改進(jìn)YOLOv5算法的多類蘋果葉片病害檢測(cè)

摘要：針對(duì)多類蘋果葉片病害準(zhǔn)確率差異大、檢測(cè)精度不高的問題，提出一種改進(jìn)YOLOv5準(zhǔn)確判別蘋果葉片病害的檢測(cè)算法（YOLOv5-CSEP）。首先，引入C3Ghost模塊替換原YOLOv5主干網(wǎng)絡(luò)C3模塊，減少模型的參數(shù)量與計(jì)算量；其次，將混合注意力模塊C-SAM加入主干網(wǎng)絡(luò)中，提高主干網(wǎng)絡(luò)的特征提取能力，在頸部網(wǎng)絡(luò)中加入CA注意力模塊，抑制復(fù)雜背景干擾關(guān)注目標(biāo)信息；最后，引入增強(qiáng)型路徑聚合網(wǎng)絡(luò)（E-PANet）充分融合多尺度特征，提升網(wǎng)絡(luò)對(duì)多類蘋果葉片病害檢測(cè)的準(zhǔn)確性與魯棒性。試驗(yàn)表明，改進(jìn)后算法的各項(xiàng)性能指標(biāo)均有提升，精確率達(dá)到93.2%，平均精度均值mAP@0.5達(dá)到87.9%，與原YOLOv5算法相比分別提高3.4%與1.7%，計(jì)算量減少11%。

關(guān)鍵詞：蘋果葉片；病害檢測(cè)；注意力機(jī)制；增強(qiáng)路徑聚合網(wǎng)絡(luò)；YOLOv5

中圖分類號(hào)：S661.1; TP391.4

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553（2024）12-0230-08收稿日期：2023年8月26日

修回日期：2023年10月10日

*基金項(xiàng)目：國家自然科學(xué)基金資助項(xiàng)目（61871258）

第一作者：李昱達(dá)，男，2000年生，山東威海人，碩士研究生；研究方向?yàn)槟繕?biāo)檢測(cè)、圖像識(shí)別。E-mail：1261007026@qq.com

通訊作者：吳正平，男，1966年生，湖北宜昌人，博士，教授；研究方向?yàn)榭刂瓶茖W(xué)與工程。E-mail：wuzp@ctgu.edu.cn

Multi-species apple leaf disease detection with improved YOLOv5 algorithm

Li Yuda¹， Wu Zhengping¹， Sun Shuifa²， Lin Miao³， Wu Zhenliao¹， Shen Hongdu¹

（1. College of Electrical Engineering and New Energy， China Three Gorges University， Yichang， 443002， China; 2. College of Information Science and Technology， Hangzhou Normal University， Hangzhou， 311121， China; 3. School of Business Administration， Shandong University of Finance and Economics， Jinan， 250000， China）

Abstract： Aiming at the problems of large difference in accuracy and low detection accuracy of various types of apple leaf diseases， an improved YOLOv5 detection algorithm for accurate identification of apple leaf diseases （YOLOV5-CSEP） was proposed. Firstly， C3Ghost module was introduced to replace the C3 module of YOLOv5 backbone network to reduce the number of parameters and calculation amount of the model. Secondly， the hybrid attention module C-SAM was added to the backbone network to improve the feature extraction capability of the backbone network， and the CA attention module was added to the neck network to suppress the interference of complex background information. Finally， an enhanced path aggregation network （E-PANet） was introduced to fully integrate multi-scale features and improve the accuracy and robustness of the network to detect various types of apple leaf diseases. Experiments showed that all performance indexes of the improved algorithm were improved， the accuracy rate reached 93.2%， and the average accuracy （mAP@0.5） reached 87.9%. Compared with the original YOLOv5 algorithm， it was improved by 3.4% and 1.7% respectively， and the calculation amount was reduced by 11%.

Keywords： apple tree leaf; disease detection; attention mechanism; enhanced path aggregation network; YOLOv5

0 引言

中國是世界上最大的蘋果生產(chǎn)國，長期保持著最大消費(fèi)國地位^［1］。近年來，我國市場(chǎng)對(duì)于蘋果的需求已超46 000 kt，蘋果的人工培育面積不斷擴(kuò)大。然而，從優(yōu)質(zhì)高產(chǎn)方面來講低于世界平均水平，低品質(zhì)果實(shí)積壓滯銷影響著我國蘋果產(chǎn)業(yè)的經(jīng)濟(jì)收益，病害則是導(dǎo)致蘋果的生產(chǎn)力與優(yōu)果率低下主要原因之一^［2］。早期病害檢測(cè)方法主要由專家目視檢測(cè)，不僅要求專家精確掌握各類病害特點(diǎn)，還需要對(duì)病害的治療方法了然于胸，實(shí)時(shí)性差，效率不高^［3］。為提高病害檢測(cè)效率，除加強(qiáng)專業(yè)人才的培養(yǎng)外，通過科技手段提高病害檢測(cè)效率是另一種有效途徑。

