基于輕量化YOLO v8-Rice的水稻蟲害檢測方法

doi：10.15889/j.issn.1002-1302.2024.20.033

摘要：針對真實場景下水稻蟲害識別的背景復雜、模型計算量和參數量大以及難以在嵌入式設備或移動設備上部署等問題，在YOLO v8的基礎上提出一種改進的輕量化的YOLO v8-Rice水稻蟲害檢測算法。首先，采用Context Guided Block結構替換傳統YOLO v8中C2f模塊的Bottleneck結構，增強模型的上下文信息理解能力，壓縮模型的權重；然后，使用深度可分離卷積代替傳統YOLO v8中的標準卷積，以降低參數量、計算量；最后，將檢測頭重構為輕量級共享卷積檢測頭，以進一步降低參數量、計算量，并提高模型對多尺度蟲害特征的定位和提取能力，使其能夠更好地適應不同尺寸、復雜度的蟲害狀況。結果表明，相比于傳統YOLO v8，YOLO v8-Rice算法在計算量、參數量方面分別減小70.5%、61.7%，模型的權重文件大小降低至1.94 MB，僅為YOLO v8n的32.4%，并且在平均精度上達到94.1%，與其他模型相比明顯提高。該算法在水稻蟲害檢測方面的性能取得了顯著提升。借助輕量化網絡模型及優化模型的部署，使其更適合在移動設備或嵌入式設備中部署，可為實際農業場景中的水稻蟲害檢測提供更可行的解決方案，可以準確地檢測定位和分類水稻蟲害。

關鍵詞：水稻蟲害檢測；輕量化YOLO v8-Rice；Context Guided Block；深度可分離卷積；輕量級共享卷積檢測頭

中圖分類號：S126；S435.112；TP391.41" 文獻標志碼：A

文章編號：1002-1302（2024）20-0277-08

收稿日期：2024-03-23

基金項目：國家自然科學基金面上項目（編號：62077018）；湖北省自然科學基金（編號：2023AFB082）。

作者簡介：桂余鵬（1999—），男，湖北襄陽人，碩士研究生，研究方向為深度學習與目標檢測。E-mail：2022710691@yangtzeu.edu.cn。

通信作者：胡蓉華，博士，講師，研究方向為網絡與信息安全。E-mail：hrh2016@yangtzeu.edu.cn。

水稻種植在確保我國的糧食供應、促進農業可持續發展方面扮演著至關重要的角色［1］。然而，在水稻的生長周期中，眾多病蟲害頻繁且嚴重的侵襲對水稻產量及其質量產生了較為惡劣的負面影響［2］。有數據顯示，2006—2015年，我國水稻由病蟲害導致的損失占比達33.67%，但是通過有效的防治手段，能夠成功挽回其中55.18%的潛在損失，表明綜合性的植物保護策略對于維護水稻生產的穩定性具有重大貢獻［3］。

傳統的水稻蟲害識別和診斷主要依靠人工的直接觀察與基于經驗的判斷，這種方式在實施上存在效率低下的問題，同時，由于其結果受到個人經驗和主觀判斷的限制，可能導致準確性的波動。近年來，隨著機器學習和深度學習領域的迅猛發展，這些先進的技術在農業害蟲及疾病識別上實現了重大突破，給水稻種植業的可持續增長帶來了希望。江順等提出了一種改進的水稻害蟲識別技術，該技術以AlexNet為基礎框架，通過引入額外的深層卷積層，去除局部響應歸一化層和全連接層，并采用修正線性單元作為激活函數，以提高在多變環境下對水稻害蟲的識別精度［4］。梁萬杰等針對水稻蟲害識別問題，提出一種基于卷積神經網絡模型的水稻二化螟蟲害識別方法，通過對圖像進行預處理、重新設計卷積神經網絡模型，增強了網絡模型對水稻二化螟害蟲識別的抗干擾性和魯棒性［5］。鄭果等以MobileNet v3作為骨干網絡，對YOLO v7網絡進行改進，并構建了基于特征金字塔的多尺度神經網絡模型，提升了小個體害蟲的識別精度，實現了水稻蟲害遠程實時自動化識別［6］。曾偉輝等使用增強型超分辨率生成對抗網絡對低分辨率圖像進行數據增強，通過構建SCResNeSt網絡并在骨干網絡中使用ResNeSt block以進一步提升對圖像中害蟲信息獲取的準確性，實現了野外實際場景下水稻害蟲識別的應用需求［7］。巨志勇等在傳統YOLO v5s模型的基礎上融合了CA注意力機制，并更換PANet為BiFPN結構，使用CARAFE結構來代替原始的上采樣模塊，替換損失函數為EIoU等操作，提出了一種高效快速的檢測算法YOLO-Rice，具有更高的準確率、魯棒性［8］。崔金榮等針對水稻病害識別方法準確度低、模型收斂速度緩慢的問題，在MobileNet v3基礎上，通過微調的遷移學習策略完善了模型的訓練，然后添加了CA模塊，最終加入SVM多分類器，實現了高性能、易部署的水稻病害分類識別目標［9］。

