基于改進YOLOv8的草莓衛士系統的設計與實現

關鍵詞：草莓衛士；病蟲害識別；環境監控；YOLOv8；CBAM；多傳感器融合

中圖分類號：TP391.41 文獻標識碼：A

文章編號：1009-3044（2024）36-0014-06"開放科學（資源服務） 標識碼（OSID）：

0引言

習近平總書記在黨的二十大報告中提出“強化農業科技和裝備支撐，健全種糧農民收益保障機制和主產區利益補償機制，確保中國人的飯碗牢牢端在自己手中”，這為“智慧農業”的發展指明了方向。中國草莓種植面積居世界第一，截至2023 年，種植面積約250 萬畝，產量超過400 萬噸，年產值約1000億元。其中江蘇草莓種植面積約32萬畝，位居全國第一[1-2]。

然而，草莓種植易受多種病蟲害的影響。由于草莓植株矮小，部分病蟲害具有隱蔽性，且種類繁多，這些因素給種植帶來了巨大的挑戰。草莓種植中常見炭疽病、蛇眼病、白粉病、灰霉病等病害以及草莓蚜蟲、白粉虱、薊馬、紅蜘蛛螨等蟲害，每一種病害都可能對產量造成巨大影響[3]。調研發現草莓種植過程中主要存在以下問題：一是草莓種植對環境很敏感，例如，當溫度在18～23℃、濕度大于90%時，灰霉病發病概率會大大增加。目前大部分農戶僅使用溫濕度計，無法實時采取措施調控環境。二是由于草莓植株矮小，早期病蟲害很難被發現，在大規模種植時因人工不足，經常出現“發現即爆發”的情形[4]。針對這些問題，近年來，國內外諸多學者在草莓病蟲害防治方面進行了廣泛而深入的研究，取得了一定成果。目前，在草莓病蟲害防治中，化學防治方法仍然占據主導地位。農民和農業技術人員常使用各種化學農藥，如殺蟲劑、殺菌劑等，來控制病蟲害的繁殖和擴散。然而，大量使用農藥會導致病蟲害產生抗藥性，降低防治效果，對生態環境和人體健康都有潛在危害。隨著環保意識的提高和農業可持續發展的需求，生物防治技術在草莓病蟲害防治中逐漸受到重視。通過引入天敵、微生物農藥等方式，實現病蟲害的生態控制。這種方法安全、環保，且對非靶標生物安全，具有持久性。然而，生物防治技術也存在見效慢、技術要求高等局限性。除了化學和生物防治方法外，研究者還在探索物理防治技術在草莓病蟲害防治中的應用。物理防治技術包括燈光誘殺、色板誘殺等，使用這些手段在一定程度上能夠減輕病蟲害，且對環境破壞小。這些方案集中在發現病蟲害后的處理手段，對于草莓病蟲害的預防，考慮到草莓病蟲害對環境的敏感性，一般采用多種傳感器對草莓生長環境進行實時監測和及時調控[5-7]。近年來，隨著計算機視覺的發展，研究人員致力于利用機器學習技術來檢測作物的病蟲害[8-10]。在農作物病害檢測領域，諸多研究者采用了多種深度學習架構，如AlexNet[11]、VGGNet[12] 和Vision Trans? former[13]等。這些模型通過CNN的深度特征提取和集成模型的優勢，能夠準確地定位和分類植物病蟲害。這對于及早發現草莓病蟲害具有一定意義，但這些方法無法滿足實時物體檢測的需求。YOLO算法的出現對于植物病蟲害的早期實時發現提供了有效幫助[14]。研究人員通過優化和改進，使其能夠適應復雜環境中的植物病蟲害檢測任務。例如，Tian等人提出了基于深度學習的蘋果炭疽病檢測方法，利用DenseNet優化YOLOv3模型的低分辨率特征層，提高了神經網絡特征的利用率和檢測效果[15]。目前有多個YOLO系列算法，包括常用的YOLOv5、YOLOv7、YOLOv8 等，其中YOLOv8整合了大量優化策略，在實際使用中效果較好，但使用YOLOv8算法獲得的特征在一定程度上會受到噪聲的影響、存在特征信息不足的問題，造成檢測過程中出現漏檢和錯檢的現象。為了能夠更加有效地識別草莓的病蟲害，本文在算法上選擇融合CBAM注意力機制[16]的YOLOv8改進算法，解決了草莓病蟲害實時檢測中精度與速度的適當平衡。為了有效解決草莓種植中環境控制難、病蟲害早期發現難的問題，本文結合物聯網、人工智能等新一代信息技術，開發了草莓衛士客戶端，采用多種傳感器融合技術解決草莓種植環境調控難的問題；采用基于改進YOLOv8算法的病蟲害識別系統精準識別草莓病蟲害，解決早期發現難的問題；軟件將獲得的環境數據和病蟲害圖像數據上傳至阿里云，利用部署在云端的環境調控系統和病蟲害識別系統，有效控制草莓的生長環境并及早發現病蟲害，從而減少損失。