隨著圖像處理技術(shù)的不斷進(jìn)步^［4］，計(jì)算機(jī)視覺在蘋果病害檢測(cè)領(lǐng)域的研究與日俱增。國內(nèi)外相關(guān)學(xué)者借助傳統(tǒng)的圖像分割^［5］、標(biāo)記、增強(qiáng)以及分類^［6］等技術(shù)在提取蘋果病害特診等領(lǐng)域開展了大量的研究^［7］，Chakraborty等^［8］使用Otsu閾值算法和直方圖均衡對(duì)圖像特征增強(qiáng)以及提取，并使用了基于多類支持向量機(jī)（SVM）的方法來識(shí)別蘋果葉病害類型，試驗(yàn)具有一定成效；Zhang等^［9］使用基于圖像處理和模式識(shí)別的方法，利用區(qū)域生長算法（RGA）對(duì)蘋果葉片圖像中的病斑進(jìn)行分割，試驗(yàn)結(jié)果表明該方法的可行性與有效性；Khan等^［10］提出一種基遺傳算法的蘋果病害圖像分割方法，通過預(yù)處理、分割、特征提取和分類實(shí)現(xiàn)對(duì)不同類型蘋果病害準(zhǔn)確識(shí)別與鑒定，準(zhǔn)確率提升顯著。然而，傳統(tǒng)圖像識(shí)別技術(shù)需要手動(dòng)設(shè)計(jì)模型和提取特征，對(duì)光照、角度和尺度變化敏感，且需大量的標(biāo)注數(shù)據(jù)來進(jìn)行模型訓(xùn)練，不僅工作量大，而且魯棒性以及泛化能力差。

相比傳統(tǒng)的機(jī)器視覺技術(shù)，基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法能夠在大規(guī)模數(shù)據(jù)集上進(jìn)行訓(xùn)練，自動(dòng)提取樣本多維特征，泛化能力強(qiáng)，可移植性高，近年來得到迅速發(fā)展，在農(nóng)業(yè)等領(lǐng)域中應(yīng)用愈發(fā)成熟，常用的檢測(cè)算法有：SSD、R-CNN和YOLO等。Jiang等^［11］對(duì)SSD算法進(jìn)行改進(jìn)，結(jié)合Inception模塊和Rainbow級(jí)聯(lián)來對(duì)5種蘋果葉片病害進(jìn)行實(shí)時(shí)檢測(cè)，改進(jìn)后算法魯棒性提高但平均精度均值較低。趙嘉威等^［12］使用輕量化網(wǎng)絡(luò)MobileNetV3，結(jié)合注意力機(jī)制對(duì)YOLOv4算法進(jìn)行改進(jìn)，改進(jìn)后算法檢測(cè)速度相比于原YOLOv4算法有所提升，但算法參數(shù)量較大，與主流的YOLOv5算法相比檢測(cè)速度仍較慢。曾晏林等^［13］改進(jìn)YOLOv5算法，使用融合自注意力機(jī)制，提高對(duì)目標(biāo)的特征提取能力。通過上述研究可以看出^［14］，主流的深度學(xué)習(xí)模型算法魯棒性較強(qiáng)，并對(duì)蘋果葉片病害進(jìn)行檢測(cè)，但研究目標(biāo)主要為提高平均精度均值，而對(duì)其中特征不明顯的病害類型精度提升小，改進(jìn)后某類甚至幾類病害的檢測(cè)精度雖有所提升，但仍與平均精度均值差距大，難以保證各類病害均精確識(shí)別。

為解決上述問題，在YOLOv5算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出YOLOv5-CSEP的改進(jìn)算法：使用輕量化主干網(wǎng)絡(luò)C3Ghost和C-SAM（CS），將通道注意力機(jī)制CA引入特征金字塔網(wǎng)絡(luò)抑制無關(guān)信息，引入增強(qiáng)型路徑聚合網(wǎng)絡(luò)（E-PANet）代替原YOLOv5模型中的路徑聚合網(wǎng)絡(luò)，聚焦重要特征信息。其中，輕量化主干網(wǎng)絡(luò)由C3Ghost和混合注意力模塊C-SAM組成，使用C3Ghost減少模型計(jì)算量，提升檢測(cè)速度，混合注意力模塊C-SAM提高目標(biāo)檢測(cè)精度，彌補(bǔ)C3Ghost帶來的精度損失。最后，在含有5類病害的數(shù)據(jù)集上進(jìn)行驗(yàn)證并與其他主流目標(biāo)檢測(cè)算法進(jìn)行對(duì)比，評(píng)估YOLOv5-CSEP算法性能。

1 蘋果葉片病害檢測(cè)算法

1.1 YOLOv5算法

YOLOv5算法是YOLO系列算法的第5個(gè)版本，經(jīng)過多個(gè)版本更迭，對(duì)算法的特征融合、數(shù)據(jù)增強(qiáng)和損失函數(shù)進(jìn)行不斷改進(jìn)，使其檢測(cè)精度與速度得到了提升。該算法易于訓(xùn)練，有著十分出色的檢測(cè)性能的同時(shí)還具有很高的穩(wěn)定性與可靠性，使得工程部署成為可能^［15］。

