龍陽 肖小玲

摘要：針對蘋果葉部病害在復(fù)雜環(huán)境下出現(xiàn)的多尺度病斑識別和定位不準確等難題，并提高對小目標病害特征的識別能力，提出了一種基于改進YOLO v5s的蘋果葉部病害檢測算法。首先，在骨干網(wǎng)絡(luò)中采用ConvNeXtBlock模塊替換傳統(tǒng)的CSP模塊，以增強對病害特征的提取能力。同時，為了更準確地檢測小目標病害特征，引入自注意力和卷積集成的ACmix注意力機制，使得改進后的骨干網(wǎng)絡(luò)在復(fù)雜環(huán)境下也能更準確地檢測到蘋果葉部病害。在頸部網(wǎng)絡(luò)中，采用通道和空間混合的CBAM注意力機制以及SK注意力機制，以進一步提高模型對多尺度病害特征的精確定位和提取能力，并賦予了模型更強的語義信息理解能力，使其能夠更好地適應(yīng)不同尺寸和復(fù)雜度的病害狀況。試驗結(jié)果表明，與傳統(tǒng)的YOLO v5s相比，改進后的算法精確率提高了12.2百分點，召回率提高了12.0百分點，mAP@0.5提高了12.72百分點，平均精度達到94.03%，具有較好的識別精度，誤檢和漏檢概率顯著減少。本研究的改進算法在蘋果葉部病害檢測方面取得了顯著成果。該算法不僅提高了對多尺度病害特征的識別和定位能力，在復(fù)雜環(huán)境下也能更準確地檢測到小目標病害特征。這一算法的應(yīng)用潛力不僅限于蘋果葉部病害，還可推廣至其他農(nóng)作物病害檢測領(lǐng)域，對于提高農(nóng)業(yè)病害防控水平具有重要意義。

關(guān)鍵詞：蘋果葉部病害；YOLO v5s；ConvNeXtBlock；ACmix；CBAM；SK；注意力機制

中圖分類號：TP391.41? 文獻標志碼：A

文章編號：1002-1302（2023）23-0178-09

當今社會，農(nóng)業(yè)產(chǎn)業(yè)的發(fā)展對于糧食供應(yīng)和經(jīng)濟增長至關(guān)重要。然而，農(nóng)作物病害是農(nóng)業(yè)生產(chǎn)的主要障礙之一，尤其是水果作物，其中蘋果葉部病害對蘋果產(chǎn)量和質(zhì)量的影響尤為顯著。因此，快速、準確地檢測和識別蘋果葉部病害對于農(nóng)業(yè)生產(chǎn)具有重要意義。

目前，深度學(xué)習(xí)方法在圖像處理和分類任務(wù)中取得了顯著的突破。其中，卷積神經(jīng)網(wǎng)絡(luò)被廣泛應(yīng)用于目標檢測和圖像分類任務(wù)中。針對蘋果葉部病害檢測，研究者們也嘗試利用深度學(xué)習(xí)方法來提高檢測的準確性。例如，王云露等提出了基于改進Faster R-CNN的蘋果葉片病害識別方法，能夠在實際場景中進行無損測量識別，平均精度均值（mAP）達到86.2%［1］。Jiang等提出了一種新的使用? Deep-CNN 的蘋果葉病檢測模型來檢測5種常見的蘋果葉病。結(jié)果表明，INAR-SSD模型在ALDD上達到了78.80%的 mAP檢測效果［2］。Sun等提出了一種可以實時檢測蘋果葉片病害的輕量級CNN模型，其試驗結(jié)果表明，該模型能夠達到 83.12%的mAP檢測效果［3］。劉斌等構(gòu)建了一種基于快照集成方法的蘋果葉部病害程度識別模型，在其試驗結(jié)果中，對蘋果黑星病早晚期病害程度的識別準確率高達90.82%［4］。然而，在過去的研究中，雖然已經(jīng)取得了一定的成果，但其中的一些方法仍然受到一些限制。例如，一些早期研究可能對于多尺度和復(fù)雜環(huán)境下的蘋果葉部病害檢測表現(xiàn)不佳。此外，在小目標病害的準確識別方面存在挑戰(zhàn)，這在實際農(nóng)業(yè)生產(chǎn)中尤為重要。

