基于YOLOv3深度學(xué)習(xí)算法的桑椹菌核病嚴(yán)重度檢測方法研究與應(yīng)用

摘要：通過對(duì)5種不同發(fā)病級(jí)別的1萬張桑椹果實(shí)圖像進(jìn)行訓(xùn)練，基于YOLOv3深度學(xué)習(xí)算法并結(jié)合遷移學(xué)習(xí)法，獲得桑椹菌核病嚴(yán)重度目標(biāo)檢測模型。為了驗(yàn)證該模型的魯棒性，與同樣采用遷移學(xué)習(xí)的EfficientDet、Faster R-CNN和YOLOv4原始模型進(jìn)行了對(duì)比。結(jié)果表明，YOLOv3模型對(duì)健康果實(shí)和菌核病果實(shí)檢測的平均精確率均值為0.79，比其他模型提高6.76%～54.90%，其對(duì)不同發(fā)病級(jí)別菌核病果實(shí)檢測的平均精確率比其他模型提高7.04%～80.95%，查準(zhǔn)率和查全率為最優(yōu)或者次優(yōu)。采用Flask+Vue技術(shù)構(gòu)建的檢測識(shí)別系統(tǒng)可在1 s內(nèi)獲取病害嚴(yán)重度、果實(shí)大小、置信度信息，也能實(shí)現(xiàn)對(duì)視頻的動(dòng)態(tài)識(shí)別，為桑椹種植中自動(dòng)化病害監(jiān)測和快速高效精準(zhǔn)施藥提供了可靠的軟件處理平臺(tái)。

關(guān)鍵詞：桑椹菌核病；深度學(xué)習(xí)算法；遷移學(xué)習(xí)法；YOLOv3；病害嚴(yán)重度檢測

中圖分類號(hào)：TP391.41；S224；F327" " " " "文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）12-0191-08

DOI：10.14088/j.cnki.issn0439-8114.2024.12.034 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Research and application of detection method of mulberry fruit sclerotiniose disease severity based on YOLOv3 deep learning algorithm

ZHU Zhi-xian1， QIU Pan2， ZHANG Cheng1， DONG Zhao-xia1， ZHANG Feng1， HU Xing-ming1， YU Cui1

（1. Institute of Economic Crops， Hubei Academy of Agricultural Sciences， Wuhan" 430064， China； 2. Feejoy Technology （Shanghai） Co.， Ltd.， Shanghai" 201506， China）

Abstract： A target detection model for mulberry fruit sclerotiniose disease severity was constructed based on YOLOv3 deep learning algorithm combined with transfer learning by training on 10 000 images of mulberry fruit with five different disease severity levels. To verify the robustness of the YOLOv3 model， comparative experiments were conducted with the EfficientDet， Faster R-CNN and YOLOv4 that also used transfer learning. The results showed that the average precision rate of the YOLOv3 model could reach 0.79 for detecting healthy fruits and sclerotinia fruit， which was 6.76%～54.90% higher than that of the other models. The average precision rate of the YOLOv3 model for detecting disease severity levels of sclerotinia fruit was 7.04%～80.95% higher than that of the other models. The detection precision rate and recall rate of the YOLOv3 model were optimal or sub-optimal. The detection and recognition system constructed by Flask+Vue technology could obtain disease severity， fruit size and confidence information within 1 s， and could also realize dynamic recognition of video. This system could provide a reliable software processing platform for automated disease monitoring and fast， efficient， and precise fungicide application during mulberry cultivation.

Key words： mulberry fruit sclerotiniose disease； deep learning algorithm； transfer learning； YOLOv3； detection of disease severity

收稿日期：2024-11-06

基金項(xiàng)目：國家重點(diǎn)研發(fā)計(jì)劃支持項(xiàng)目（2020YFD1000700）；湖北省農(nóng)業(yè)科技成果轉(zhuǎn)化資金項(xiàng)目（2024EBA009）；國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系建設(shè)專項(xiàng)（CARS-18-SYZ10）

作者簡介：朱志賢（1987-），女，湖北武穴人，副研究員，主要從事桑樹栽培與育種研究，（電子信箱）zhuzhixian@hbaas.com；通信作者，于 翠，研究員，博士，主要從事桑樹栽培與育種研究，（電子信箱）mrsyu888@hotmail.com。