YOLOv5算法結(jié)構(gòu)由4個(gè)部分組成：輸入端（Input）、主干網(wǎng)絡(luò)（Backbone）、特征融合網(wǎng)絡(luò)（Neck）和預(yù)測(cè)網(wǎng)絡(luò)（Head）。首先，輸入端對(duì)待輸入的圖像進(jìn)行處理后發(fā)送到主干網(wǎng)絡(luò)，通過Conv模塊、C3模塊和空間金字塔池化模塊（Spatial Pyramid Pooling-Fast，SPPF）后得到3種尺度特征的輸出，其中SPPF通過采用卷積核為5的最大值池化，對(duì)輸入串行進(jìn)行處理，有效地克服了目標(biāo)大小差異引起的問題，并增強(qiáng)網(wǎng)絡(luò)特征融合的能力，從而獲取更豐富的目標(biāo)信息。然后通過特征金字塔網(wǎng)絡(luò)（FPN）和路徑聚合網(wǎng)絡(luò)（PANet）相結(jié)合的結(jié)構(gòu)，將高層與低層的特征進(jìn)行融合，使目標(biāo)信息更加豐富，增強(qiáng)了對(duì)不同尺度物體檢測(cè)的能力。最后，將生成的3個(gè)不同尺度的特征圖輸入到預(yù)測(cè)網(wǎng)絡(luò)（Detect）進(jìn)行目標(biāo)分類和邊界框回歸任務(wù)，并通過非極大值抑制算法（NMS）來過濾冗余的預(yù)測(cè)結(jié)果，得到最終的目標(biāo)檢測(cè)結(jié)果。

1.2 改進(jìn)YOLOv5算法（YOLOv5-CSEP）

由于蘋果葉片的病害有多種類型，使得檢測(cè)目標(biāo)大小不一，而拍攝視角的不同與圖像背景復(fù)雜多變會(huì)使原始YOLOv5算法難以聚焦重要特征，對(duì)于關(guān)鍵信息提取少，容易在檢測(cè)蘋果葉片的病害時(shí)造成漏檢錯(cuò)檢，并且原YOLOv5算法在骨干網(wǎng)絡(luò)與頸部網(wǎng)絡(luò)使用了C3模塊，雖可以有效地從圖像中提取特征，但引入了大量不必要的參數(shù)導(dǎo)致計(jì)算量明顯增加。為解決以上問題，本研究在原YOLOv5模型算法基礎(chǔ)上進(jìn)行如下改進(jìn)：（1）將C3模塊替換為輕量型的C3Ghost模塊；（2）引入了混合注意力模塊C-SAM；（3）將原PANet網(wǎng)絡(luò)替換為E-PANet網(wǎng)絡(luò)，增強(qiáng)捕捉不同尺度的上下文信息的能力。YOLOV5-CSEP模型的整體結(jié)構(gòu)如圖1所示。

1.3 C3Ghost模塊

為減少YOLOv5算法中冗余參數(shù)量的同時(shí)保證檢測(cè)的精度，引入Han等^［16］提出的C3Ghost模塊。C3Ghost模塊繼承自C3模塊，通過將普通卷積替換為Ghost卷積，在無較大精度損失的情況下，降低了網(wǎng)絡(luò)的參數(shù)量與計(jì)算量。普通卷積過程和Ghost卷積過程如圖2和圖3所示。

根據(jù)圖2可知，假設(shè)輸入特征圖的寬度、高度和通道數(shù)分別為 W、 H 和 C， 經(jīng)過 k×k 與 d×d 的線性運(yùn)算后，輸出的特征圖為 h×w×n， 則在C3模塊中單個(gè)卷積的運(yùn)算量如式（1）所示。

Conv=n×h×w×C×k×k （1）

而普通卷積輸出特征中有大量冗余特征，這將消耗大量參數(shù)和計(jì)算量生成這些冗余信息。由圖3可知，若將Conv卷積替換為Ghost卷積，則通道數(shù)變?yōu)?n=m×s， 即Output的通道數(shù)是Identity的s倍，運(yùn)算量計(jì)算如式（2）所示。

則式（1）與式（2）的運(yùn)算量之比

由式（3）可知，Conv的計(jì)算量是Ghost卷積的s倍，從理論上證明Chost卷積的計(jì)算成本更低，故而將Ghost卷積融入C3模塊形成C3Ghost模塊可以減少Conv帶來的參數(shù)量，壓縮模型規(guī)模。C3Ghost模塊結(jié)構(gòu)如圖4所示。

具體實(shí)現(xiàn)過程：首先，將輸入圖像使用標(biāo)準(zhǔn)卷積改變通道數(shù)后，多次堆疊GhostBottleneck塊，生成一部分特征圖；其次，對(duì)輸入圖像再使用3×3的卷積操作，得到另一部分特征圖；最后，將兩部分特征圖進(jìn)行拼接，輸出得到最終的特征圖^［17］。C3Ghost在減少計(jì)算量與參數(shù)量的同時(shí)，仍可以保持較高特征表示能力，無較大的精度損失，提高了模型的性能和效率，有利于網(wǎng)絡(luò)輕量化與部署。

1.4 C-SAM混合注意力模塊

C-SAM混合注意力模塊融合了CA注意力模塊和SimAM無參注意模塊兩個(gè)部分。將兩部分優(yōu)點(diǎn)與不足互補(bǔ)，以較少的參數(shù)量的增加，提升檢測(cè)的精度，達(dá)到其他模塊的改進(jìn)效果。

注意力機(jī)制是受到人類大腦信號(hào)和視覺的啟發(fā)而發(fā)展起來的一種模塊，Hou等^［18］提出的移動(dòng)網(wǎng)絡(luò)注意力機(jī)制（Coordinate Attention，CA），這是一種基于坐標(biāo)信息的注意力模塊，能夠捕捉輸入特征圖中不同位置之間的空間結(jié)構(gòu)信息，增強(qiáng)不同通道之間的信息交互與傳遞，從而使網(wǎng)絡(luò)更加注重重要特征通道，以達(dá)到提高模型的性能和檢測(cè)效果。為了在眾多輸入特征中聚焦重要特征，獲取對(duì)蘋果葉片病害檢測(cè)起到關(guān)鍵作用的信息，使網(wǎng)絡(luò)模型檢測(cè)的更加準(zhǔn)確高效，本研究引入CA注意力機(jī)制提高病害葉片檢測(cè)效率。CA注意力機(jī)制具體實(shí)現(xiàn)過程如圖5所示。

