基于YOLOv9葡萄病害識(shí)別檢測(cè)算法研究

摘" 要：YOLOv9作為YOLO系列模型中的最新版本之一，其平臺(tái)移植方便與檢測(cè)步驟簡(jiǎn)易，相比于傳統(tǒng)的圖像識(shí)別技術(shù)，基于深度學(xué)習(xí)的物體檢測(cè)模型具有更強(qiáng)的特征提取和泛化能力，能夠更好地識(shí)別復(fù)雜的物體和場(chǎng)景。基于YOLOv9c葡萄病害識(shí)別檢測(cè)算法研究，針對(duì)傳統(tǒng)的病害識(shí)別方法存在著識(shí)別準(zhǔn)確率低、耗時(shí)長(zhǎng)等問題，對(duì)我國(guó)七種葡萄病害進(jìn)行識(shí)別，進(jìn)行訓(xùn)練之后，平均檢測(cè)度mAP50為92.7%，實(shí)驗(yàn)結(jié)果表明，該方法可以實(shí)現(xiàn)葡萄病害實(shí)時(shí)檢測(cè)，大大提高了農(nóng)業(yè)生產(chǎn)效率，滿足葡萄病害檢測(cè)應(yīng)用場(chǎng)景的精度要求和實(shí)時(shí)性。

關(guān)鍵詞：YOLOv9；葡萄病害；實(shí)時(shí)檢測(cè)；損失函數(shù)；高性能

中圖分類號(hào)：TP391.4 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2025）04-0064-06

Research on Grape Disease Identification and Detection Algorithm Based on YOLOv9

XIAO Zhengrong， LIANG Yefeng， LI Fei， WANG Yizong， TIAN Jiya

（School of Information Engineering， Xinjiang Institute of Technology， Aksu" 843100， China）

Abstract： As one of the latest versions in the YOLO series of models， YOLOv9 features convenient platform transplantation and simple detection procedures. Compared with traditional image recognition technologies， object detection models based on Deep Learning possess stronger feature extraction and generalization capabilities， and can better recognize complex objects and scenes. Based on the research on YOLOv9c grape disease identification and detection algorithm， aiming at the issues such as low recognition accuracy and long processing time existing in traditional disease recognition methods， this paper conducts recognition of seven types of grape diseases in China， and the average detection metric mAP50 reaches 92.7% after training. Experimental results demonstrate that this method can achieve real-time detection of grape diseases， significantly improving agricultural production efficiency and meeting the precision and real-time requirements of grape disease detection application scenarios.

Keywords： YOLOv9; grape diseases; real-time detection; loss function; high-performance

0" 引" 言

隨著農(nóng)業(yè)生產(chǎn)的不斷發(fā)展，病蟲害的防治問題越來越受到重視。在農(nóng)業(yè)生產(chǎn)中，葡萄作為一種重要的果樹，其病害識(shí)別技術(shù)的發(fā)展對(duì)于提高葡萄產(chǎn)量和質(zhì)量具有重要意義。然而，傳統(tǒng)的病害識(shí)別方法存在著識(shí)別準(zhǔn)確率低、耗時(shí)長(zhǎng)等問題。近年來，深度學(xué)習(xí)技術(shù)在圖像識(shí)別領(lǐng)域取得了顯著的成果，為農(nóng)業(yè)生產(chǎn)提供了新的解決方案。胡施威等人[1]提出了一種優(yōu)化的葡萄葉部病害識(shí)別模型CD-MobileViT，為未來可部署到移動(dòng)端上使用，為葡萄葉部病害的準(zhǔn)確識(shí)別提供新的解決方案。為進(jìn)一步提高葡萄病害識(shí)別的精度及速度，張惠莉等人[2]對(duì)YOLO v8模型進(jìn)行了改進(jìn)并取得了顯著效果。上述研究雖對(duì)葡萄葉片識(shí)別取得了可觀的效果，但對(duì)于葡萄果實(shí)等識(shí)別研究比較缺乏。為實(shí)現(xiàn)葡萄早期病害的快速準(zhǔn)確識(shí)別，張林鍹等人[3]針對(duì)葡萄病害的相似表型癥狀識(shí)別率低及小病斑檢測(cè)困難的問題，以葡萄黑腐病和黑麻疹病為研究對(duì)象，提出了一種基于自適應(yīng)鑒別器增強(qiáng)的樣式生成對(duì)抗網(wǎng)絡(luò)與改進(jìn)的YOLO v7相結(jié)合的葡萄黑腐病和黑麻疹病的病斑檢測(cè)方法，實(shí)驗(yàn)結(jié)果表明，該模型能夠?qū)崿F(xiàn)葡萄早期病害快速準(zhǔn)確識(shí)別，對(duì)于保障葡萄產(chǎn)業(yè)發(fā)展具有重要意義，但該研究對(duì)葡萄病害研究的種類比較單一，難以適用不同環(huán)境下果園發(fā)生的病害。為了解決上述問題，本人在前人研究的基礎(chǔ)上，結(jié)合葡萄病害的特點(diǎn)，基于YOLOv9c模型，實(shí)現(xiàn)了對(duì)自然環(huán)境中對(duì)葡萄病害的實(shí)時(shí)監(jiān)測(cè)。基于YOLOv9c的葡萄病害識(shí)別技術(shù)在農(nóng)業(yè)生產(chǎn)中的應(yīng)用，是一種基于深度學(xué)習(xí)的方法。該方法通過卷積神經(jīng)網(wǎng)絡(luò)（CNN）等模型直接學(xué)習(xí)圖像特征，具有更好的泛化能力。與傳統(tǒng)的特征提取方法相比，該方法不需要手動(dòng)設(shè)置特征，其特征提取過程簡(jiǎn)單，且具有較高的泛化能力。此外，該方法還可以實(shí)現(xiàn)實(shí)時(shí)病害識(shí)別，大大提高了農(nóng)業(yè)生產(chǎn)效率。此外，YOLOv9c模型具有較高的檢測(cè)速度和準(zhǔn)確性，能夠在保證較高識(shí)別準(zhǔn)確率的同時(shí)，實(shí)現(xiàn)實(shí)時(shí)病害識(shí)別，這對(duì)于葡萄病害的防治、提高葡萄產(chǎn)量以及質(zhì)量在農(nóng)業(yè)生產(chǎn)中的實(shí)時(shí)監(jiān)控和預(yù)警具有重要意義。