桑樹是一種多年生經(jīng)濟(jì)植物，在亞洲、歐洲、美洲和非洲廣泛種植，過去5 000多年里被用于絲綢產(chǎn)業(yè)［1］，但近10多年來，以生產(chǎn)桑椹為主要目標(biāo)的果桑產(chǎn)業(yè)快速發(fā)展，初步估計(jì)全國的果桑栽植面積已達(dá)15 000 hm2以上［2，3］。然而在產(chǎn)業(yè)發(fā)展中，桑椹菌核病來勢(shì)猛、發(fā)病快，在美國［4］、韓國［5］、日本［6］以及中國果桑種植區(qū)普遍發(fā)生，發(fā)病率高達(dá)30%～90%［2，7］，有些地方果桑園因病害導(dǎo)致桑果絕產(chǎn)，給果桑產(chǎn)業(yè)造成毀滅性危害［8］。如何快速精準(zhǔn)識(shí)別該病害，并對(duì)癥下藥，將直接影響果桑的質(zhì)量與產(chǎn)量。

隨著計(jì)算機(jī)視覺技術(shù)的快速發(fā)展，基于計(jì)算機(jī)視覺的病蟲害自動(dòng)化識(shí)別研究也較多［9］。Liu等［10］在深度卷積神經(jīng)網(wǎng)絡(luò)（CNN）理論最新研究成果的基礎(chǔ)上，結(jié)合番茄灰葉斑圖像的特點(diǎn)，提出了一種計(jì)算能力需求小、物體檢測效果穩(wěn)定的小型網(wǎng)絡(luò)架構(gòu)，即MobileNetv2-YOLOv3，所提出的模型在提高檢測精度的同時(shí)提高了檢測速度，最大限度地減小了網(wǎng)絡(luò)模型的體積，同時(shí)開發(fā)了番茄灰葉斑病圖像檢測移動(dòng)終端應(yīng)用，實(shí)現(xiàn)對(duì)該病的實(shí)時(shí)檢測。針對(duì)植物葉片病害檢測和分類的難點(diǎn)，Wang等［11］提出了新型植物葉片病害檢測方法Deep block attention SSD（DBA_SSD），將其與經(jīng)典目標(biāo)檢測算法YOLOv4、YOLOv3、Faster R-CNN 和 YOLOv4 tiny 進(jìn)行比較和分析，發(fā)現(xiàn)DBA_SSD在對(duì)比分析中的性能優(yōu)于其他目標(biāo)檢測算法，可用于蘋果、番茄、草莓、辣椒等植物葉片的病害識(shí)別和病害程度分類。Wang等［12］提出基于MobileNetv2-YOLOv3 模型的多尺度并行算法MP-YOLOv3，采用并行檢測算法有效提高了番茄灰霉病的檢測性能，同時(shí)保證了算法的實(shí)時(shí)性，所提出的算法能夠在真實(shí)的自然環(huán)境中準(zhǔn)確、實(shí)時(shí)地檢測出番茄灰霉病，在自建的番茄灰霉病檢測數(shù)據(jù)集上，F(xiàn)1得分和平均精度分別達(dá)95.6%和93.4%。Zhu等［13］提出了用于檢測葡萄葉片黑腐病的改進(jìn)型YOLOv3-SPP模型，對(duì)葡萄葉片黑腐病的檢測準(zhǔn)確率為95.79%，檢測召回率為94.52%。侯發(fā)東［14］仿照AlexNet模型搭建了5個(gè)卷積層和2個(gè)全連接層和1個(gè) Softmax分類層的模型結(jié)構(gòu)，使用該模型對(duì)棉花葉部6種病害進(jìn)行分類研究，得到最大的測試分類準(zhǔn)確率為87.64%。陳洋［15］基于VGG-16對(duì)CNN提取的特征進(jìn)行Bilinear處理，得到Multi-Branches B-CNN模型，其分類準(zhǔn)確率在全球AI挑戰(zhàn)賽提供的實(shí)景拍攝植物葉片病害數(shù)據(jù)集（共61 個(gè)分類，包括10種農(nóng)作物的27種病害）檢測中達(dá)89.2%。柴帥等［16］利用已經(jīng)訓(xùn)練成熟的VGG-19模型優(yōu)化番茄病蟲害檢測模型的參數(shù)，再將參數(shù)進(jìn)行遷移學(xué)習(xí)，并提取出番茄病蟲害葉片圖片的多層特征圖，然后將提取出的番茄病蟲害葉片的圖片特征導(dǎo)入SVM分類器學(xué)習(xí)來完成圖片的分類任務(wù)，結(jié)果顯示分類正確率達(dá)80%以上。吳健宇［17］基于AlexNet和Inception提出了改進(jìn)的CNN進(jìn)行病蟲害種類識(shí)別，識(shí)別準(zhǔn)確率達(dá)90%以上。陳天嬌等［18］以測報(bào)燈下害蟲圖像數(shù)據(jù)庫（約18萬張）、田間病蟲害圖像數(shù)據(jù)庫（約32萬張）為基礎(chǔ)，構(gòu)建了基于深度學(xué)習(xí)方法的病蟲害種類特征自動(dòng)學(xué)習(xí)、特征融合、識(shí)別和位置回歸計(jì)算框架，并研發(fā)了移動(dòng)式病蟲害智能化感知設(shè)備和自動(dòng)識(shí)別系統(tǒng)，結(jié)果顯示，該系統(tǒng)在自然狀態(tài)下對(duì)16種燈下常見害蟲的識(shí)別率為66%～90%，對(duì)38種田間常見病蟲害（癥狀）的識(shí)別率為50%～90%。以上研究表明，以YOLOv3和Faster R-CNN為代表的深度學(xué)習(xí)算法在植物病害檢測中是可行的，且各有優(yōu)缺點(diǎn)。