上述方法雖然都可以較為精準地識別研究目標，但是很少考慮到所提方法是否能夠兼顧精度、參數量、計算量及模型大小。為了解決此類問題，本研究提出一種基于YOLO v8-Rice的水稻蟲害檢測算法。該算法通過改進YOLO v8，旨在實現模型輕量化的同時，保證模型的性能，以滿足在嵌入式設備或移動設備終端進行實時監測的需求。本研究的主要貢獻有3點：（1）替換C2f中的Bottleneck為Context Guided Block［10］，增強網絡處理局部特征、周圍上下文和全局上下文信息的能力，并有效融合這些信息，提高模型對特征的定位精度及對其周圍環境的理解能力；（2）替換標準卷積為深度可分離卷積［11］，有效減少了模型的參數量、計算量，在保持模型檢測性能穩定性的同時，提高了模型的運行效率；（3）輕量級共享卷積檢測頭，重新設計檢測頭結構，通過使用共享卷積，大幅減小模型的參數量、計算量，進一步壓縮模型的權重文件大小，提升檢測頭的定位和分類性能，并且能夠提升模型對多尺度特征的理解能力。

1" 材料與方法

1.1" 數據集介紹

本研究所用數據集樣本主要來源于2個不同的途徑，一是Kaggle在線數據科學平臺，二是利用Baidu、Google、Bing等多個搜索引擎進行檢索。經過篩選和整理，建立了1個水稻蟲害的數據集，該數據集共有2 078張圖片，涵蓋7種不同的水稻蟲害類型，具體包括稻螟蛉卵、稻螟蛉蟲、稻螟蛉蛾、稻大螟幼蟲、點斑Ⅰ型稻綠蝽、點斑Ⅱ型稻綠蝽、全綠型稻綠蝽等，部分水稻害蟲如圖1所示。本研究所用訓練模型為YOLO系列格式的數據集，因此，采用LabelImg圖像工具標記害蟲類型及其位置，生成xml類型的標注文件，再將xml格式的文件轉換為YOLO訓練的txt格式的文件。按照7 ∶2 ∶1的比例將數據集隨機劃分為訓練集、測試集、驗證集。

1.2" YOLO v8網絡結構

YOLO v8是Ultralytics公司在2023年1月10日開源的YOLO v5的下一個重大更新版本，YOLO v8繼承了YOLO系列［12-19］之前的成果，并在圖像分類、目標檢測和實例分割等多個領域得到了廣泛應用。YOLO v8發布時推出了5種不同尺寸的網絡模型，標記為n、s、m、l和x，這些模型的大小依次遞增，精度也相應提高。表1中展示了YOLO v8 5個版本的計算量和參數量。

考慮到移動設備和嵌入式設備的資源限制及對輕量化的需求，本研究采用參數量、計算量最小的YOLO v8n模型。如圖2所示，YOLO v8的主要

結構包括骨干網絡、頸部網絡、頭部網絡3個部分。在骨干網絡部分，YOLO v8使用了梯度流更豐富的C2f結構，C2f主要負責特征的融合工作。該結構的核心在于它能夠融合不同層級的特征圖，從而使模型獲取更加豐富的信息，這種融合機制顯著增強了模型對圖像內容的識別能力，有助于減少在處理過程中的信息損耗。C2f模塊的設計使得YOLO v8能夠更有效地捕捉和利用圖像中的各種細節，從而提高了目標檢測的準確性。在頸部網絡部分，YOLO v8采用了C2f模塊、PANet結構來進行特征聚合，由淺到深逐層聚合信息。在頭部網絡部分，YOLO v8采用了主流的解耦頭結構，將分類和檢測頭分離，同時采用了Anchor-Free策略。通過以上改進策略，YOLO v8在損失計算和網絡結構方面取得了顯著進展。