在實際場景和實驗室場景混合的應(yīng)用中，像VGG、GoogleNet和ResNet等卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練效果一般，隨著數(shù)據(jù)集的數(shù)量增多、規(guī)模增大，訓(xùn)練的時間也較長［5-7］。像Faster R-CNN和FPN等二階段檢測算法的準確率較高，但是檢測速度較慢［8-9］。YOLO系列算法和SSD等單階段檢測算法的檢測速度比較快，但是準確率較低［10-11］。這些現(xiàn)有模型的局限性啟發(fā)了本研究選擇YOLO v5s算法并進行改進，以克服這些挑戰(zhàn)并提高蘋果葉部病害檢測的準確性和效率。YOLO v5s具備較快地檢測速度，但在準確率方面需要改進，特別是在復(fù)雜情境下。因此，筆者所在課題組對YOLO v5s進行相關(guān)改進，以提高其適應(yīng)復(fù)雜環(huán)境的能力，并使其更具魯棒性。本研究的主要目的如下：（1）使用ConvNeXtBlock模塊替換主干網(wǎng)絡(luò)中的CSP模塊，增強主干網(wǎng)絡(luò)的特征提取能力，提高病害特征的檢測精度，降低模型誤檢率。（2）使用ACmix和CBAM注意力集成的模塊添加到原YOLO v5s中，ACmix能夠提高網(wǎng)絡(luò)對小目標的敏感度，降低復(fù)雜環(huán)境下的影響。CBAM在頸部網(wǎng)絡(luò)中能夠?qū)臻g和通道特征的權(quán)重進行再分配，提高網(wǎng)絡(luò)識別精度。（3）使用SK注意力機制添加到頸部網(wǎng)絡(luò)，采用不同大小卷積核來識別不同尺度的病害特征，增強網(wǎng)絡(luò)對多尺度病害特征的提取能力和自適應(yīng)能力。

1 材料與方法

1.1 數(shù)據(jù)集采集

本研究數(shù)據(jù)取自已公開的AppleLeaf9數(shù)據(jù)集，該數(shù)據(jù)集是從PlantVillage、ATLDSD、PPCD 2020和PPCD 2021中融合得到的［12-15］。這個數(shù)據(jù)集匯集了不同來源的圖像，使得所提出的算法能夠識別出更多種類的蘋果葉部病害，尤其是在野外環(huán)境下也能表現(xiàn)出色，增強了模型在應(yīng)對環(huán)境變化時的魯棒性。數(shù)據(jù)集中經(jīng)過人工篩選的圖片數(shù)據(jù)包括鏈格孢葉斑病408張、褐斑病381張、蛙眼葉斑病360張、灰斑病339張、花葉病371張、白粉病410張、銹病361張、黑星病370張，共計8種病害3 000張圖片。該數(shù)據(jù)集的多樣性反映了蘋果葉部病害的真實多樣性，其中像鏈格孢葉斑病、蛙眼葉斑病和銹病等都屬于小目標病斑，因此為本文解決小目標檢測問題提供了有力的支持。表1為蘋果葉部8種病害的主要癥狀和原因，圖1為蘋果葉部8種病害數(shù)據(jù)集的示例圖。

1.2 數(shù)據(jù)集處理

通過 LabelImg 工具對圖像上的病斑進行標注，再對應(yīng) xml 文件中存儲病斑的位置信息和其對應(yīng)的類別信息。訓(xùn)練集和測試集以8 ∶2的比例隨機劃分并將圖像路徑信息寫入到對應(yīng)的 train.txt、test.txt 文件中，各病害圖像標注名稱及數(shù)量見表2。