運(yùn)用信息化、智能化的技術(shù)對(duì)生長過程中的桑果進(jìn)行病害等級(jí)識(shí)別分類，從而實(shí)時(shí)監(jiān)測桑椹果園的發(fā)病情況，對(duì)后續(xù)桑椹菌核病精準(zhǔn)防治和精準(zhǔn)施藥具有重要的意義。桑椹目標(biāo)檢測及其病害嚴(yán)重程度等級(jí)分類問題在計(jì)算機(jī)領(lǐng)域中歸為目標(biāo)檢測問題。其本質(zhì)是在給定的圖片中精確地找出桑椹果實(shí)所在的位置，并識(shí)別出該桑椹果實(shí)病害的嚴(yán)重度類別。但區(qū)別于一般農(nóng)作物的單目標(biāo)圖像分類，桑椹菌核病嚴(yán)重度檢測屬于多目標(biāo)檢測，檢測困難度增加。且因桑椹果實(shí)在其生長周期內(nèi)，未成熟和成熟的果實(shí)、發(fā)病和未發(fā)病的果實(shí)在形狀形態(tài)及紋理上均有很大的相似之處，與不同農(nóng)作物之間的識(shí)別檢測或不同害蟲之間的識(shí)別檢測（圖形學(xué)特征差別較大）有著很大的區(qū)別，其識(shí)別檢測更困難。桑椹果實(shí)在生長中，往往果實(shí)層疊在一起，加大了識(shí)別果實(shí)大小和位置的難度。此外，傳統(tǒng)桑椹菌核病識(shí)別通常采用人工方式進(jìn)行，效率低，成本高。針對(duì)以上問題，本研究通過YOLOv3深度學(xué)習(xí)算法并結(jié)合遷移學(xué)習(xí)法開發(fā)了桑椹果實(shí)菌核病嚴(yán)重度檢測系統(tǒng)，以實(shí)現(xiàn)桑椹種植過程中菌核病發(fā)生情況的實(shí)時(shí)監(jiān)測。

1 試驗(yàn)數(shù)據(jù)