首先，使用尺寸為（1，W）和（H，1）的池化核來對(duì)輸入的特征信息進(jìn)行編碼，以得到高度 h 的第 c 個(gè)通道z^h_c，計(jì)算如式（4）所示。

式中： x_c ——輸入特征 x 在通道 c 上的值。

同理，可以得到寬度為 w 的第 c 個(gè)通道 z^w_c。

依次將式（4）和式（5）輸出的具有全局感受野的特征圖進(jìn)行拼接后傳入1×1卷積模塊，批量歸一化后，將特征圖 F₁ 經(jīng)過非線性激活函數(shù)Sigmoid，得到特征圖f，如式（6）所示。

f=δ（F₁（［z^h，z^w］）） （6）

式中：f——空間信息在垂直方向和水平方向的中間特征圖， f∈?^{C/r×（H+W）}；

δ ——非線性激活函數(shù)；

r ——下采樣率。

根據(jù)特征圖 f∈?^{C/r×（H+W）}， 將f沿空間維度分割成兩個(gè)部分： f^h∈?^C/r×H×1 和 f^w∈?^C/r×1×W， 對(duì)分割后的 f^h 和 f^w 分別使用1×1的卷積變換，獲得的特征圖 F_h 和 F_w 與輸入具有相同的通道數(shù)。然后經(jīng)過Sigmoid激活函數(shù)進(jìn)行計(jì)算，得到高度方向與寬度方向的注意力權(quán)重 g^h 和 g^w 如式（7）和式（8）所示。

g^h=σ（F_h（f^h）） （7）

g^w=σ（F_w（f^w）） （8）

最后，使用原始輸入 x_c（i，j） 的特征圖乘以注意力權(quán)重，得到最終輸出的特征信息如式（9）所示。

y_c（i，j）=x_c（i，j）×g^h_c（i）×g^w_c（j） （9）

通過學(xué)習(xí)這些坐標(biāo)信息使模型能夠很好地理解特征圖的空間布局，聚焦重要特征，抑制無關(guān)信息，從而提升模型對(duì)空間結(jié)構(gòu)的感知能力。然而，CA模塊對(duì)全局信息的捕捉能力較弱。

Yang等^［19］提出無參注意力模塊（Similarity-based Attention Module，SimAM），相比其他注意力模塊，SimAM在不引入額外學(xué)習(xí)參數(shù)前提下，可以更好對(duì)特征權(quán)重進(jìn)行評(píng)估，減少冗余信息，提高全局感知的能力。通過度量神經(jīng)元之間的線性可分性，可定義能量函數(shù)如式（10）所示。

式中： t ——目標(biāo)神經(jīng)元， t^=w_tt+b_t 是t的線性變換；

x_i ——相鄰神經(jīng)元， x^_i=w_tx_i+b_t 是 x_i 的線性變換；

w_t ——神經(jīng)元變換時(shí)的權(quán)重；

b_t ——神經(jīng)元變換時(shí)的偏差；

y ——一般神經(jīng)元的輸出；

y₀ ——其他神經(jīng)元 x_i 的標(biāo)簽；

y_t ——目標(biāo)神經(jīng)元 t 的標(biāo)簽；

M ——通道的神經(jīng)元數(shù)量。

但SimAM不足之處在于計(jì)算復(fù)雜度較高可能會(huì)導(dǎo)致注意力過于集中，造成特征偏執(zhí)問題。

針對(duì)上述所提問題，考慮到CA與SimAM的優(yōu)點(diǎn)與不足可以互補(bǔ)，首先，將CA與SimAM結(jié)合，提出新的混合注意力模塊（Mixed Attention Module，C-SAM）。C-SAM的網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。C-SAM的設(shè)計(jì)避免了級(jí)聯(lián)連接的組合方式，將CA與SimAM以并行的方式進(jìn)行拼接，彌補(bǔ)了CA模塊捕捉全局信息較弱缺點(diǎn)的同時(shí)也解決了SimAM注意力過于集中的問題，使得注意力權(quán)重更加平衡，增強(qiáng)了模型對(duì)輸入特征的感知能力。然后，使用分支融合模塊（Branch Convergence Module，BCM），在無額外參數(shù)引入的同時(shí)，綜合了兩種注意力機(jī)制輸出的特征信息，使其互補(bǔ)的應(yīng)用于輸入特征圖，并使用Sigmoid函數(shù)進(jìn)行歸一化處理，注意力權(quán)重矩陣中數(shù)值較高的位置和通道會(huì)得到更高的權(quán)重，模型會(huì)在前向傳播時(shí)更加關(guān)注重要特征。最后，將得到的特征圖經(jīng)過卷積層Conv處理，減少參數(shù)量的同時(shí)對(duì)特征進(jìn)行精煉并輸出。C-SAM綜合了CA與SimAM的優(yōu)點(diǎn)，增強(qiáng)了算法對(duì)于不同病害的辨識(shí)度，弱化了無關(guān)背景信息，提高模型的精確性與魯棒性，是穩(wěn)定高效的注意力模塊。

