凌慕菲，楊冬風(fēng)

黑龍江八一農(nóng)墾大學(xué)，黑龍江大慶 163711

隨著我國(guó)農(nóng)業(yè)領(lǐng)域的快速發(fā)展，玉米已成為我國(guó)種植面積最大的作物，為我國(guó)糧食增產(chǎn)做出了巨大貢獻(xiàn)。然而，隨著玉米產(chǎn)量的逐年增長(zhǎng)，玉米病害也隨之加重，其中，玉米葉片病害是影響玉米生產(chǎn)的主要原因之一[1]，主要的玉米葉片病害有灰斑病、葉銹病、葉斑病等。玉米葉銹病在侵染時(shí)，葉片突起黃褐色或紅褐色斑點(diǎn)，散生或呈橢圓形；玉米葉斑病和灰斑病在侵染時(shí)，葉片中央枯白至黃褐色，呈橢圓形。傳統(tǒng)的植物病害識(shí)別是依靠肉眼進(jìn)行觀察來(lái)判斷病害種類(lèi)的，不僅效率和精準(zhǔn)度低，而且浪費(fèi)人力和物力，導(dǎo)致生產(chǎn)效率降低。

近年來(lái)，隨著人工智能在農(nóng)業(yè)領(lǐng)域的快速發(fā)展，目標(biāo)檢測(cè)在農(nóng)作物的識(shí)別、計(jì)數(shù)、分類(lèi)等領(lǐng)域得到了廣泛運(yùn)用，國(guó)內(nèi)外研究也取得了較多的成果。李冠林等[2]提出了一種基于支持向量機(jī)（SVM）和多特征參數(shù)的小麥條銹病和葉銹病圖像分類(lèi)識(shí)別方法，對(duì)小麥病害進(jìn)行識(shí)別，平均識(shí)別率達(dá)到98.34%。

孫俊等[3]通過(guò)改進(jìn)傳統(tǒng)的AlexNet模型，提出一種批歸一化與全局池化相結(jié)合的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別模型，對(duì)26類(lèi)植物病害葉片進(jìn)行識(shí)別，取得了比原始AlexNet模型更好的結(jié)果。

張建華等[4]提出了基于改進(jìn)VGG-16卷積神經(jīng)網(wǎng)絡(luò)的病害識(shí)別模型，識(shí)別了5種棉花病害。Zhou等[5]在定向碼匹配的方法與支持向量機(jī)（SVM）相結(jié)合的基礎(chǔ)上，識(shí)別了甜菜病害。

目前，很多植物病害識(shí)別模型都面臨著訓(xùn)練時(shí)間較長(zhǎng)、模型參數(shù)龐大等問(wèn)題，導(dǎo)致其普及性和實(shí)時(shí)性較差，具有一定的局限性[6]。而YOLOv5s[7]神經(jīng)網(wǎng)絡(luò)模型有更高的檢測(cè)速度、準(zhǔn)確性和遷移性，并且模型體積較小，占用更少的儲(chǔ)存空間，可以在不同的硬件上運(yùn)行。因此，為了實(shí)現(xiàn)對(duì)玉米葉片病害的精準(zhǔn)檢測(cè)，在輕量級(jí)網(wǎng)絡(luò)模型YOLOv5s的基礎(chǔ)上進(jìn)行改進(jìn)。首先，通過(guò)圖像預(yù)處理方法進(jìn)行數(shù)據(jù)增強(qiáng)，滿(mǎn)足葉片病害識(shí)別的準(zhǔn)確性和高效性。再將YOLOv5s的主干網(wǎng)絡(luò)中的Bottleneck CSP模塊模塊替換為CBAM（Convolutional Block Attention Module）注意力模塊，提高改進(jìn)后模型的準(zhǔn)確率。