1.1 數(shù)據(jù)集描述

試驗(yàn)所用桑椹照片及視頻主要采集于湖北省農(nóng)業(yè)科學(xué)院和孝感市農(nóng)業(yè)科學(xué)院果桑種植基地，將桑椹菌核病嚴(yán)重度分為以下5個(gè)級(jí)別（圖1）：DS0，正常果實(shí)；DS1，1級(jí)病果，發(fā)病小核果占整個(gè)果實(shí)的比例≤20%；DS3，3級(jí)病果，發(fā)病小核果占整個(gè)果實(shí)的20%～50%；DS5，5級(jí)病果，發(fā)病小核果占整個(gè)果實(shí)的50%～90%；DS7，7級(jí)病果，發(fā)病小核果占整個(gè)果實(shí)的90%～100%。

1.2 圖像預(yù)處理

經(jīng)過視頻圖片提取、隨機(jī)抽取和人工篩選（剔除過于模糊以及重復(fù)度較大的圖片），然后使用Labelimg軟件對(duì)桑椹果實(shí)圖片進(jìn)行人工標(biāo)注（圖2），形成圖片和標(biāo)簽數(shù)據(jù)集，最終形成了約10 000張圖片用作深度學(xué)習(xí)算法模型的訓(xùn)練和驗(yàn)證、12 880張圖片作為模型檢測效果測試數(shù)據(jù)集。

2 試驗(yàn)方法

2.1 試驗(yàn)環(huán)境

試驗(yàn)用操作系統(tǒng)為Windows10，處理器為AMD R7-3700X 8核16線程，內(nèi)存為64 GB，配備Nvidia RTX3090 24 GB GPU。使用Python 3.8與Pytorch 1.9深度學(xué)習(xí)框架，圖像處理使用PIL圖像庫，同時(shí)使用CUDA 11.3顯卡加速運(yùn)算。

2.2 遷移學(xué)習(xí)

由于硬件算力、學(xué)習(xí)率函數(shù)、學(xué)習(xí)率初始值等超參數(shù)設(shè)置等原因，重頭自訓(xùn)練主干網(wǎng)絡(luò)通常需要大量的時(shí)間，且訓(xùn)練得到的模型參數(shù)效果不一定比預(yù)訓(xùn)練模型的效果好。為了使本次桑椹果實(shí)檢測模型加快收斂并具有更強(qiáng)的泛化能力，選擇遷移學(xué)習(xí)，并采用在Pascal VOC2007數(shù)據(jù)集上預(yù)訓(xùn)練的Darknet53模型的權(quán)重文件。Pascal VOC2007是衡量圖像分類識(shí)別能力基準(zhǔn)的標(biāo)準(zhǔn)數(shù)據(jù)集。數(shù)據(jù)集共包含20個(gè)類別共計(jì)9 963張圖像。

本試驗(yàn)保留了Darknet53模型的卷積層結(jié)構(gòu)，修改了13×13、26×26、52×52三種檢測頭的最后一層網(wǎng)絡(luò)，將最后一層卷積核的通道數(shù)量從75修改為30，因此檢測頭的預(yù)測輸出通道由3×（4+1+20）變?yōu)榱?×（4+1+5）。訓(xùn)練時(shí)，為了不改變Darknet53主干網(wǎng)絡(luò)的權(quán)值，首先凍結(jié)主干網(wǎng)絡(luò)，訓(xùn)練檢測頭；待收斂后，解凍主干網(wǎng)絡(luò)，訓(xùn)練模型的全部網(wǎng)絡(luò)。

2.3 模型參數(shù)設(shè)置

模型訓(xùn)練首先凍結(jié)主干網(wǎng)絡(luò)，每次訓(xùn)練選取的樣本數(shù)量為8，共1 250次，進(jìn)行30次迭代訓(xùn)練，使用Adam優(yōu)化算法和StepLR學(xué)習(xí)率衰減策略，初始學(xué)習(xí)率為0.001，調(diào)整間隔為1個(gè)迭代周期，調(diào)整倍數(shù)為0.92，即每次迭代訓(xùn)練之后，如果模型性能沒有提升，學(xué)習(xí)率則降低為原來的0.92倍；完成之后再解凍主干網(wǎng)絡(luò)，設(shè)置初始學(xué)習(xí)率為0.000 1，其余參數(shù)保持不變，繼續(xù)進(jìn)行30次迭代訓(xùn)練。