1.3 YOLO v5s模型

YOLO v5有不同的變種，用字母標記，如“s”“m”“l(fā)”和“x”，表示模型的大小。其中最小的變種是YOLO v5s，旨在更快速，并具有較小的內(nèi)存占用，適用于實時或資源受限的應(yīng)用程序。YOLO v5s模型由輸入、骨干網(wǎng)絡(luò)、頸部、頭部和輸出組成，彼此協(xié)同工作，實現(xiàn)高效的目標檢測。輸入端主要包括Mosaic數(shù)據(jù)增強、自適應(yīng)錨框計算等預(yù)處理操作。

其中骨干網(wǎng)絡(luò)主要由CBS卷積塊、CSP結(jié)構(gòu)、SPPF特征金字塔池化等組成，主要功能是不斷進行特征提取后再進行特征融合。頸部則使用類似路徑聚合網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)得到80×80×512、40×40×512、20×20×512（單位均為像素px） 3種大小的特征圖，頭部則采用不同尺度的特征圖用于檢測［16］。

1.4 改進的YOLO v5s模型

如圖2所示，改進的模型是在YOLO v5s 6.0版本的基礎(chǔ)上進行的。在骨干網(wǎng)絡(luò)中將CSP模塊替換為ConvNeXtBlock模塊，增強骨干網(wǎng)絡(luò)的特征提取能力，并添加ACmix注意力機制，通過融合卷積和Self-attention操作來實現(xiàn)對小目標的精確識別；在頸部網(wǎng)絡(luò)的輸出階段添加CBAM注意力機制和SK注意力機制串行結(jié)構(gòu)，其中CBAM注意力機制是將注意力集中在通道和空間上，而SK注意力機制則是將注意力集中在此后的卷積核尺寸維度上，這樣能夠?qū)Χ喑叨忍卣鬟M行權(quán)重分配并進一步提高網(wǎng)絡(luò)的識別能力。

1.4.1 ConvNeXtBlock結(jié)構(gòu)

在實際場景中，蘋果葉部病害區(qū)域與背景區(qū)域之間存在相似度較大的情況，這使得將病害特征與背景進行區(qū)分變得更加困難。這個問題導(dǎo)致原始 YOLO v5s 的主干提取網(wǎng)絡(luò)在進行下采樣時，可能會錯過一些局部細節(jié)的特征信息，從而降低了后續(xù)特征融合的準確性。為了解決這一問題，本研究提出了使用優(yōu)化的 ConvNeXtBlock 模塊替代原始主干提取網(wǎng)絡(luò)中的 CSP 模塊［17］。ConvNeXtBlock 模塊通過使用一個較大卷積核的深度卷積，擴大感受野，捕獲更多的特征信息，從而增強了主干提取網(wǎng)絡(luò)的特征提取能力。這一改進旨在提高模型對蘋果葉部病害細節(jié)特征的捕獲，使得模型更好地區(qū)分病害特征與背景區(qū)域，從而增強了檢測精度，降低了漏檢和誤檢率。

ConvNeXtBlock模塊結(jié)構(gòu)如圖3所示，利用卷積核大小為7的Depthwise卷積對輸入特征進行逐通道卷積操作，進行空間信息的交互，擴大感受野，同時提高模型的計算效率。經(jīng)過Layer Norm歸一化來加速網(wǎng)絡(luò)的收斂并減少梯度動蕩。用1×1卷積和GELU激活函數(shù)，使訓(xùn)練更加穩(wěn)定，通道數(shù)變?yōu)樵瓉淼?倍。然后再通過1×1卷積層和Layer Scale歸一化操作，用向量形式的可學(xué)習(xí)參數(shù)gamma對每個通道進行縮放，最后使用DropPath正則化方法，隨機丟棄一些連接，來提高模型的泛化能力。將主分支與identity分支連接，得到最終輸出特征圖。