1" YOLOv9算法介紹

YOLOv9c是YOLO系列模型中的最新版本之一，由Wang等人共同提出的新一代目標(biāo)檢測(cè)系統(tǒng)[4]。YOLO系列算法以其速度快和準(zhǔn)確性高而聞名，在實(shí)時(shí)目標(biāo)檢測(cè)領(lǐng)域有著廣泛的應(yīng)用。YOLOv9在當(dāng)前版本的基礎(chǔ)上進(jìn)行了顯著的改進(jìn)，旨在解決深度學(xué)習(xí)中信息丟失的問題，并提高模型在各種任務(wù)上的性能，同時(shí)在網(wǎng)絡(luò)結(jié)構(gòu)、損失函數(shù)等方面進(jìn)行了進(jìn)一步的優(yōu)化和改進(jìn)，如圖1所示。

YOLOv9c核心創(chuàng)新點(diǎn)主要是可編程梯度信息（PGI）、通用高效層聚合網(wǎng)絡(luò)（GELAN）、信息瓶頸緩解、多級(jí)輔助信息以及損失函數(shù)創(chuàng)新這五部分。PGI通過輔助的可逆分支生成可靠的梯度信息解決了深層網(wǎng)絡(luò)訓(xùn)練中的信息瓶頸問題，從而提高模型在復(fù)雜任務(wù)中的性能。YOLOv9采用了全新的網(wǎng)絡(luò)架構(gòu)，GELAN通過梯度路徑規(guī)劃，優(yōu)化了網(wǎng)絡(luò)結(jié)構(gòu)，減少了計(jì)算資源的需求，在保持輕量級(jí)的同時(shí)，達(dá)到前所未有的準(zhǔn)確度和速度。YOLOv9通過PGI和GELAN的結(jié)合，有效減少了數(shù)據(jù)在傳輸過程中的信息損失，使模型能夠更加準(zhǔn)確地學(xué)習(xí)到目標(biāo)任務(wù)所需的特征，提高了特征提取能力。PGI整合了不同的預(yù)測(cè)頭的梯度信息，幫助主分支學(xué)習(xí)到更加全面的語義信息，提高了模型對(duì)各種目標(biāo)檢測(cè)能力。YOLOv9融合了“Focus”思想的一系列新?lián)p失函數(shù)，這些損失函數(shù)針對(duì)特定的目標(biāo)檢測(cè)挑戰(zhàn)進(jìn)行優(yōu)化，更加全面地考慮目標(biāo)的位置和尺寸差異信息，提高目標(biāo)的定位能力。

2" 檢測(cè)方案設(shè)計(jì)

2.1" 初始數(shù)據(jù)集

本研究的數(shù)據(jù)集來源于科學(xué)數(shù)據(jù)銀行，平臺(tái)的數(shù)據(jù)集為自然環(huán)境下所拍攝的圖片[5]，圖片的大小為600×400像素，包括葡萄葉片、枝干以及果實(shí)，總共含有1 446張，包括我國(guó)常見的7種葡萄病害，分別是白粉病（215張圖片）、黑霉病（208張圖片）、花葉病毒病（病原體：198張圖片）、灰霉病（204張圖片）、潰瘍病（220張圖片）、霜霉病（197張圖片）、酸腐病（204張圖片），如表1所示。