1.5 增強(qiáng)型路徑聚合網(wǎng)絡(luò)（E-PANet）

YOLOv5的頸部網(wǎng)絡(luò)采用了自頂向下的特征金字塔結(jié)構(gòu)和自底向上的路徑聚合網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)原始特征圖進(jìn)行多次下采樣、上采樣和特征圖的融合操作以得到不同尺度的特征圖。但多次使用上下采樣會(huì)造成一定的特征損失，特征圖融合過程也會(huì)導(dǎo)致噪聲特征信息的多次混疊，最終特征圖存在較多噪聲信息。為解決上述問題，在FPN網(wǎng)絡(luò)中引入通道注意力機(jī)制CA，將參數(shù)量較少的CA插入融合操作之后，聚焦重要特征信息的同時(shí)抑制不重要的信息從而抑制特征融合過程中的噪聲干擾。

為解決多類蘋果葉片病害準(zhǔn)確率差異大的問題，將C3Ghost模塊和C-SAM模塊應(yīng)用到PANet結(jié)構(gòu)中，構(gòu)成增強(qiáng)型路徑聚合網(wǎng)絡(luò)（E-PANet）。C3Ghost引入GhostBottleneck，增強(qiáng)了模型的表征能力，減少了計(jì)算量和參數(shù)數(shù)量，并且使用低秩卷積核保留關(guān)鍵信息，模型性能得以保持的同時(shí)獲得更高的計(jì)算效率。而C-SAM引入通道和空間注意力機(jī)制，能夠自適應(yīng)地調(diào)整特征圖中不同位置和通道的重要性。將C-SAM加入C3Ghost模塊之后不僅可以抑制不相關(guān)的背景和噪聲，增強(qiáng)模型的魯棒性，還可以進(jìn)一步提升特征的重要性和區(qū)分度，提高模型對(duì)目標(biāo)的感知能力，使模型在目標(biāo)檢測(cè)任務(wù)中取得更好的表現(xiàn)，在提高小目標(biāo)密集病害檢測(cè)精度的同時(shí)，更能夠有針對(duì)性的關(guān)注目標(biāo)病害的重要特征，提高算法對(duì)于各類病害的辨識(shí)度，以解決病害特征不明顯而造成的漏檢問題，因此，將其串級(jí)連接后輸出到預(yù)測(cè)網(wǎng)絡(luò)。增強(qiáng)型路徑聚合網(wǎng)絡(luò)如圖7所示。

2 數(shù)據(jù)集準(zhǔn)備與模型訓(xùn)練

2.1 數(shù)據(jù)集制作

試驗(yàn)所用數(shù)據(jù)集來自公開網(wǎng)絡(luò)下載和現(xiàn)場(chǎng)拍攝收集的蘋果葉片病害圖像，在制作數(shù)據(jù)集前，先對(duì)原始數(shù)據(jù)集進(jìn)行數(shù)據(jù)清理，去掉無效的蘋果葉片病害圖片，留下的有效圖片包含的病害類型：葉斑病、褐斑病、灰斑病、銹病和白粉病，并通過裁剪、旋轉(zhuǎn)和模糊處理等操作進(jìn)行數(shù)據(jù)增廣，最終共獲得有4 670張圖像，使用LabelImg工具對(duì)圖片進(jìn)行標(biāo)注，標(biāo)注標(biāo)簽：葉斑病（ALSpot），褐斑病（BrownSpot），灰斑病（graySpot），白粉病（powderyMildew），銹病（Rust）。最后按9∶1的比例將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集，其中訓(xùn)練集包含4 203張圖片，測(cè)試集包含467張圖片。數(shù)據(jù)集中包含的各類病害的圖片數(shù)量如表1所示。

2.2 試驗(yàn)環(huán)境及參數(shù)

所有試驗(yàn)操作平臺(tái)均由單計(jì)算機(jī)完成，操作系統(tǒng)為64位Windows10，計(jì)算機(jī)的硬件配置為Intel Corei5-12400F@2.50 GHz，GPU為GeForce RTX3060，16 GB運(yùn)行內(nèi)存，軟件環(huán)境為Python3.9編程語言，Pytorch深度學(xué)習(xí)框架，CUDA12.1GPU加速庫。為使訓(xùn)練圖像便于輸入模型，輸入的圖像尺寸全部處理為640像素×640像素，試驗(yàn)設(shè)置的初始學(xué)習(xí)率設(shè)置為0.01，動(dòng)量設(shè)置為0.937，批量大小為16，訓(xùn)練總輪次設(shè)置為300輪。

2.3 模型評(píng)價(jià)指標(biāo)

采用全類平均精度均值（mAP@0.5），精確率P，召回率R、10億次浮點(diǎn)運(yùn)算（GFLOPs）和參數(shù)規(guī)模（Parameters）來對(duì)模型的檢測(cè)效果進(jìn)行評(píng)估。分別以精確率、召回率為橫坐標(biāo)、縱坐標(biāo)繪制出Recall-Precisiom曲線，對(duì)曲線求積分則為AP值。由于本研究為多個(gè)病害類別檢測(cè)，因此對(duì)每個(gè)類別的AP求和取平均即為mAP值，用于衡量模型對(duì)所有病害類別的檢測(cè)效果，mAP@0.5指IOU為0.5時(shí)的平均精度均值。在目標(biāo)檢測(cè)任務(wù)中，參數(shù)規(guī)模用于衡量模型空間復(fù)雜度的評(píng)價(jià)指標(biāo)即模型大小，這是一個(gè)重要的考量因素，因?yàn)檩^小的模型通常在嵌入式設(shè)備或者移動(dòng)端上更易部署且運(yùn)行更高效。計(jì)算如式（11）～式（14）所示。