1.4.2 ACmix注意力機制

在蘋果葉部病害檢測任務(wù)中，小目標的檢測通常受到以下問題的影響：由于蘋果葉部病害區(qū)域與背景區(qū)域的相似性，使得小目標的區(qū)分難度較大，這導(dǎo)致檢測器在識別小目標時的準確性不高。此外，純卷積操作可能無法有效捕獲全局特征，而自注意力機制則可能忽略了局部特征。因此，為了解決這些問題，筆者所在課題組引入了ACmix模塊。ACmix是融合Self-Attention和卷積操作的模塊，示意圖如圖4所示［18］。它同時享有自注意力和卷積的好處，且與純卷積或自注意力對應(yīng)物相比具有最小的計算開銷。

第1階段：將輸入的特征圖進行3個1×1的卷積操作，在通道上升維，得到3×N個特征圖的豐富中間特征集，然后作為輸入給下一階段。

第2階段：分為2個模塊，對于自注意力模塊，將中間特征集聚集成N組，遵循傳統(tǒng)的多頭注意力機制，每組分別進行查詢、鍵和值操作得到相對應(yīng)的特征圖，然后通過特征融合得到H×W×C的特征圖Fatt；對于卷積模塊，通過一個3N×k2N全連接層后對子特征圖進行特征平移和融合得到H×W×C的特征圖Fconv。最后將2個模塊的輸出進行相加操作，得到最終的輸出特征圖Fout，如公式1所示，α和β是2個可學(xué)習(xí)的標量控制。

Fout=αFconv+βFatt。（1）

通過如上分階段過程，ACmix集成了卷積和自注意力模塊的優(yōu)點，通過合并2個分支的輸出結(jié)果，模型可以同時兼顧全局特征和局部特征。這種綜合考慮有助于提升網(wǎng)絡(luò)對于小目標的檢測效果，使其更具魯棒性，能夠在復(fù)雜環(huán)境中更準確地識別和定位蘋果葉部的小目標病害。

1.4.3 CBAM注意力機制

由圖5可以看出，CBAM結(jié)構(gòu)包含2個獨立的子模塊，通道注意力模塊和空間注意力模塊，這些模塊的引入在頸部網(wǎng)絡(luò)的輸出上起到了關(guān)鍵作用，幫助網(wǎng)絡(luò)更好地識別蘋果葉部病害區(qū)域［19］。具體而言，蘋果葉部病害區(qū)域往往具有復(fù)雜的紋理和顏色變化，這增加了檢測的難度。通道注意力模塊有助于網(wǎng)絡(luò)集中注意力在最相關(guān)的通道上，以提高對蘋果葉部病害特征的敏感度。而空間注意力模塊則有助于網(wǎng)絡(luò)集中注意力在最相關(guān)的空間區(qū)域上，從而提高了對蘋果葉部病害位置的準確性。因此，CBAM注意力機制的引入可以使網(wǎng)絡(luò)更有效地識別和定位蘋果的葉部病害，從而提升檢測性能。

通道注意力模塊如圖6所示，具體流程如下：將輸入特征圖F分別經(jīng)過最大池化和平均池化，得到2個1×1×C的特征圖，接著再將它們分別送入多層感知器，將多層感知器輸出的特征進行加和操作，再經(jīng)過sigmoid激活操作，生成最終的特征圖M。最后，將輸出特征圖M和輸入特征圖F做乘法操作，作為空間注意力模塊需要的輸入特征。

空間注意力模塊如圖7所示，具體流程如下：將通道注意力模塊輸出的特征圖M經(jīng)過與原始輸入特征圖進行乘積得到的特征圖M1作為本模塊的輸入特征圖。首先做一個基于通道的最大池化和平均池化，得到2個H×W×1 的特征圖；然后將這2個特征圖經(jīng)過一個卷積操作，降維為1個通道；再經(jīng)過sigmoid生成輸出特征圖M2；最后與M1做乘積，得到最終生成的特征。