2.2" 使用Powerful-IoU損失函數(shù)

Powerful-IoU v2損失函數(shù)不僅使現(xiàn)有的IoU函數(shù)損耗更快地收斂，而且增強(qiáng)了對(duì)中等質(zhì)量錨框的聚焦能力，實(shí)現(xiàn)了在平均精度以及性能上的改進(jìn)[6]，可以解決現(xiàn)有的損失函數(shù)受到不合理的懲罰因素的影響，錨框在回歸過程中膨脹導(dǎo)致收斂速度減緩的現(xiàn)象。改進(jìn)后的損失函數(shù)如下所示：

（1）

（2）

（3）

（4）

（5）

（6）

（7）

（8）

其中，式（1）中的I表示預(yù)測(cè)框與目標(biāo)框的交點(diǎn)，U表示兩者的結(jié)合點(diǎn)，式（2）中的P表示一種能適應(yīng)目標(biāo)大小的懲罰因子，dw1、dw2、dh1以及dh2表示預(yù)測(cè)方框的相應(yīng)邊緣與目標(biāo)方框之間距離的絕對(duì)值，wgt和hgt表示目標(biāo)方框的寬度和高度。式（6）中的u（λq）表示注意力函數(shù)，用錨點(diǎn)框質(zhì)量的q表示上述的懲罰因子P，q的范圍為（0，1）。當(dāng)q = 1時(shí)，意味著P = 0，表示錨點(diǎn)框與目標(biāo)框完全對(duì)齊，式（8）中的λ表示控制注意力函數(shù)行為的超參數(shù)[6]。

3" 實(shí)驗(yàn)分析

3.1" 實(shí)驗(yàn)設(shè)置

本次實(shí)驗(yàn)平臺(tái)是在一臺(tái)服務(wù)器上進(jìn)行的，其內(nèi)存為30 GB，GPU型號(hào)為RTX 3090，16 GB顯存，在訓(xùn)練過程中使用Python語言在PyCharm編譯器下進(jìn)行訓(xùn)練操作[7]，其中參數(shù)epochs設(shè)置為200，batch-size大小設(shè)置為64，學(xué)習(xí)率設(shè)置為0.000 1，如表2所示。

3.2" 評(píng)估指標(biāo)

在訓(xùn)練完成之后，需要對(duì)模型進(jìn)行評(píng)估，本文所采用的評(píng)估方法是精確率（Precision）、召回率（Recall）、準(zhǔn)確率（Accuracy）以及F1[8]。

精確率（P）是指在所有被模型預(yù)測(cè)為正例的樣本中實(shí)際正例的比例，其計(jì)算式為[9]：

（9）

召回率（R）是指在所有實(shí)際為正例的樣本中度量有多個(gè)正例被分為正例，它衡量了模型對(duì)正例的識(shí)別能力，其計(jì)算式為：

（10）

準(zhǔn)確率（A）衡量越高，代表模型越好，其計(jì)算式為：

（11）

F1（F）是精確率和召回率的平均數(shù)，是分類問題的一個(gè)衡量指標(biāo)，1代表最好，0代表最差[10]。

（12）

3.3" 實(shí)驗(yàn)結(jié)果分析

本文訓(xùn)練之后的模型測(cè)試各類葡萄病害結(jié)果P-R如圖2所示，識(shí)別結(jié)果詳見表3[11]。由表3可知，白粉病、霜霉病等的P-R平均結(jié)果均達(dá)到了92%以上，與目前葡萄病害檢測(cè)識(shí)別結(jié)果相比，結(jié)果均優(yōu)。

圖3為該模型用于葡萄病害識(shí)別結(jié)果的一個(gè)典型示例，它可以成功地識(shí)別本次所研究的我國(guó)常見的7種病害，如白粉病、黑霉病等。