1 改進(jìn)YOLOv5算法

1.1 YOLOv5算法原理

YOLOv5是一種快速高效的目標(biāo)檢測(cè)算法，該算法利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)了端到端的目標(biāo)檢測(cè)，在計(jì)算資源有限的情況下能夠獲得出色的表現(xiàn)。YOLOv5共有YOLOv5x、YOLOv5l、YO LOv5m和YOLOv5s 4種網(wǎng)絡(luò)模型，其中，YOLOv5s是該系列中深度和寬度最小的模型，對(duì)應(yīng)著參數(shù)量、計(jì)算量最小，且速度最快的網(wǎng)絡(luò)。YOLOv5s網(wǎng)絡(luò)主要由Input、Backbone、Neck、Head 4個(gè)部分組成。該算法使用CSPDarknet53作為主干網(wǎng)絡(luò)，通過(guò)采用Bottleneck殘差塊和SPP模塊等技術(shù)，可以有效地提高模型的特征提取能力。其中，主干網(wǎng)絡(luò)Backbone部分主要由conv模塊、C3模塊（即BottleneckCSP）、SPP組成，其作用是提取圖像特征并傳遞至下一模塊。頸部網(wǎng)絡(luò)Neck再對(duì)圖像特征進(jìn)行一定比例的融合，并將其特征傳遞給預(yù)測(cè)層。最后預(yù)測(cè)頭Head將頸部融合得到的圖像特征進(jìn)行預(yù)測(cè)輸出。

YOLOv5s采用了一種基于初始先驗(yàn)框（Anchor）的檢測(cè)方式，在輸入圖像時(shí)，通過(guò)預(yù)先定義的Anchor尺寸進(jìn)行目標(biāo)檢測(cè)。相比于傳統(tǒng)的滑動(dòng)窗口方法，該方法能夠在不同尺度的特征圖上同時(shí)進(jìn)行目標(biāo)檢測(cè)，提升檢測(cè)模型的預(yù)測(cè)精度。

1.2 CBAM注意力機(jī)制

CBAM[8]由通道注意力機(jī)制(Channel Attention Module，CAM)和空間注意力機(jī)制(Spartial Attention Module，SAM)組成，各部分的主要功能如下：

（1）Channel Attention（CA）：CA模塊根據(jù)全局空間信息對(duì)輸入特征圖的各個(gè)通道進(jìn)行加權(quán)。它主要包括2個(gè)全局平均池化層（Global Average Pooling，GAP）和全局最大池化層（Global Max Pooling，GMP），用于計(jì)算空間域的全局信息。接著使用1個(gè)共享的MLP（多層感知器）對(duì)GAP和GMP的輸出特征進(jìn)行非線(xiàn)性變換，最后通過(guò)逐元素相加（element-wise addition）和sigmoid激活函數(shù)得出通道注意力權(quán)重。

（2）Spatial Attention（SA）：SA模塊通過(guò)對(duì)輸入特征圖的各個(gè)空間位置進(jìn)行加權(quán)，以捕獲空間依賴(lài)性。首先，對(duì)輸入特征圖進(jìn)行通道方向的全局平均池化和全局最大池化。然后，將兩者沿通道方向進(jìn)行連接。接著使用1個(gè)卷積層（通常是1×1的卷積核）對(duì)連接后的特征圖進(jìn)行卷積，最后通過(guò)sigmoid激活函數(shù)得到空間注意力權(quán)重。

由于CBAM模塊具有較好的通用性，因此將其應(yīng)用于YOLOv5s的C3模塊不僅可以提高網(wǎng)絡(luò)性能，還可以為其他類(lèi)似的卷積網(wǎng)絡(luò)架構(gòu)帶來(lái)啟示。

1.3 改進(jìn)YOLOv5s算法

在原始的YOLOv5s算法中，其檢測(cè)頭模塊采用了多層級(jí)特征融合的方法，此方法雖然能夠?qū)⑻卣餍畔⒊浞纸Y(jié)合，但在連續(xù)卷積的過(guò)程會(huì)產(chǎn)生許多無(wú)用的冗余信息，從而淹沒(méi)部分目標(biāo)，導(dǎo)致檢測(cè)準(zhǔn)確率下降。為了提高玉米葉片病害識(shí)別的準(zhǔn)確率，在YOLOv5s骨干網(wǎng)絡(luò)Backbone引入優(yōu)化的CBAM（Convolutional Block Attention Module）注意力機(jī)制，將YOLOv5s主干網(wǎng)絡(luò)部分中的C3模塊替換為CBAMC3模塊，不僅可以加強(qiáng)通道之間信息的融合，還可以減小模型參數(shù)、精減網(wǎng)絡(luò)模型的結(jié)構(gòu)、提高模型計(jì)算效率，捕獲更豐富的通道和空間特征信息。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)圖見(jiàn)圖1。