這2個注意力模塊的綜合作用使得網(wǎng)絡(luò)能夠更好地適應(yīng)蘋果葉部病害的多樣性和復(fù)雜性，提高了對小目標病害的敏感性，同時提高了對其準確定位的能力。因此，CBAM注意力機制的引入有助于解決本文中提出的問題，提高了蘋果葉部病害檢測的性能。

1.4.4 SK注意力機制

在蘋果葉部病害檢測中，不同的病害可能具有不同的尺度和特征， 傳統(tǒng)的卷積操作可能無法充分捕捉到這些多尺度特征，導(dǎo)致檢測性能下降。SK注意力機制是針對卷積核的注意力機制，根據(jù)不同大小的目標對不同大小的卷積核敏感度不同，SK注意力機制對不同的圖像動態(tài)生成不同的卷積核，嘗試找到最合適大小的卷積核［20］。因此，SK注意力機制具有目標尺度自適應(yīng)的特點，可以更好地捕捉不同尺度的目標特征，從而提高了網(wǎng)絡(luò)的多尺度目標檢測能力和精度。圖8所示是SK注意力機制的基本結(jié)構(gòu)，主要流程分為拆分、融合和選擇。

（1）拆分：對輸入向量[WTHX]X進行不同卷積核大小的完整卷積操作，如使用3×3、5×5的卷積核同時進行處理，得到2個不同的特征圖，主要測試不同卷積核對目標的敏感度，以提高檢測精度。

（2）融合：對上一步得到的2個不同的特征圖進行融合，接著沿著H和W這2個維度進行全平均池化，將所有空間信息平均成一個值，得到一維向量S，代表著不同特征的重要程度。通過線性變換將其映射為Z維信息。

（3）選擇：再通過2個線性變換將其復(fù)原為 C 維信息，然后進行 Softmax 歸一化，得到了反映通道重要程度分數(shù)的2個權(quán)重矩陣a和b，最后a和b等2個權(quán)重矩陣對之前的2個特征圖進行加權(quán)操作，得到了2個經(jīng)過加權(quán)了的特征圖，然后融合得到輸出向量。相比于初始X，輸出特征圖舍棄無關(guān)特征的同時保留了更豐富的細節(jié)信息特征。

由于本研究在試驗過程中采用了4組不同的卷積核，分別為1×1、3×3、5×5和7×7。因此，SK注意力機制的引入有助于解決本研究中提出的問題，使網(wǎng)絡(luò)能夠更好地適應(yīng)蘋果葉部病害的多尺度特征，從而提高檢測性能和精度。

2 結(jié)果與分析

2.1 試驗環(huán)境

本試驗基于ubuntu 20.04系統(tǒng)環(huán)境下進行，硬件配置為 Intel Xeon Platinum 8358P CPU @2.60 GHz，A40 GPU，80 GB內(nèi)存，顯存為48 GB。編譯環(huán)境為Python3.8+Pytorch 1.10.0+CUDA 11.3。

2.2 評測指標

試驗使用Precision（P）、Recall（R）、平均精度（AP）、平均精度均值（mAP）來評價檢測模型的準確性。評價指標計算公式如下：

式中：m表示樣本類別數(shù)；p（r）表示Precision以Recall為參數(shù)的一個函數(shù)；TP是指被正確識別的正樣本數(shù)；TN為被正確識別的負樣本數(shù)；FP表示負樣本被錯誤識別為正樣本數(shù)；FN表示正樣本被錯誤識別為負樣本數(shù)。

