模型通過(guò)NCNN框架移植至安卓平臺(tái)，進(jìn)一步驗(yàn)證了其實(shí)用性，為后續(xù)系統(tǒng)的搭建并投入實(shí)際使用奠定了理論基礎(chǔ)。

參考文獻(xiàn)：

［1］呂啟昌. 設(shè)施草莓水肥控制模型研究與設(shè)計(jì)［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2023.

［2］韓" 旭. 基于卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片缺素識(shí)別方法研究［D］. 楊凌：西北農(nóng)林科技大學(xué)，2022.

［3］陳利蘇. 基于機(jī)器視覺(jué)技術(shù)的水稻氮磷鉀營(yíng)養(yǎng)識(shí)別和診斷［D］. 杭州：浙江大學(xué)，2014.

［4］王" 熠. 基于形色組合特征的蘋(píng)果樹(shù)葉片缺鉀診斷模型構(gòu)建［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2022.

［5］張?chǎng)斡? 基于機(jī)器學(xué)習(xí)的水培生菜缺素診斷模型研究［D］. 楊凌：西北農(nóng)林科技大學(xué)，2022.

［6］桑" 東. 基于機(jī)器學(xué)習(xí)的水培生菜控制系統(tǒng)研究與設(shè)計(jì)［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2023.

［7］王良龍. 基于近紅外光譜的梨葉缺素識(shí)別方法研究［D］. 合肥：安徽農(nóng)業(yè)大學(xué)，2022.

［8］趙嘉威，田光兆，邱" 暢，等. 基于改進(jìn)YOLO v4算法的蘋(píng)果葉片病害檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（9）：193-199.

［9］王宇博，馬廷淮，陳光明. 基于改進(jìn)YOLO v5算法的農(nóng)田雜草檢測(cè)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（4）：167-173.

［10］Vandecasteele B，van Waes C. Fast screening of total nutrient contents in strawberry leaves and spent growing media using NIRS［J］. Frontiers in Plant Science，2023，14：1210791.

［11］馬婉婷，尚" 偉，谷" 晏，等. 草莓感官評(píng)價(jià)模型方法比較［J］. 現(xiàn)代食品科技，2023，39（11）：33-40.

［12］Ali Al-Qady R A，Alimam N M A. Impact of nano NPK fertilizer and humic acid application on vegetative growth of three strawberry cultivars［J］. IOP Conference Series（Earth and Environmental Science），2023，1213（1）：012062.

［13］何" 斌，張亦博，龔健林，等. 基于改進(jìn)YOLO v5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.

［14］許志剛. 基于深度學(xué)習(xí)的肉雞目標(biāo)檢測(cè)及狀態(tài)分析［D］. 泰安：山東農(nóng)業(yè)大學(xué)，2023.

［15］周紹發(fā)，肖小玲，劉忠意，等. 改進(jìn)的基于YOLO v5s蘋(píng)果樹(shù)葉病害檢測(cè)［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（13）：212-220.

［16］孫豐剛，王云露，蘭" 鵬，等. 基于改進(jìn)YOLO v5s和遷移學(xué)習(xí)的蘋(píng)果果實(shí)病害識(shí)別方法［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（11）：171-179.

［17］林文樹(shù)，張金生，何乃磊. 基于改進(jìn)YOLO v4的落葉松毛蟲(chóng)侵害樹(shù)木實(shí)時(shí)檢測(cè)方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（4）：304-312，393.

［18］姜國(guó)權(quán)，楊正元，霍占強(qiáng)，等. 基于改進(jìn)YOLO v5網(wǎng)絡(luò)的疏果前蘋(píng)果檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（14）：205-215.

［19］Bodla N，Singh B，Chellappa R，et al. Soft-NMS：improving object detection with one line of code［J/OL］. ArXiv，2017：1704. （2017-08-08）［2023-05-10］. http：//arxiv.org/abs/1704.04503v2.

［20］方文博，郭永剛，關(guān)法春，等. 基于改進(jìn)YOLO v5s算法的大豆葉片蟲(chóng)洞的識(shí)別［J］. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，49（1）：127-132.

［21］楊斷利，王永勝，陳" 輝，等. 基于SEEC-YOLO v5s的散養(yǎng)蛋雞日常行為識(shí)別與統(tǒng)計(jì)系統(tǒng)［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（9）：316-328.

［22］李宗南，蔣" 怡，王" 思，等. 基于YOLO v5模型的飛蓬屬入侵植物目標(biāo)檢測(cè)［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)，2023，44（7）：200-206.

［23］張境鋒，陳" 偉，魏慶宇，等. 基于Des-YOLO v4的復(fù)雜環(huán)境下蘋(píng)果檢測(cè)方法［J］. 農(nóng)機(jī)化研究，2023，45（5）：20-25.

［24］楊國(guó)亮，王吉祥，聶子玲. 基于改進(jìn)型YOLO v5s的番茄實(shí)時(shí)識(shí)別方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（15）：187-193.

［25］曾晏林，賀壹婷，藺" 瑤，等. 基于BCE-YOLO v5的蘋(píng)果葉部病害檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（15）：155-163.

［26］廖曉輝，謝子晨，路銘碩. 基于YOLO v5s和Android部署的電氣設(shè)備識(shí)別［J］. 鄭州大學(xué)學(xué)報(bào)（工學(xué)版），2024，45（1）：122-128.