1.3" YOLO v8-Rice網絡結構

本研究算法YOLO v8-Rice是在YOLO v8的基礎上作出的改進，其結構如圖3所示。首先，將Context Guided Block取代C2f中的Bottleneck模塊，形成C2f_ContextGuided，以替代原網絡中的C2f模塊；然后，將原網絡中的標準卷積替換為深度可分離卷積；最后，將檢測頭重新設計為輕量級共享卷積檢測頭，形成Detect_LSCD，以代替原網絡中的檢測頭結構。

1.3.1" Context Guided Block模塊" 在YOLO v8中，C2f模塊由多個Bottleneck塊組成，每個塊都包含2個卷積層。這些卷積層對輸入特征圖進行變換，提取出更高級別的特征表示。C2f模塊采用Bottleneck的設計理念，雖然可以使主干網絡學習到多尺度特征，但是同時也會使模型變大。在 YOLO v8-Rice 算法中，為了壓縮模型大小，同時提高主干網絡對上下文信息的理解能力，采用Context Guided Block結構替換C2f中的Bottleneck結構。

Context Guided Block結構如圖4所示，主要由局部特征提取器、周圍上下文特征提取器、聯合特征提取器和全局上下文特征提取器組成。傳統的下采樣技術在處理圖像時可能會遇到一些問題，如信息損失、分辨率降低和感受野受限等，這些問題可能會影響模型對圖像中細節、整體結構的把握，特別是在需要精確識別的任務（如蟲害檢測）中，這些限制可能會對模型的性能產生不利影響。為了解決這些問題，特引入Context Guided Block模塊，以幫助模型更好地捕捉害蟲與其周圍環境之間的關系。通過結合全局和局部的上下文信息，該模塊有助于提高模型在害蟲識別方面的準確性。

Context Guided Block模塊主要包括2個步驟：

（1）局部特征的提取。使用了1個相當于3×3標準卷積層的局部特征提取器，它從周圍的8個相鄰特征向量中學習局部特征。同時，為了獲取更大感受野并有效學習周圍上下文信息，還使用1個相當于3×3空洞卷積的周圍上下文特征提取器。然后，聯合特征提取器，將局部特征提取器和周圍上下文特征提取器的輸出特征結合起來，并通過批量歸一化、參數化ReLU激活函數進行處理。

（2）全局上下文特征的聚合。首先， 使用1個全

局平均池化層來收集全局上下文信息。然后，通過1個多層感知機進一步提取這些全局上下文特征。最后，通過加權操作得到輸出的特征圖。

YOLO v8-Rice算法采用Context Guided Block結構替代C2f中的Bottleneck結構，從而提高模型對多尺度、多場景的適應能力，增強模型對上下文信息的提取能力，提高模型在蟲害檢測任務中的性能和準確性，在后面的試驗中也得到了證實。

1.3.2" 深度可分離卷積" YOLO v8中的標準卷積利用若干個多通道卷積核對輸入的多通道圖像進行處理，既提取了通道特征，又提取了空間特征。雖然在目標檢測模型中起到關鍵作用，但是其計算量大，容易造成參數冗余，并且占用的資源較多。

為了解決上述問題，在YOLO v8-Rice算法中引入深度可分離卷積代替標準卷積。深度可分離卷積由逐深度卷積和逐點卷積組成，逐深度卷積用于提取空間特征，逐點卷積用于提取通道特征，顯著減少了計算量、參數數量。

深度可分離卷積的結構見圖5。在逐深度卷積過程中，通道數不變，寬度或高度改變，由于逐深度卷積的卷積核為單通道模式，需要對輸入的每個通道進行卷積，得到與輸入特征圖通道數一致的輸出特征圖，因此在逐深度卷積中，輸入特征圖通道數、卷積核數及輸出特征圖數保持一致，因此可能會導致輸出的特征圖數過少，影響信息的有效性，此時就需要進行逐點卷積。逐點卷積的實質是用1×1的卷積核來控制維度，將所有通道進行聚合。在逐點卷積的過程中，寬度或高度不變，通道數改變。