2.4 YOLOv3模型結(jié)構(gòu)

YOLO（You only look once）是一種端到端的目標(biāo)檢測模型。該算法的基本思想是將圖像劃分成多個(gè)網(wǎng)格，然后同時(shí)預(yù)測每個(gè)網(wǎng)格的邊界框并給出相應(yīng)概率。如果某個(gè)待檢測目標(biāo)的中心落在圖像中所劃分的一個(gè)單元格內(nèi)，那么該單元格負(fù)責(zé)預(yù)測該目標(biāo)位置和類別。YOLOv3是YOLO算法改進(jìn)后的第三個(gè)版本，同時(shí)具備較快的檢測速度和較高的檢測精度［19］。其核心模塊主要包含Darknet53主干特征提取網(wǎng)絡(luò)、上采樣堆疊以及損失函數(shù)。圖3為YOLOv3模型的網(wǎng)絡(luò)結(jié)構(gòu)。

2.5 YOLOv3模型檢測流程

首先將圖像分辨率轉(zhuǎn)換為416×416，然后輸入Darknet53主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)，提取3種不同尺度的圖像特征，其次預(yù)測每個(gè)特征層的目標(biāo)邊界框、概率和類別，再次對(duì)所有預(yù)測出的目標(biāo)邊界框的位置和得分進(jìn)行非極大值抑制篩選，最后輸出最終預(yù)測結(jié)果。

2.5.1 Darknet53網(wǎng)絡(luò)提取圖像特征 YOLOv3中采用Darknet53作為主干網(wǎng)絡(luò)， Darknet53擁有53個(gè)卷積層結(jié)構(gòu)，每個(gè)卷積層由一個(gè)Conv2D二維卷積層、一個(gè)BatchNorm正則化層和一個(gè)LeakyReLU激活層構(gòu)成（圖4）。從圖4可以看出，Darknet53由重復(fù)堆疊下采樣卷積+N*殘差塊（N為殘差塊的個(gè)數(shù)）組成。每個(gè)殘差塊由兩條支路組成，一條支路將上一層輸出的特征圖進(jìn)行1×1卷積和3×3卷積操作，另一條支路將上一層輸出的特征圖進(jìn)行恒等映射，二者相加得到新的特征層。

2.5.2 采用檢測頭對(duì)特征進(jìn)行檢測 YOLOv3的YOLO_Head檢測頭結(jié)構(gòu)（圖5）由1×1卷積層和3×3卷積層交替使用，1×1卷積操作用來減少通道數(shù)，3×3卷積操作用來提取特征并增加通道數(shù)，整體特征圖的寬高保持不變。像素為13×13（寬×高）的特征圖由YOLO_Head1檢測輸出為13×13×75的結(jié)果；像素為26×26（寬×高）的特征圖由YOLO_Head2檢測輸出為26×26×75的結(jié)果；像素為52×52（寬×高）的特征圖由YOLO_Head3檢測輸出為52×52×75的結(jié)果。

上述這些檢測結(jié)果還需要進(jìn)一步解碼。YOLOv3的預(yù)測原理是分別將整幅圖分為13×13、26×26、52×52的網(wǎng)格，每個(gè)網(wǎng)絡(luò)點(diǎn)負(fù)責(zé)一個(gè)區(qū)域的檢測。YOLOv3網(wǎng)絡(luò)在3個(gè)特征圖中分別通過（4+1+c）×k個(gè)大小為1×1的卷積核進(jìn)行預(yù)測，k為預(yù)設(shè)邊界框（bounding box prior）的個(gè)數(shù)（在每個(gè)預(yù)測特征層中k默認(rèn)取3），c為預(yù)測目標(biāo)的類別數(shù)。

以13×13網(wǎng)格為例，YOLO_Head1輸出的結(jié)果為13×13×75=13×13（4+1+20）×k，其中等式右邊括號(hào)內(nèi)的4為[tx]、[ty]、[tw]、[th] 4個(gè)值，（[tx，ty]）是目標(biāo)中心點(diǎn)相對(duì)于該點(diǎn)所在網(wǎng)格左上角的偏移量，（[tw]，[th]）是預(yù)測邊框的寬和高；1為[pobj]，用來計(jì)算預(yù)測邊框內(nèi)有目標(biāo)物體的概率；20為20個(gè)不同類別的[pclass]，用來計(jì)算每個(gè)目標(biāo)種類的概率（圖6）。