4" 結(jié)" 論

本文基于YOLOv9c葡萄病害目標(biāo)檢測(cè)算法，進(jìn)行訓(xùn)練之后，葡萄病害識(shí)別平均檢測(cè)度為92.7%，該目標(biāo)檢測(cè)算法實(shí)現(xiàn)了可以在葡萄果實(shí)疊加、背景干擾、不同密集程度以及葉面遮擋的復(fù)雜情況下，可以較好地滿足實(shí)際葡萄病害的檢測(cè)要求，具有較高的準(zhǔn)確性和穩(wěn)定性，為葡萄病害檢測(cè)的發(fā)展提供了有力的幫助，為今后葡萄病害智能化檢測(cè)提供了方法和途徑，為提高葡萄產(chǎn)量和品質(zhì)提供了新的可能。該算法具有較高的識(shí)別準(zhǔn)確率、泛化能力和實(shí)用性，有望在農(nóng)業(yè)生產(chǎn)中得到廣泛應(yīng)用。未來，將會(huì)通過引入先進(jìn)的計(jì)算機(jī)視覺技術(shù)、模型優(yōu)化和部署策略，進(jìn)一步提高病害識(shí)別的準(zhǔn)確性和實(shí)時(shí)性，為農(nóng)業(yè)生產(chǎn)提供更加高效、準(zhǔn)確的病害信息。同時(shí)，還會(huì)進(jìn)一步研究和探索如何將這種技術(shù)應(yīng)用到其他農(nóng)作物病害的識(shí)別中，以實(shí)現(xiàn)對(duì)農(nóng)作物病害的全面識(shí)別和管理。

參考文獻(xiàn)：

[1] 胡施威，邱林，鄧建新.基于改進(jìn)MobileViT的葡萄葉部病害識(shí)別模型 [J/OL].山東農(nóng)業(yè)科學(xué)，2024：1-12[2024-09-11].http：//kns.cnki.net/kcms/detail/37.1148.S.20240909.1721.002.html.

[2] 張惠莉，代晨龍，任景龍，等.基于GhostNetV2改進(jìn)YOLO v8模型的葡萄病害識(shí)別方法研究 [J/OL].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024：1-11[2024-09-11].http：//kns.cnki.net/kcms/detail/11.1964.S.20240827.0948.004.html.

[3] 張林鍹，巴音塔娜，曾慶松.基于StyleGAN2-ADA和改進(jìn)YOLO v7的葡萄葉片早期病害檢測(cè)方法 [J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（1）：241-252.

[4] WANG C-Y，YEH I-H，LIAO H-Y M. YOLOv9： Learning What You Want to Learn Using Programmable Gradient Information [J/OL].arXiv：2402.13616 [cs.CV].[2024-08-13].https：//arxiv.org/abs/2402.13616.

[5] 袁媛，陳雷.IDADP-葡萄病害識(shí)別研究圖像數(shù)據(jù)集 [J].中國(guó)科學(xué)數(shù)據(jù)：中英文網(wǎng)絡(luò)版，2022，7（1）：86-90.

[6] LIU C，WANG K G，LI Q，et al. Powerful-IoU： More Straightforward and Faster Bounding Box Regression Loss with a Nonmonotonic Focusing Mechanism [J].Neural Networks，2024（170）：276-284.

[7] 沈薇，李紅梅，陶苑，等.基于改進(jìn)YOLOv4的飲料識(shí)別算法 [J].現(xiàn)代信息科技，2024，8（15）：36-41.

[8] 尹泉賀，原素慧，朱夢(mèng)琳，等.基于改進(jìn)YOLOv5s的無人機(jī)航拍小目標(biāo)檢測(cè)算法研究[J].現(xiàn)代信息科技，2024，8（14）：37-42+48.

[9] 申蜜蜜.基于深度卷積生成對(duì)抗網(wǎng)絡(luò)的葡萄葉片病害識(shí)別研究 [D].泰安：山東農(nóng)業(yè)大學(xué)，2023.

[10] 董霽紅，王立兵，馮曉彤，等.黃河流域煤炭-煤電-煤化工場(chǎng)地特征精準(zhǔn)智能識(shí)別方法及應(yīng)用 [J].煤炭學(xué)報(bào)，2024，49（2）：1011-1024.

[11] 李冬睿，邱尚明，楊穎.復(fù)雜光照環(huán)境下基于改進(jìn)生成對(duì)抗網(wǎng)絡(luò)的甘蔗病害樣本增強(qiáng)應(yīng)用分析 [J].數(shù)字技術(shù)與應(yīng)用，2023，41（10）：64-66.

作者簡(jiǎn)介：蕭崢嶸（2002—），男，漢族，江西萍鄉(xiāng)人，本科在讀，研究方向：圖像處理；梁燁鋒（1995—），男，漢族，廣西崇左人，助理實(shí)驗(yàn)師，本科，研究方向：圖像識(shí)別、自動(dòng)化；李菲（1995—），女，漢族，河南商丘人，講師，碩士，研究方向：數(shù)字媒體技術(shù)；王義宗（1990—），男，漢族，甘肅慶陽人，講師，碩士，研究方向：圖像處理；田紀(jì)亞（1979—），男，漢族，山東鄆城人，教授，碩士，研究方向：人工智能和圖像處理。

收稿日期：2024-09-13

基金項(xiàng)目：國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目（202413558003）；2021年度校級(jí)項(xiàng)目（ZY202105）；2023年度校級(jí)重點(diǎn)項(xiàng)目（ZZ202303）