2.3 消融試驗

為了更好地驗證本研究算法的有效性，本研究進行了消融試驗，共試驗了4種不同的改進方法。同樣使用上面的數(shù)據(jù)集進行測試，在epoch設(shè)為150時，試驗?zāi)Ｐ偷膶Ρ冉Y(jié)果如表3所示。改進1通過引入SK注意力機制，模型能夠更好地適應(yīng)多尺度目標，表現(xiàn)出更高的檢測效果。這一改進對于蘋果葉部病害的多樣性非常有幫助。改進2是添加了ACmix和CBAM注意力機制集成的模塊，使模型能夠更好地捕捉全局和局部特征，這有助于模型更準確地定位和識別蘋果葉部病害。改進3是將ConvNeXtBlock替換掉骨干網(wǎng)絡(luò)中的CSP模塊，提高了模型的特征提取能力，同時提升了檢測效果。最后是本研究算法將改進1、改進2 和改進3 集成在一起，綜合考慮了多尺度特征、全局和局部特征以及更強的特征提取能力。結(jié)果表明，精確度、召回率、mAP@0.5分別上升了12.2、12.0、12.72百分點，說明本研究算法在蘋果葉部病害特征的識別和定位上是更加優(yōu)秀的。

本研究將結(jié)果繪制成曲線，由圖9可明顯看到本算法將所有改進點集成以后相比于原始模型，在mAP@0.5、mAP@0.50～0.95、精確率和召回率等指標上都有明顯的提升。它能夠更準確地檢測目標，具有更高的召回率，并且在不同IoU閾值下取得更高的準確性。

2.4 對比試驗

為了驗證本算法與其他算法的性能對比，同樣使用上面的數(shù)據(jù)集，結(jié)果如表4所示，可看出本算法表現(xiàn)出優(yōu)于Faster R-CNN、SSD和RetinaNet的效果［21］。首先，本研究算法在mAP@0.5方面表現(xiàn)最為優(yōu)越，達到了94.03%，相比其他3個模型，差距明顯，表明本研究算法在準確性上具有優(yōu)勢。然而，即使在提供更好性能的同時，本研究算法在參數(shù)數(shù)量方面相較于Faster R-CNN仍然保持較小規(guī)模，這意味著更輕量級的模型更容易存儲和部署。此外，本研究算法的GFLOPs也相對較低，顯示出更高的計算效率。最后，在模型權(quán)重大小方面，雖然本算法略大于YOLO v5s，但仍然明顯小于Faster R-CNN、SSD和RetinaNet，表明本研究算法在模型尺寸上保持了相對的小型化。綜合來看，本研究算法在性能、模型規(guī)模和計算效率3個關(guān)鍵方面均取得了明顯的優(yōu)勢，在蘋果葉部病害檢測領(lǐng)域成為一個更具競爭力和實用性的選擇。

除此之外，在600張測試集上進行對比試驗，各種病害的平均精度如表5所示。本研究算法模型在測試集上檢測各種病害種類的平均精度明顯優(yōu)于其他模型。它展現(xiàn)出更高的準確性和召回率，在不同病害種類上取得了更好的檢測結(jié)果。這意味著該模型能夠更精確地定位和識別各種病害，從而提高病害檢測的整體性能。

圖10為部分蘋果葉部病害檢測結(jié)果圖，可以看出原始YOLO v5s模型還存在誤檢、漏檢和精確度不高的問題。本研究所改進的模型的優(yōu)化設(shè)計使其能夠更好地應(yīng)對病害檢測任務(wù)的挑戰(zhàn)，它在提高檢測準確性和可靠性方面取得了顯著的表現(xiàn)。與原始模型相比，改進模型能夠更精確地識別各種病害，并且更少地出現(xiàn)誤檢和漏檢的情況。以上結(jié)果都展現(xiàn)出改進模型在病害檢測任務(wù)中的優(yōu)越性，為相關(guān)領(lǐng)域的應(yīng)用提供了更可靠和高效的解決方案。