式中：TP——檢測(cè)正確的目標(biāo)數(shù)量；

FP——檢測(cè)錯(cuò)誤的目標(biāo)數(shù)量；

FN——漏檢的目標(biāo)數(shù)量；

N——檢測(cè)類別數(shù)；

i——當(dāng)前類別的編號(hào)。

本次試驗(yàn)類別有葉斑病、褐斑病、灰斑病、銹病和白粉病五類，因此N=5。

3 試驗(yàn)與結(jié)果分析

3.1 模型參數(shù)調(diào)試

使用YOLOv5-CSEP算法在數(shù)據(jù)集上進(jìn)行訓(xùn)練，并進(jìn)行測(cè)試，模型訓(xùn)練過程中的總損失、精確率與召回率和平均精度均值的變化過程如圖8所示。

由圖8（a）可知，隨著訓(xùn)練輪數(shù)的增加，分類損失、目標(biāo)損失和定位損失三者之和的總損失在前30輪下降較快，30輪之后下降速度逐漸減緩。當(dāng)訓(xùn)練輪數(shù)達(dá)到300輪時(shí)，總損失曲線的波動(dòng)較小，表明模型精度達(dá)到穩(wěn)定值，因此，將總輪數(shù)設(shè)置在300輪結(jié)束模型訓(xùn)練。由圖8（b）、圖8（c）可知，訓(xùn)練輪數(shù)增加的同時(shí)，精確率與召回率也隨之不斷上升，在250～300輪時(shí)，基本趨于穩(wěn)定，最終準(zhǔn)確率和召回率達(dá)到93.2%和84.3%，各類型蘋果葉片病害檢測(cè)的平均精度均值（mAP@0.5）達(dá)到了87.9%，訓(xùn)練效果提升明顯。試驗(yàn)中模型各類曲線的走勢(shì)反映出參數(shù)設(shè)置的合理與訓(xùn)練過程的有效。

3.2 YOLOv5-CSEP模型消融試驗(yàn)

提出的3種改進(jìn)方法分別為使用C3host輕量化主干網(wǎng)絡(luò)、混合注意力模塊C-SAM以及增強(qiáng)型路徑聚合網(wǎng)絡(luò)E-PANet。為清晰分析所提出改進(jìn)方法的效果，設(shè)計(jì)以下消融試驗(yàn)方法。

1）在原YOLOv5算法基礎(chǔ)上，依次加入上述3種所提改進(jìn)方法，并評(píng)估每種改進(jìn)方法對(duì)原算法的優(yōu)化效果。

2）在改進(jìn)后YOLOv5-CSEP算法的基礎(chǔ)上，依次移除所提改進(jìn)方法，并評(píng)估每種改進(jìn)方法對(duì)最終算法的優(yōu)化效果。

由表2可知，將原YOLOv5算法主干網(wǎng)絡(luò)中的C3模塊替換為輕量化模塊C3Ghost后，參數(shù)量規(guī)模減少了17.5%，計(jì)算量大幅下降，雖實(shí)現(xiàn)了結(jié)構(gòu)的輕量化，但是平均精度均值有所降低；而在原YOLOv5算法主干網(wǎng)絡(luò)中單獨(dú)加入C-SAM和E-PNet，平均精度均值分別提高1.1個(gè)百分點(diǎn)和1.2個(gè)百分點(diǎn)，但計(jì)算量也增加，模型體積增大。為了彌補(bǔ)精度的損失的同時(shí)減少計(jì)算量與參數(shù)的增加，將C3Ghost、C-SAM以及E-PANet三種改進(jìn)方法進(jìn)行結(jié)合，結(jié)合后算法的檢測(cè)精度顯著提高，計(jì)算量與參數(shù)量減少，試驗(yàn)結(jié)果充分證明改進(jìn)后網(wǎng)絡(luò)的提升效果，驗(yàn)證了YOLOv5-CSEP算法的可行性。

通過上述試驗(yàn)可知，提出的改進(jìn)算法YOLOv5-CSEP與原YOLOv5算法相比，準(zhǔn)確度提高了3.4%，平均精度均值提高了1.7%，計(jì)算量減少11%，能夠滿足在提高檢測(cè)精度的同時(shí)保證檢測(cè)的效率。

3.3 不同主流檢測(cè)算法對(duì)比試驗(yàn)

為了能夠更清晰全面評(píng)估YOLOv5-CSEP算法的性能，將不同主流的檢測(cè)算法與本文所提算法進(jìn)行試驗(yàn)對(duì)比，性能檢測(cè)對(duì)比由表3所示。

由表3可知，YOLOv5算法對(duì)于特征不明顯病害褐斑病和白粉病的檢測(cè)效果較差，褐斑病和白粉病的準(zhǔn)確率僅有84.4%和85.8%，遠(yuǎn)低于平均水平。YOLOv5-CSEP算法對(duì)五類病害的檢測(cè)準(zhǔn)確率均有明顯提升，與原YOLOv5網(wǎng)絡(luò)相比，在提高小目標(biāo)檢測(cè)準(zhǔn)確率的同時(shí)，褐斑病的檢測(cè)與白粉病的檢測(cè)準(zhǔn)確率達(dá)到90.3%和91.2%，分別提高5.9%和5.4%，明顯改善了病害檢測(cè)精度差異大的問題，證明改進(jìn)方法的有效性。