假設卷積核大小為DK×DK，輸入通道為M，輸出通道為N，輸出的特征圖尺寸為DF×DF，通過標準卷積后，參數量的計算公式如下：

Params（Conv）=DK×DK×M×N。（1）

標準卷積浮點運算量為：

FLOPs（Conv）=DK×DK×M×N×DF×DF。（2）

通過深度可分離卷積的參數量為：

Params（DWConv）=DK×DK×M+M×N。（3）

深度可分離卷積浮點運算量為：

FLOPs（DWConv）=DK×DK×M×DF×DF+M×N×DF×DF。（4）

對比深度可分離卷積和標準卷積的參數量和浮點運算量，有：

Params（DWConv）Params（Conv）=DK×DK×M+M×NDK×DK×M×N=1N+1DK2；（5）

FLOPs（DWConv）FLOPs（Conv）=DK×DK×M×DF×DF+M×N×DF×DFDK×DK×M×N×DF×DF=1N+1DK2。（6）

由此可知，深度可分離卷積的參數量、浮點運算量遠遠小于標準卷積。由于深度可分離卷積的浮點運算量更小，能夠進一步精簡計算模型，后續的試驗也為此提供了證明。

1.3.3" 輕量級共享卷積檢測頭" YOLO v8的檢測頭模塊采用Decoupled Head，其結構如圖6所示。檢測頭將回歸分支和分類分支分離，每個分支都會進行2個3×3卷積核的Conv模塊和1個1×1卷積核的Conv2d模塊，這樣會產生很多計算量、參數量。Conv模塊采用BatchNorm2d結構，可以解決內部協變量偏移，緩解梯度飽和問題。但是BatchNorm2d受限于批尺寸，對于較小的批尺寸，BatchNorm2d的表現可能較差。為了解決這些問題，YOLO v8-Rice算法中重新設計了一種輕量級共享卷積檢測頭，其結構如圖7所示。

輕量級共享卷積檢測頭首先采用GroupNorm2d代替BatchNorm2d，GroupNorm2d將通道分為若干組，然后對組內的通道進行歸一化處理。由于GroupNorm2d是在組級別進行歸一化處理，因此它可以顯著減小模型的計算量，并且它不依賴于批尺寸的大小，因此它適用于較小的批尺寸。這樣可以保證在保持歸一化效果的同時，減小模型的計算量。然后，先采用1×1的卷積核來將輸出的特征圖

維度固定為256×256，以減小模型的計算量，再將2個3×3的Conv_GN卷積進行串聯，統一經過這2個卷積實現參數共享，減小參數量。最后，為了應對每個檢測頭檢測的目標尺度不一致的問題，使用Scale層對特征進行縮放，從而有效提高模型的多尺度檢測能力。

2" 結果與分析

2.1" 評價指標

本研究采用的評價指標有平均精度（mAP@0.5）［20］、參數量、計算量和模型權重。

mAP是目標檢測任務中常用的性能評估指標之一，用于衡量模型在不同類別上的平均精度。mAP@0.5表示當IoU閾值設定為0.5時的平均精度，即當IoU閾值≥0.5時，認為預測框和真實框是匹配的。mAP的計算公式如下：

mAP=1N∫10Precision（Recall）d（Recall）。（7）

式中：Precision表示準確率；Recall表示召回率；N表示預測的類別數。

參數量是衡量模型復雜度、計算成本的一個重要指標，指的是模型中可訓練參數的總數，較低的數值通常表示模型更輕量化，更利于在資源受限的情況下部署。

計算量是模型進行推理所需的浮點運算次數的度量，它反映了模型在進行目標檢測時的計算復雜度。計算量越大，表明模型通常越復雜，需要更多計算資源和時間。

模型權重大小即模型所有層參數所占用的存儲空間，影響著模型的加載速度、存儲成本、能耗及部署的便利性。較小的模型通常意味著模型更輕量化及更容易完成部署。

2.2" 試驗環境的配置

本研究通過搭建PyTorch深度學習框架，對自定義數據集進行訓練和測試。操作系統選用Windows專業工作站版21H2，CPU為Intel i5-12490F，GPU為GeForce RTX 3080Ti，顯存為 12 GB，內存為32 GB，訓練環境配置為Python 3.9.18，Pytorch 2.1.0，Cuda 11.8，YOLO v8版本為8.1.9。試驗時間為2023年9至2024年2月，試驗地點為長江大學東校區3號教學樓。