1 基于改進YOLOv8算法的草莓病蟲害識別算法

YOLOv8是目前YOLO系列算法中應用較為廣泛的目標檢測算法。該算法主要用于圖像分類、物體檢測和實例分割等任務，被認為是這類任務的最佳選擇之一。YOLOv8的設計受到了YOLOv5、YOLOv6、YOLOX等模型的啟發，并結合了它們的設計優點[17-18]。

1.1 YOLOv5和YOLOv8的網絡結構的區別

圖1展示了YOLOv5和YOLOv8的網絡結構，其中圖1（a） 是YOLOv5的網絡結構，圖1（b） 是YOLOv8的網絡結構。

相比YOLOv5網絡結構，YOLOv8在結構上進行了多項優化。例如，在Backbone 中YOLOv8 將YO? LOv5中的C3模塊替換為C2f模塊，實現了進一步輕量化，同時沿用YOLOv5中的SPPF模塊，并對不同尺度的模型進行精心微調，大幅提升了模型性能。在Head部分相比YOLOv5改動較大，YOLOv8采用了解耦頭結構（Decoupled-Head） ，分離了回歸分支和預測分支，并在回歸分支中采用Distribution Focal Loss策略中提出的積分形式表示法。

1.2 基于CBAM 的YOLOv8算法的改進

注意力機制是一種聚焦于局部信息的機制，其基本思想是讓系統更加關注重點信息。這種機制在圖像識別、物體檢測和人臉識別等任務中都發揮了重要作用。注意力機制的實現方法有多種，其中包括空間注意力模型、通道注意力模型、空間和通道混合注意力模型等。其目的是提取圖像中的關鍵信息，同時抑制無關信息來提高整個模型的性能[19-20]。通過引入注意力機制，計算機視覺系統可以更加高效地處理圖像數據，減少計算資源的浪費，同時提高模型的性能和準確性。

將CBAM（Convolutional Block Attention Module） 注意力機制[19]引入YOLOv8網絡，CBAM結合了通道注意力和空間注意力來提高卷積神經網絡的性能，其結構如圖2（a） 所示。其中通道注意力模塊通過對輸入特征圖進行最大池化和平均池化操作，將每個通道的空間信息壓縮為一個單獨的值，從而實現對全局空間信息的壓縮和提取。空間注意力模塊則是關注輸入的數據在不同空間位置上的重要程度，通過學習針對不同空間位置的權重，模型能夠更加關注重要的空間位置，從而使得模型的性能和泛化能力有所提升。

通道注意力模塊（Channel Attention Module，CAM） 如圖2（b） 所示，通過在通道維度上對輸入的特征圖進行池化處理，包括最大池化和平均池化，然后將池化結果輸入到一個全連接層中，最后輸出一個通道注意力權重向量。這個權重向量可以用來對輸入特征圖的每個通道進行加權，增強重要的通道特征，同時抑制不重要的通道特征。

空間注意力模塊（Spatial Attention Module，SAM） 如圖2（c） 所示，類似于通道注意力模塊，空間注意力模塊也是通過對輸入特征圖進行操作來計算每個像素的重要性。它通常使用全局平均池化來獲取每個像素的特征向量，然后通過一個全連接層來輸出每個像素的權重。這些權重可以用于加權輸入特征圖的每個像素，以強調圖像中的重要區域并抑制不重要的區域。

通過將CAM和SAM串聯起來，可以得到一個完整的CBAM模塊以提升模型性能。通過CAM得到的通道權重乘以原始的特征圖X，調整每個通道的重要性。然后，將這個調整后的特征圖輸入SAM，進一步調整每個位置的重要性。應用CAM后再應用SAM通常效果更好，這是因為一旦確定了最重要的特征通道，再去調整這些通道中各個位置的重要性，能夠更精確地強化有用的信息，抑制不必要的信息。CBAM 可以顯著提高計算機視覺任務的性能。

1.3 評價指標

選擇常見指標來評價檢測算法的性能，包括精準率、召回率和F1分數。F1分數是一個綜合指標，結合精準率和召回率來評價算法的整體表現。在圖像精度評價中，混淆矩陣用于比較訓練好的草莓病蟲害類別的分類結果和實際預測的數值，混淆矩陣如表1所示。

表1中，TP表示預測結果是正例，實際結果也是正例，預測正確；FN表示預測結果是負例，實際結果卻是正例，預測錯誤；FP 表示預測結果是正例，實際結果是負例，預測錯誤；TN 表示預測結果是負例，實際也是負例，預測正確。