假定先驗(yàn)框中心所在網(wǎng)格的左上角坐標(biāo)為（[Cx]，[Cy]），先驗(yàn)框的寬和高為（[pw]，[ph]），預(yù)測結(jié)果值解碼的計(jì)算式如圖6所示。預(yù)測邊界框中心的坐標(biāo)位置為[bx=σ（tx）+Cx]，[by=σ（ty）+Cy]，其中[σ]為Sigmoid激活函數(shù)；預(yù)測邊界框的寬和高分別為[bw=pwetw]，[bh=pweth]；預(yù)測邊界框內(nèi)有無目標(biāo)的置信度為[Pobj=σ（pobj）]；20個(gè)class目標(biāo)類別，每個(gè)類別的置信度分別為[Pclass=σ（pclass）]。表1給出了3個(gè)預(yù)測層的特征圖大小以及每個(gè)特征圖上預(yù)設(shè)邊界框的位置和大小。

2.5.3 篩選預(yù)測結(jié)果 篩選最大概率的預(yù)測結(jié)果：取出每類得分大于一定閾值的框和得分進(jìn)行排序；利用框的位置和得分進(jìn)行非極大抑制；選取概率最大的邊界框。結(jié)果如圖7所示。

3 結(jié)果與分析

為了驗(yàn)證YOLOv3模型的效果，在相同參數(shù)設(shè)置下將該模型與同樣采用遷移學(xué)習(xí)的Faster R-CNN［20］、EfficientDet［21］、YOLOv4［22］原始模型進(jìn)行比較。

3.1 精確率對(duì)比

精確率（Precision）表示在預(yù)測為正樣本的數(shù)據(jù)中為真正正樣本的概率，即查準(zhǔn)率，計(jì)算式如下。

[P=TPTP+FP] " （1）

式中，P為精確率，TP+FP為所有預(yù)測為正樣本數(shù)據(jù)的總個(gè)數(shù)，TP為預(yù)測正確的正樣本個(gè)數(shù)。如圖8所示，YOLOv3模型對(duì)健康果實(shí)的平均精確率、菌核病果實(shí)的精確率以及平均精確率的預(yù)測效果均為最優(yōu)。

3.2 召回率對(duì)比

召回率（Recall）表示在總的正樣本中模型識(shí)別的正樣本，即查全率，計(jì)算式如下。

[r=TPTP+FN] " （2）

式中，r為召回率，TP+FN為所有正樣本數(shù)據(jù)的總個(gè)數(shù)，TP為預(yù)測正確的正樣本個(gè)數(shù)。如圖9所示，YOLOv3模型的平均召回率略低于FasterRCNN模型，但優(yōu)于其他模型。

3.3 平均精確率和平均精確率均值對(duì)比

使用積分的方式來計(jì)算PR（Precision recall）曲線與坐標(biāo)軸圍成的面積，計(jì)算式如下。

[AP=01P（r）dr]" （3）

式中，AP為平均精確率。在目標(biāo)檢測中，一個(gè)模型通常會(huì)檢測很多種物體，那么每類都能計(jì)算出一個(gè)AP，而多個(gè)類別AP的平均值即為mAP（平均精確率均值）。

AP衡量的是模型分別在每個(gè)類別上的好壞，mAP衡量的是模型在所有類別整體上的好壞。二者的范圍為［0，1］，越接近1則模型效果越好。如圖10所示，YOLOv3模型對(duì)健康果實(shí)和菌核病果實(shí)檢測的mAP為0.79，YOLOv4為0.70，EfficientDet為0.51，F(xiàn)aster R-CNN為0.74，YOLOv3模型的mAP分別比YOLOv4、EfficientDet和Faster R-CNN模型提高12.86%、54.90%和6.76%。YOLOv3模型對(duì)菌核病果實(shí)識(shí)別的AP為0.76，YOLOv4為0.64，efficientdet為0.42，fasterrcnn為0.71，YOLOv3模型對(duì)菌核病果實(shí)識(shí)別的AP分別比YOLOv4、EfficientDet和Faster R-CNN模型提高18.75%、80.95%和7.04%。YOLOv3模型的AP以及mAP均超越了其他模型。