改進(jìn)后算法的mAP@0.5為87.9%，與其他主流檢測(cè)算法的mAP@0.5相比提升顯著，檢測(cè)準(zhǔn)確率明顯提高，算法優(yōu)勢(shì)明顯。并且YOLOv5-CSEP的參數(shù)量最小，僅為6.89 M，所占用的體積最小，計(jì)算量最低，運(yùn)行時(shí)能降低對(duì)硬件設(shè)備的要求，有利于算法的部署，滿足實(shí)時(shí)監(jiān)測(cè)的需求。

3.4 檢測(cè)結(jié)果對(duì)比

由于不同蘋果葉片出現(xiàn)的病害區(qū)域不同，且葉片生長通常較為密集，這使人工檢測(cè)葉片病害變得困難，容易出現(xiàn)漏檢錯(cuò)檢的情況。然而，隨著算法的不斷完善與硬件的不斷發(fā)展，計(jì)算機(jī)檢測(cè)的準(zhǔn)確率與檢測(cè)的速度已經(jīng)遠(yuǎn)高于常人，因此，使用計(jì)算機(jī)可以顯著提高檢測(cè)的精度。分別使用YOLOv5-CSEP算法和原YOLOv5算法，對(duì)隨機(jī)選取的多張易漏檢、錯(cuò)檢病害區(qū)域的圖片進(jìn)行檢測(cè)，以更全面地評(píng)估計(jì)算機(jī)檢測(cè)方法的性能檢測(cè)結(jié)果如圖9所示。

YOLOv5受環(huán)境的影響較大，設(shè)置的對(duì)照組Ⅰ為當(dāng)病害與葉片顏色相近時(shí)的對(duì)比結(jié)果，設(shè)置的對(duì)照組Ⅱ?yàn)椴『θ~片所處背景較為復(fù)雜的對(duì)比結(jié)果，由圖9可知，YOLOv5算法在對(duì)照組Ⅰ中出現(xiàn)漏檢現(xiàn)象，對(duì)照組Ⅱ中出現(xiàn)錯(cuò)檢的現(xiàn)象，在圖中用紅色箭頭標(biāo)出，改進(jìn)的YOLOv5-CSEP算法未出現(xiàn)錯(cuò)檢漏檢現(xiàn)象；對(duì)照組Ⅲ所檢測(cè)的葉片病害較小且被強(qiáng)光照射，此時(shí)原YOLOv5算法出現(xiàn)錯(cuò)檢現(xiàn)象，與YOLOv5-CSEP算法相比置信度較低，可以看出，改進(jìn)后的算法魯棒性較強(qiáng)，檢測(cè)小目標(biāo)效果好；當(dāng)檢測(cè)病害類型為特征不明顯的病害白粉病時(shí)，在對(duì)照組Ⅳ中，YOLOv5出現(xiàn)漏檢現(xiàn)象，對(duì)于特征不明顯的病害檢測(cè)效果不好，改進(jìn)的YOLOv5-CSEP算法未出現(xiàn)漏檢現(xiàn)象。綜上所述，YOLOv5-CSEP算法在蘋果葉片病害檢測(cè)精度高、魯棒性強(qiáng)，出現(xiàn)錯(cuò)檢漏檢的現(xiàn)象少，可以滿足實(shí)時(shí)檢測(cè)的需求。

4 結(jié)論

使用YOLOv5作為基礎(chǔ)檢測(cè)算法，提出YOLOv5-CSEP目標(biāo)檢測(cè)算法，對(duì)改進(jìn)后的算法在包含5類蘋果葉片病害的數(shù)據(jù)集中訓(xùn)練并進(jìn)行驗(yàn)證，最后比較改進(jìn)后的算法與原始算法的檢測(cè)效果。

1）使用增強(qiáng)型路徑聚合網(wǎng)絡(luò)E-PANet代替原始YOLOv5s算法，在保證小目標(biāo)病害檢測(cè)精度與算法魯棒性提高的同時(shí)，提高較大目標(biāo)病害檢測(cè)的精度，證明E-PANet的有效性。

2）相比原始YOLOv5算法，使用C3Ghost實(shí)現(xiàn)模型的輕量化，以平衡C-SAM混合注意力模塊帶來的參數(shù)量的增加。并對(duì)葉斑病、褐斑病、灰斑病、銹病和白粉病5類病害進(jìn)行檢測(cè)，特征不明顯病害褐斑病和白粉病的準(zhǔn)確率分別提高5.9%和5.4%，其他小目標(biāo)病害準(zhǔn)確率也得到提升，平均準(zhǔn)確率提高3.4%，平均精度均值提升1.7%，參數(shù)量減少2%，計(jì)算量減少11%，模型性能明顯提升，實(shí)現(xiàn)多類目標(biāo)病害檢測(cè)。

后續(xù)工作嘗試在保證兼具檢測(cè)精度與檢測(cè)速度的同時(shí)將算法部署到嵌入式設(shè)備，增強(qiáng)實(shí)用性，實(shí)現(xiàn)自動(dòng)化病害檢測(cè)。

參 考 文 獻(xiàn)

［1］ 任佳佳， 張朦朦， 李巍. 我國蘋果區(qū)域分布特征及其供需優(yōu)化分析［J］. 中國果樹， 2023（5）： 123-126.

Ren Jiajia， Zhang Mengmeng， Li Wei. Analysis on the regional distribution characteristics and supply and demand optimization of apple in China ［J］. China Fruits， 2023（5）： 123-126.