3 結(jié)論與討論

本研究為了解決蘋果葉部病害在復(fù)雜環(huán)境下多尺度病斑難以精確定位和識別的問題，提出了基于改進YOLO v5s的模型，通過在骨干網(wǎng)絡(luò)添加CNB模塊和ACmix注意力機制，在頸部網(wǎng)絡(luò)添加CBAM和SK串行的注意力機制，試驗結(jié)果的mAP@0.5、精確率和召回率分別高達94.03%、92.6%和90.0%，表明改進方法對于正常情況下的物體檢測更加可靠，能夠準確地區(qū)分目標物體和背景噪聲。

綜上所述，改進模型在檢測效果方面相比原始模型表現(xiàn)更好。它在準確性、漏檢和誤檢方面都取得了顯著的改善，從而提高了整體的檢測性能。后續(xù)可以在本研究算法的基礎(chǔ)上將其輕量化，即減少模型的參數(shù)量和計算復(fù)雜度，讓其保持較高檢測性能的同時，更好地滿足在移動設(shè)備上進行實時檢測。

參考文獻：

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

［2］Jiang P，Chen Y H，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.

［3］Sun H N，Xu H W，Liu B，et al. MEAN-SSD：a novel real-time detector for apple leaf diseases using improved light-weight convolutional neural networks［J］. Computers and Electronics in Agriculture，2021，189：106379.

［4］劉 斌，徐皓瑋，李承澤，等. 基于快照集成卷積神經(jīng)網(wǎng)絡(luò)的蘋果葉部病害程度識別［J］. 農(nóng)業(yè)機械學(xué)報，2022，53（6）：286-294.

［5］[JP3]Simonyan K，Zisserman A. Very deep convolutional networks for large-scale image recognition［EB/OL］. （2015-04-10）［2023-06-10］. https：//arxiv.org/abs/1409.1556.

［6］Szegedy C，Liu W，Jia Y Q，et al. Going deeper with convolutions［C］//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Boston，2015：1-9.

[FK（W21][TP龍陽10.tif；S+2mm][FK）]

［7］He K M，Zhang X Y，Ren S Q，et al. Deep residual learning for image recognition［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. Las Vegas，2016：770-778.

［8］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

［9］Lin T Y，Dollár P，Girshick R，et al. Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu，2017：936-944.

［10］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 （CVPR）. Las Vegas，2016：779-788.

［11］Liu W，Anguelov D，Erhan D，et al. SSD：single shot MultiBox detector［C］//European Conference on Computer Vision.Cham：Springer，2016：21-37.

［12］Yang Q，Duan S K，Wang L D. Efficient identification of apple leaf diseases in the wild using convolutional neural networks［J］. Agronomy，2022，12（11）：2784.

［13］Hughes D P，Salathe M.An open access repository of images on plant health to enable the development of mobile disease diagnostics［EB/OL］. （2016-04-12）［2023-06-10］. https：//arxiv.org/abs/1511.08060.

［14］Feng J Z，Chao X F. Apple tree leaf disease segmentation dataset［DS/OL］. （2022-03-31） ［2023-06-10］. https：//doi.org/10.11922/sciencedb.01627.[HJ2.08mm]

［15］Thapa R，Zhang K，Snavely N，et al. The Plant Pathology Challenge 2020 data set to classify foliar disease of apples［J］. Applications in Plant Sciences，2020，8（9）：e11390.

［16］Liu S，Qi L，Qin H F，et al. Path aggregation network for instance segmentation［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City，2018：8759-8768.

［17］Liu Z，Mao H Z，Wu C Y，et al. A ConvNet for the 2020s［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New Orleans，2022：11966-11976.

［18］Pan X R，Ge C J，Lu R，et al. On the integration of self-attention and convolution［C］//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. New Orleans，2022：805-815.

［19］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［C］//European Conference on Computer Vision.Cham：Springer，2018：3-19.

［20］Li X，Wang W H，Hu X L，et al. Selective kernel networks［C］//2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Long Beach，2020：510-519.

［21］Lin T Y，Goyal P，Girshick R，et al. Focal loss for dense object detection［C］//2017 IEEE International Conference on Computer Vision （ICCV）. Venice，2017：2999-3007.