3.4 YOLOv3模型對(duì)不同發(fā)病級(jí)別菌核病果實(shí)檢測效果對(duì)比

YOLOv3模型在精確率、召回率、平均精確率以及F1分?jǐn)?shù)上均有著較為相似的分布。從總體上看，YOLOv3對(duì)各等級(jí)桑果的檢測效果得分（F1分?jǐn)?shù)）表現(xiàn)為DS0=DS7 gt; DS5 gt; DS3 gt; DS1（圖11）。經(jīng)分析，造成此類規(guī)律的原因可能是在訓(xùn)練和測試的樣本中，健康桑果的樣本量較大，而最輕微發(fā)病的DS1病果的樣本量較小，所以識(shí)別效果得分較低。而且從桑果紋理及色澤上，DS1病果大多與健康桑果極為相似，僅有局部細(xì)微的差別。

3.5 桑椹菌核病嚴(yán)重度檢測識(shí)別系統(tǒng)

基于該算法模型，開發(fā)了桑椹菌核病嚴(yán)重度檢測識(shí)別系統(tǒng)。系統(tǒng)采用Flask+Vue技術(shù)進(jìn)行前后端開發(fā)。Flask是基于Python語言的Web后端開發(fā)框架，Vue是基于Javascript語言的用戶界面前端開發(fā)框架。系統(tǒng)開發(fā)和部署流程如圖12所示。

識(shí)別檢測模塊是該系統(tǒng)的核心功能，隨機(jī)選擇一張桑果圖片進(jìn)行測試，檢測結(jié)果如圖13所示，包含了所有桑椹菌核病的嚴(yán)重程度、桑果的大小、置信度。為方便實(shí)時(shí)監(jiān)控和快速精準(zhǔn)防控桑椹菌核病，該系統(tǒng)也實(shí)現(xiàn)了針對(duì)桑椹視頻的檢測，可即時(shí)檢測桑椹菌核病的嚴(yán)重程度、桑果大小、置信度等信息。

4 結(jié)論

針對(duì)桑椹菌核病嚴(yán)重度人工檢測效率低下的問題，提出采用YOLOv3模型進(jìn)行自動(dòng)化檢測，使用在Pascal VOC2007數(shù)據(jù)集上預(yù)訓(xùn)練的Darknet53模型權(quán)重進(jìn)行遷移學(xué)習(xí)，并與EfficientDet、Faster-RCNN、YOLOv4三種原始模型進(jìn)行了對(duì)比試驗(yàn)。經(jīng)對(duì)比，YOLOv3模型的平均精確率均值（mAP）相對(duì)其他模型提高了6.76%～54.90%，其針對(duì)不同發(fā)病級(jí)別病果的平均精確率相對(duì)其他模型提高了7.04%～80.95%，查準(zhǔn)率和查全率為最優(yōu)或者次優(yōu)。因此，YOLOv3模型針對(duì)桑果菌核病檢測具有較好的魯棒性和可靠性。同時(shí)基于YOLOv3模型開發(fā)了一款在線桑椹菌核病檢測識(shí)別系統(tǒng)，該系統(tǒng)可對(duì)拍攝的桑果圖像和視頻進(jìn)行識(shí)別，為桑椹種植中實(shí)現(xiàn)自動(dòng)化病害監(jiān)測和快速精準(zhǔn)施藥提供了可靠的軟件處理平臺(tái)。

參考文獻(xiàn)：

［1］ JIAO F， LUO R， DAI X， et al. Chromosome-level reference genome and population genomic analysis provide insights into the evolution and improvement of domesticated mulberry（Morus alba）［J］. Molecular plant， 2020， 13（7）： 1001-1012.

［2］ 蒯元璋，吳福安.桑椹菌核病病原及病害防治技術(shù)綜述［J］.蠶業(yè)科學(xué)， 2012， 38（6）： 1099-1104.