1.4 數據集介紹

由于公開數據集中沒有專門的有價值的草莓病蟲害數據集，團隊拍攝整理了6280張草莓各種病蟲害的圖像，包括角葉斑、炭疽病、枯萎病、灰霉病、葉斑病、果白粉病、葉白粉病7類草莓常見的病蟲害圖像。樣本標簽通過草莓種植技術專家確認，最大限度保證了數據的準確性。數據集中7類樣本數量分布如表2 所示。

1.5 識別結果

為了驗證算法的優勢，本文首先對比了輕量級的YOLOv5s和YOLOv8s模型，這兩種模型在減少參數數量和降低計算復雜度的同時，仍保持了較高的檢測性能。對比結果如表3所示。

在比較分析中，同樣是輕量級的模型，YOLOv8s的召回率為0.960 18，F1為0.96013，而YOLOv5s的召回率為0.95615，F1為0.95830。相比YOLOv5s，YOLOv8s 的召回率提高約0.42%，F1提高約0.19%，精確度降低約0.39%。綜合評估表明，YOLOv8s的性能優于YOLOv5s。為了更有效地滿足草莓病害實時檢測的需要，在YO? LOv8s模型基礎上融入CBAM注意力機制，以進一步提高性能。模型改進前后的對比結果如表4所示。

YOLOv8s+CBAM模型的精確度為0.975 19，召回率為0.961 94，F1為0.968 52。與原始YOLOv8s模型訓練結果相比，三個值分別提高了1.57%、0.18%、0.87%，證明在YOLOv8s模型中融入CBAM注意力機制能夠提升模型的性能。

2 草莓衛士軟硬件系統的設計和實現

圖3為產品架構圖，草莓衛士通過集成溫濕度、光照度、二氧化碳濃度等多種傳感器，精確采集草莓種植環境的相關數據，通過邊緣設備將數據同步上傳至云服務器，同時在云服務器中部署病蟲害識別模型。用戶可以通過草莓衛士客戶端實時查看大棚環境的各項數據，從而實現對草莓種植環境的全面監控。當環境數據超出預設閾值時，草莓衛士將自動觸發智能插座的控制機制，利用草莓大棚內現有的加熱、通風等設施進行精準的環境調節，具體技術路線如圖4所示。

2.1 硬件系統的設計

在草莓種植過程中，環境控制一直是一個重要的挑戰。由于草莓對生長環境的要求較高，溫度、濕度、光照等因素的波動都可能對其生長產生不利影響。傳統的環境控制方法一般需要依賴人工經驗及定時巡檢，不僅耗費人力、效率低下，而且難以保證獲得的環境參數的準確性和穩定性。為了解決這個問題，本文設計了一款用于實時監控草莓生長環境的設備，包括溫濕度傳感器、光照度傳感器、二氧化碳濃度傳感器、土壤溫濕度變送器、智能插座和攝像頭，硬件系統的設計如圖5所示。

設備包含溫濕度傳感器、光照度傳感器、二氧化碳濃度傳感器、土壤溫濕度傳感器、智能插座以及攝像頭元件，共同構建了一個智能化的監測系統。所有元件均具備Wi?Fi連接能力，能夠將采集到的數據實時傳輸至邊緣設備進行處理，并定期同步至云端，確保數據的及時性與準確性。用戶可借助草莓衛士客戶端輕松獲取環境信息，實現大棚環境的全面預警與監控。此外，設備支持MQTT通信協議，能夠智能判斷檢測值是否超出預設閾值。一旦超出閾值，智能插座將立即啟動自動控制功能，對草莓大棚內現有的通風、加熱等設施進行調控，有效防范草莓病蟲害的發生，確保草莓的產量與品質得以充分保障。硬件系統工作流程如圖6所示。

2.2 軟件系統的設計

草莓衛士旨在幫助草莓種植者監測和管理草莓植株的生長環境，通過溫濕度顯示、遠程控制和病蟲害圖像識別預警等功能，提高草莓產量和質量。產品框架主要包括4個方面，即應用層、平臺層、網絡層以及感知層。

應用層是用戶與客戶端直接交互的界面層。從圖中可以看到，應用層包含了實時視頻監控、環境監測、遠程控制、AI問診以及AI專家在線等功能。這些功能簡單易操作，使用戶能夠實時監控大棚中草莓的生長情況，對環境進行監測和調節，以及對草莓園進行遠程控制和管理。

平臺層是支撐應用層功能的后端服務和技術支持層。平臺層包括了調用科大訊飛的大語言模型的SDK接口、云服務、AI識別服務、云視頻以及MQTT通信服務等。這些服務和技術為應用層提供了強大的數據處理、分析和存儲能力。