2.3" 消融試驗

為了更好地驗證YOLO v8-Rice算法的有效性，本研究進行了消融試驗，共試驗了3種不同改進方法，使用同樣的數據集劃分進行測試，epoch設置為200。

由表2可以看出，改進1通過將YOLO v8中C2f模塊的Bottleneck結構替換為Context Guided Block結構，模型的mAP@0.5基本不變，同時參數量、計算量分別降低了30.1%、28.4%，模型權重大小壓縮了1.7 MB，說明模型融合信息的能力有所增強，對上下文的理解能力有所提升，這一改進對于水稻蟲害檢測的輕量化非常有幫助。改進2在改進1的基礎上，將YOLO v8n中的標準卷積替換為深度可分離卷積，模型的mAP@0.5略微回升，同時參數量、計算量大幅降低，模型權重大小得到進一步壓縮，這一改進有效減小了模型的參數量、計算量，提升了模型檢測性能的穩定性。改進3在改進2的基礎上，將檢測頭重構為輕量級共享卷積檢測頭，提升了模型對多尺度特征的理解能力，模型的mAP@0.5進一步得到提升，同時參數量、計算量分別降低至基礎模型的29.5%、38.3%，模型權重大小僅為1.94 MB，這一改進提升了模型的定位和識別水稻蟲害的能力，實現了模型的輕量化。通過上述消融試驗的全面評估，驗證了在基礎模型上，不同改進都表現出優異性能。

2.4" 對比試驗

為了進一步驗證YOLO v8-Rice算法的效果。本研究選取YOLO v3-tiny、YOLO v5n、YOLO v6n、YOLO v8n及常見的RepViT、FasterNet、EfficientViT來優化YOLO v8n的骨干網絡，與YOLO v8-Rice算法進行對比試驗，試驗模型的對比結果如表3所示。為了保證試驗結果的嚴謹，本研究中所有模型的參數設定都保持一致。

由表3可知，YOLO v8-Rice算法在目標檢測任務中具有顯著的優越性。首先，YOLO v8-Rice的mAP@0.5達到了94.1%，明顯高于其他模型，表明其在水稻蟲害中定位害蟲、識別害蟲方面具有出色的準確性。與YOLO v8n相比，YOLO v8-Rice算法的參數量、計算量分別降低了70.5%、61.7%，模型的權重文件大小壓縮了67.6%，并且mAP@0.5還有0.3%的提升。上述結果表明，YOLO v8-Rice在保持高識別精度的同時，大幅度減小了參數量、計算

量，模型的權重文件大小也得到了極大壓縮，證明了本研究中輕量化改進的有效性，能夠滿足水稻蟲害識別的實際需求。

綜上所述，本研究提出的YOLO v8-Rice算法在mAP@0.5、參數量、計算量及模型權重等多個關鍵性能指標方面均展現了顯著的優勢，具有輕量化、高性能特性，使其在水稻蟲害檢測中具有廣泛的應用潛力。

3" 結論

本研究針對水稻蟲害識別的背景復雜、模型計算量和參數量大，以及難以在嵌入式設備或移動設備上部署等問題，在YOLO v8的基礎上，提出了一種改進的輕量化YOLO v8-Rice模型。通過將YOLO v8中C2f模塊的Bottleneck結構替換為Context Guided Block結構，將YOLO v8n中的標準卷積替換為深度可分離卷積，將檢測頭重構為輕量級共享卷積檢測頭，試驗結果的mAP@0.5高達94.1%，參數量、計算量分別為0.888 M、3.1 G，模型的權重文件大小為1.94 MB，表明YOLO v8-Rice在識別水稻蟲害方面有相對更好的效果，實現了對7類常見水稻蟲害的有效識別。YOLO v8-Rice模型更加適應真實環境，多尺度特征學習能力有所增強，與YOLO v8n相比，mAP@0.5提升了0.3百分點，并且參數量、計算量分別降低了70.5%、61.7%，模型的權重文件大小壓縮了67.6%，驗證了改進的有效性，并且該方法可以推廣到其他農作物蟲害的識別問題上。