［3］ ZHU Z， YU C， DONG Z X， et al. Phylogeny and fungal community structures of helotiales associated with sclerotial disease of mulberry fruits in China［J］. Plant disease， 2024， 108（2）： 502-512.

［4］ GRAY E， GRAY R E. Observations on popcorn disease of mulberry in south central Kentucky［J］. Castanea the journal of the Southern Appalachian Botanical club， 1987， 52（1）： 47-51.

［5］ JU W T， KIM H B， SUNG G B， et al. Mulberry popcorn disease occurrence in Korea region and development of integrative control method［J］. International journal of industrial entomology， 2016，" "33（1）： 36-40.

［6］ SHIMANE T. Relationship between ascospore dispersal of Ciboria shiraiana and development of popcorn disease of mulberry ［Morus］ fruits［J］. Acta sericologica et entomologica， 1994， 7：27-36.

［7］ 呂蕊花，金筱耘，趙愛春，等.果桑肥大性菌核病菌和油菜菌核病菌的交叉侵染、生物學(xué)特性及遺傳關(guān)系［J］.作物學(xué)報(bào)， 2015，" " 41（1）： 42-48.

［8］ 朱志賢，董朝霞，莫榮利，等.桑椹肥大型菌核病化學(xué)防治技術(shù)研究［J］.果樹學(xué)報(bào)， 2022， 39（7）：1262-1270.

［9］ TIAN Y， YANG G， WANG Z， et al. Detection of apple lesions in orchards based on deep learning methods of CycleGAN and YOLOv3-dense［J］. Journal of sensors， 2019， 157：417-426.

［10］ LIU J， WANG X. Early recognition of tomato gray leaf spot disease based on MobileNetv2-YOLOv3 model［J］. Plant methods， 2020， 16： 1-16.

［11］ WANG J， YU L， YANG J， et al. DBA_SSD： A novel end-to-end object detection algorithm applied to plant disease detection［J］. Information， 2021， 12（11）： 474.

［12］ WANG X， LIU J. Multiscale parallel algorithm for early detection of tomato gray mold in a complex natural environment［J］. Frontiers in plant science， 2021， 12： 620273.

［13］ ZHU J， CHENG M， WANG Q， et al. Grape leaf black rot detection based on super-resolution image enhancement and deep learning［J］. Frontiers in plant science， 2021， 12： 695749.

［14］ 侯發(fā)東.基于卷積神經(jīng)網(wǎng)絡(luò)的棉花葉部病蟲害自動(dòng)識(shí)別研究［D］.山東泰安： 山東農(nóng)業(yè)大學(xué)， 2020.

［15］ 陳 洋.基于卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害圖像分類研究［D］. 南昌： 江西農(nóng)業(yè)大學(xué)， 2019.

［16］ 柴 帥，李壯舉.基于遷移學(xué)習(xí)的番茄病蟲害檢測［J］.計(jì)算機(jī)工程與設(shè)計(jì)， 2019， 40（6）：1701-1705.

［17］ 吳健宇.基于深度卷積神經(jīng)網(wǎng)絡(luò)的農(nóng)作物病蟲害識(shí)別及實(shí)現(xiàn)［D］.哈爾濱：哈爾濱工業(yè)大學(xué)，2019.

［18］ 陳天嬌，董 偉，曾 娟，等.基于深度學(xué)習(xí)的病蟲害智能化識(shí)別系統(tǒng)［J］.中國植保導(dǎo)刊，2019，39（4）：26-34.

［19］ REDMON J，F(xiàn)ARHADI A.YOLOv3：An incremental improvement［J/OL］. https：//doi.org/10.48550/arXiv.1804.02767.

［20］ REN S， HE K， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［J］. IEEE transactions on pattern analysis amp; machine intelligence， 2017，" " 39（6）： 1137-1149.

［21］ TAN M X， PANG R M， LE Q V. Efficientdet： Scalable and efficient object detection［A］.Proceedings of the IEEE/CVF conference on computer vision and pattern recognition［C］. IEEE， 2020.10781-10790.

［22］ YU J， ZHANG W. Face mask wearing detection algorithm based on improved YOLO-v4［J］. Sensors， 2021， 21（9）： 3263.