網絡層是連接感知層和應用層的媒介，負責數據的傳輸和通信。網絡層包括了控制網絡傳輸、Wi?Fi 以及云臺控制等功能。這些功能確保了感知層采集到的數據能夠準確地傳輸到應用層進行處理，同時實現了對遠程設備的可靠控制。

感知層作為客戶端的底層，負責采集和獲取草莓園內的各種環境信息和設備狀態。從圖中可以看到，感知層包括了溫濕度傳感器、澆灌設備、通風設備以及AI攝像頭等。這些傳感器和設備能夠實時監測和采集草莓園內的溫度、濕度、光照等關鍵參數，并將數據上傳到網絡層進行傳輸和處理。

項目整體利用Android Studio進行開發環境搭建和代碼編寫。使用Java語言和MVVM架構進行客戶端開發。

2.2.1 病蟲害識別模塊

客戶端接收用戶上傳的草莓病蟲害圖片，進行圖像識別和預警。病蟲害識別采用深度學習技術，通過對草莓病蟲害圖像進行預處理，包括裁剪、縮放、灰度化、平衡化等操作，然后采用改進的YOLOv8網絡模型進行訓練。然后將模型部署在服務器上，服務器使用Docker進行部署，在服務器上安裝Python環境，安裝flask等相關依賴，將原本的模型打包拷貝到服務器上，運行Python腳本，啟動flask服務。將部署的模型轉為API接口，在客戶端調用在服務器部署的病蟲害識別模型的API，將拍攝的照片上傳至服務器進行識別，結果呈現在客戶端界面上。通過調用服務器上接口的URL，通過get請求，返回所有查詢過的病蟲害信息，返回JSON格式的信息及圖片，提取信息，并呈現在客戶端上。圖7是病蟲害識別和預警模塊的設計，其中圖7（a） 是病蟲害識別模塊流程圖，圖7（b） 是病蟲害預警模塊流程圖。

2.2.2 環境監測及預警模塊

環境監測模塊實時監測大棚內的環境參數，如溫度、濕度、光照、二氧化碳等數據，并展示給用戶。利用智能Wi-Fi插座，實現遠程控制。此插座內含有一塊型號為ESP8266 的Wi-Fi 芯片，它可以通過連接WLAN網絡，從而受客戶端的控制。用戶從客戶端下達打開或關閉的命令，通過MQTT通信服務，通過Wi- Fi發布命令，插座的芯片來訂閱對應主題，從而控制插座的狀態，然后得以實現通風、灌溉等遠程操作。用戶可在網頁端設置環境參數的閾值，當參數超過或低于設定值時，利用MQTT通信協議向客戶端推送預警通知。圖8是環境模塊的設計，其中圖8（a） 是環境監測模塊流程圖，圖8（b） 是環境預警模塊流程圖。

2.3 草莓衛士功能的實現

草莓衛士是一款集環境監控、病蟲害識別、農田監控功能于一體的軟硬件結合系統，用戶可通過客戶端主頁查看環境變化曲線，獲取詳盡的溫濕度、光照度、二氧化碳濃度、土壤溫濕度等數據。用戶可以通過客戶端設置環境閾值，超過閾值會自動報警，還可借助智能插座實現對大棚內設施的精準調控，以滿足草莓生長所需的最優環境條件?？蛻舳私缑嫒鐖D9所示，分別為主頁、環境監控頁面、病蟲害識別頁面和識別結果顯示。

3 結論

基于改進YOLOv8算法的草莓衛士系統致力于解決草莓種植過程中環境控制和病蟲害監測的難題。通過整合溫濕度、二氧化碳濃度、光照度、土壤溫濕度等多種傳感器數據，實現對草莓大棚環境的實時監控，為種植者提供有力支持。系統采用融入CBAM注意力機制的改進YOLOv8模型訓練草莓病蟲害數據集，改進模型的訓練結果與目前常用的YOLOv5 和YOLOv8訓練結果相比，其精確度、召回率和F1分數均高于改進前的模型，顯示出良好的性能。將模型部署在阿里云平臺并與客戶端相連，用戶通過拍攝照片即可實現病蟲害種類的識別，為草莓種植者提供了便捷高效的檢測手段。綜上所述，草莓衛士系統的設計與實現為草莓種植產業的智能化和自動化發展提供了重要支持。該系統不僅提升了生產效率，減少了人工成本，更重要的是有效監控了環境與病蟲害情況，有助于提高草莓產量和質量，推動整個行業朝著智能化、可持續發展的方向邁進。未來將進一步優化病蟲害識別算法的準確性，拓展系統在不同作物中的應用，提升系統的泛化能力，使其更加智能、全面地服務于草莓種植者，為農業領域的數字化轉型提供更多有益的思路和實踐經驗。