綜上所述，本研究提出的YOLO v8-Rice算法實現了模型的輕量化，并且在目標檢測任務中取得了顯著的性能優勢，為真實場景下水稻蟲害檢測的應用提供了更經濟、準確、高效的解決方案。未來的研究可以進一步優化算法、提高蟲害的檢測速度、進一步豐富數據集以提升模型的泛化性能。

參考文獻：

［1］呂" 亮，常向前，張" 舒. 水稻害蟲綠色防控技術應用研究現狀及展望［J］. 環境昆蟲學報，2021，43（3）：623-632.

［2］趙" 景，蔡萬倫，沈櫟陽，等. 水稻害蟲綠色防控技術研究的發展現狀及展望［J］. 華中農業大學學報（自然科學版），2022，41（1）：92-104.

［3］劉萬才，劉振東，黃" 沖，等. 近 10 年農作物主要病蟲害發生危害情況的統計和分析［J］. 植物保護，2016，42（5）：1-9.

［4］江" 順，黃紅星，莫里楠，等. 基于改進AlexNet的嶺南水稻蟲害識別方法研究［J］. 江蘇農業科學，2023，51（23）：187-195.

［5］梁萬杰，曹宏鑫. 基于卷積神經網絡的水稻蟲害識別［J］. 江蘇農業科學，2017，45（20）：241-243，253.

［6］鄭" 果，姜玉松，沈永林. 基于改進YOLO v7的水稻害蟲識別方法［J］. 華中農業大學學報 （自然科學版），2023，42（3）：143-151.

［7］曾偉輝，張文鳳，陳" 鵬，等. 基于SCResNeSt的低分辨率水稻害蟲圖像識別方法［J］. 農業機械學報，2022，53（9）：277-285.

［8］巨志勇，易" 成，周重臣，等. YOLO-Rice：一種基于YOLO v5的水稻蟲害檢測［J/OL］. 控制工程，2004：1-10（2024-03-15）［2024-05-30］. https：//doi.org/10.14107/j.cnki.kzgc.20231000.

［9］崔金榮，魏文釗，趙" 敏. 基于改進MobileNet v3的水稻病害識別模型［J］. 農業機械學報，2023，54（11）：217-224，276.

［10］Wu T Y，Tang S，Zhang R，et al. CGNet：a light-weight context guided network for semantic segmentation［J］. IEEE Transactions on Image Processing，2020，30：1169-1179.

［11］Chollet F. Xception：deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），Honolulu，HI：IEEE，2017：1251-1258.

［12］Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition.Las Vegas，NV，USA：IEEE，2016：779-788.

［13］Redmon J，Farhadi A. YOLO9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition.Honolulu，HI：IEEE，2017：7263-7271.

［14］Redmon J，Farhadi A. YOLO v3：an incremental improvement［EB/OL］. （2018-04-08）［2024-01-20］. http：//arxiv.org/abs/1804.02767.

［15］Bochkovskiy A，Wang C Y，Liao H Y M. YOLO v4：optimal speed and accuracy of object detection［EB/OL］. ［2024-01-20］. http：//arxiv.org/abs/2004.10934.

［16］Ge Z，Liu S T，Wang F，et al. YOLOX：exceeding YOLO series in 2021［EB/OL］. （2021-07-18）［2024-01-20］. http：//arxiv.org/abs/2107.08430.

［17］Li C Y，Li L L，Jiang H L，et al. YOLO v6：a single-stage object detection framework for industrial applications［EB/OL］. （2022-09-07）［2024-01-20］. http：//arxiv.org/abs/2209.02976.

［18］Wang C Y，Bochkovskiy A，Liao H Y M. YOLO v7：trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Vancouver：IEEE，2023：7464-7475.

［19］Xu X Z，Jiang Y Q，Chen W H，et al. DAMO-YOLO：a report on real-time object detection design［EB/OL］. （2022-11-23）［2024-01-20］. http：//arxiv.org/abs/2211.15444.

［20］楊佳昊，左昊軒，黃祺成，等. 基于YOLO v5s的作物葉片病害檢測模型輕量化方法［J］. 農業機械學報，2023，54（增刊1）：222-229.