［2］ Khan A I， Quadri S M K， Banday S， et al. Deep diagnosis： A real-time apple leaf disease detection system based on deep learning ［J］. Computers and Electronics in Agriculture， 2022， 198： 107093.

［3］ 陳聰， 于嘯， 宮琪. 基于改進(jìn)殘差網(wǎng)絡(luò)的蘋果葉片病害識(shí)別研究［J］. 河南農(nóng)業(yè)科學(xué)， 2023， 52（4）： 152-161.

Chen Cong， Yu Xiao， Gong Qi. Apple leaf diseases identification based on improved residual network ［J］. Journal of Henan Agricultural Sciences， 2023， 52（4）： 152-161.

［4］ 夏小雨， 韓成浩. 基于無人機(jī)的低空?qǐng)D像處理技術(shù)在農(nóng)業(yè)領(lǐng)域的應(yīng)用［J］. 農(nóng)業(yè)與技術(shù)， 2023， 43（1）： 38-41.

［5］ 陳超， 齊峰. 卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺領(lǐng)域中的應(yīng)用綜述［J］. 計(jì)算機(jī)科學(xué)， 2019， 46（3）： 63-73.

Chen Chao， Qi Feng. Review on development of convolutional neural network and its application in computer vision ［J］. Computer Science， 2019， 46（3）： 63-73.

［6］ 劉穎， 雷研博， 范九倫， 等. 基于小樣本學(xué)習(xí)的圖像分類技術(shù)綜述［J］. 自動(dòng)化學(xué)報(bào)， 2021， 47（2）： 297-315.

Liu Ying， Lei Yanbo， Fan Jiulun， et al. Survey on image classification technology based on small sample learning ［J］. Acta Automatica Sinica， 2021， 47（2）： 297-315.

［7］ Dubey S R， Jalal A S. Detection and classification of apple fruit diseases using complete local binary patterns ［C］. 2012 Third International Conference on Computer and Communication Technology. IEEE， 2012： 346-351.

［8］ Chakraborty S， Paul S， Rahat-uz-Zaman M. Prediction of apple leaf diseases using multiclass support vector machine ［C］. 2021 2nd International Conference on Robotics， Electrical and Signal Processing Techniques （ICREST）. IEEE， 2021： 147-151.

［9］ Zhang Chuanlei， Zhang Shanwen， Yang Jucheng， et al. Apple leaf disease identification using genetic algorithm and correlation based feature selection method ［J］. International Journal of Agricultural and Biological Engineering， 2017， 10（2）： 74-83.

［10］ Khan M A， Lali M I U， Sharif M， et al. An optimized method for segmentation and classification of apple diseases based on strong correlation and genetic algorithm based feature selection ［J］. IEEE Access， 2019， 7： 46261-46277.

［11］ Jiang P， Chen Y， Liu B， et al. Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks ［J］. IEEE Access， 2019， 7： 59069-59080.

［12］ 趙嘉威， 田光兆， 邱暢， 等. 基于改進(jìn)YOLOv4算法的蘋果葉片病害檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)， 2023， 51（9）： 193-199.

Zhao Jiawei， Tian Guangzhao， Qiu Chang， et al. Detection method of apple leaf diseases based on improved YOLOv4 algorithm ［J］. Jiangsu Agricultural Sciences， 2023， 51（9）： 193-199.

［13］ 曾晏林， 賀壹婷， 藺瑤， 等. 基于BCE-YOLOv5的蘋果葉部病害檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)， 2023， 51（15）： 155-163.

Zeng Yanlin， He Yiting， Lin Yao， et al. An apple leaf disease detection method based on BCE-YOLOv5 ［J］. Jiangsu Agricultural Sciences， 2023， 51（15）： 155-163.

［14］ 王云露， 吳杰芳， 蘭鵬， 等. 基于改進(jìn)Faster R-CNN的蘋果葉部病害識(shí)別方法［J］. 林業(yè)工程學(xué)報(bào)， 2022， 7（1）： 153-159.

Wang Yunlu， Wu Jiefang， Lan Peng， et al. Apple disease identification using improved Faster R-CNN ［J］.Journal of Forestry Engineering， 2022， 7（1）： 153-159.

［15］ 金鑫， 莊建軍， 徐子恒. 輕量化YOLOv5s網(wǎng)絡(luò)車底危險(xiǎn)物識(shí)別算法［J］. 浙江大學(xué)學(xué)報(bào)（工學(xué)版）， 2023， 57（8）： 1516-1526.

Jin Xin， Zhuang Jianjun， Xu Ziheng. Lightweight YOLOv5s network-based algorithm for identifying hazardous objects under vehicles ［J］. Journal of Zhejiang University （Engineering Science）， 2023， 57（8）： 1516-1526.

［16］ Han K， Wang Y， Tian Q， et al. GhostNet： More features from cheap operations ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 1580-1589.

［17］ Liu G， Hu Y， Chen Z， et al. Lightweight object detection algorithm for robots with improved YOLOv5 ［J］. Engineering Applications of Artificial Intelligence， 2023， 123： 106217.

［18］ Hou Q， Zhou D， Feng J. Coordinate attention for efficient mobile network design ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 13713-13722.

［19］ Yang L， Zhang R Y， Li L， et al. SimAM： A simple， parameter-free attention module for convolutional neural networks ［C］. International Conference on Machine Learning. PMLR， 2021： 11863-11874.