圖1 改進(jìn)后YOLOv5s網(wǎng)絡(luò)結(jié)構(gòu)圖

2 實(shí)驗(yàn)方法與結(jié)果分析

2.1 數(shù)據(jù)集預(yù)處理

數(shù)據(jù)集選用Plant Village發(fā)布的公開(kāi)玉米病害數(shù)據(jù)集，數(shù)據(jù)集中包括玉米葉片灰斑病、葉銹病、葉斑病和玉米健康4類(lèi)圖像數(shù)據(jù)。實(shí)驗(yàn)選用500張玉米葉片病害作為數(shù)據(jù)集，其中，灰斑病、葉銹病、葉斑病和玉米健康各125張，用于玉米葉片病害的訓(xùn)練與測(cè)試。實(shí)驗(yàn)先通過(guò)Labelimg標(biāo)注軟件對(duì)3種玉米病害葉片和健康葉片進(jìn)行手動(dòng)標(biāo)注，并以VOC的格式保存。由于訓(xùn)練數(shù)據(jù)集較小，為了提高模型對(duì)玉米葉片的識(shí)別效果，通過(guò)對(duì)數(shù)據(jù)圖像進(jìn)行隨機(jī)翻轉(zhuǎn)、調(diào)節(jié)亮度、增加噪聲等方法進(jìn)行數(shù)據(jù)增強(qiáng)。擴(kuò)充后的數(shù)據(jù)集大小為2 000張，擴(kuò)充至原始數(shù)據(jù)的4倍。擴(kuò)充后的數(shù)據(jù)集如表1所示。其中，訓(xùn)練集和測(cè)試集比例按9:1隨機(jī)劃分。

表1 數(shù)據(jù)集概述

2.2 實(shí)驗(yàn)環(huán)境及配置

實(shí)驗(yàn)運(yùn)行環(huán)境與配置見(jiàn)表2。模型共訓(xùn)練50輪次，初始學(xué)習(xí)率設(shè)為0.01批尺寸（batch size）設(shè)置為8。

表2 實(shí)驗(yàn)環(huán)境

2.3 模型評(píng)估指標(biāo)

研究結(jié)果采用精準(zhǔn)率(Precision)、召回率(Recall)，以及目標(biāo)檢測(cè)算法中衡量算法效果的指標(biāo)全類(lèi)平均準(zhǔn)確率(Mean Average Precision，mAP)作為評(píng)價(jià)指標(biāo)。其中，Precision、Recall的計(jì)算公式分別如下：

在上述式中，TP為樣本被預(yù)測(cè)為正樣本，且分類(lèi)正確的樣本個(gè)數(shù)；FP為樣本被預(yù)測(cè)為正樣本，而分類(lèi)錯(cuò)誤的樣本個(gè)數(shù)；FN為被預(yù)測(cè)為負(fù)樣本，而分類(lèi)錯(cuò)誤的樣本個(gè)數(shù)；mAP是所有類(lèi)別在模型上的平均識(shí)別精度。

2.4 實(shí)驗(yàn)結(jié)果分析

為了驗(yàn)證CBAM注意力機(jī)制的有效性，在原網(wǎng)絡(luò)的基礎(chǔ)上，將添加CBAM注意力機(jī)后的模型與原始的YOLOv5s模型進(jìn)行對(duì)比。2種模型在Plant Village數(shù)據(jù)集、epoch為50、batch-size為8的條件下，得到不同玉米葉片病害類(lèi)別的準(zhǔn)確率對(duì)比結(jié)果（圖2）。橫軸為訓(xùn)練輪次，縱坐標(biāo)為精準(zhǔn)度（mAP）。由圖1可以看出，在epoch50次后波動(dòng)幅度不大。原始的YOLOv5s模型mAP穩(wěn)定在93.5%。模型在加入CBAMC3注意力機(jī)制之后mAP達(dá)到95.6%，比傳統(tǒng)的YOLOv5s網(wǎng)絡(luò)模型的準(zhǔn)確率提高了2.1個(gè)百分點(diǎn)，正確類(lèi)別預(yù)測(cè)的數(shù)量比例明顯提升[9-16]。

圖2 原始YOLOv5s模型與改進(jìn)后模型結(jié)果對(duì)比

3 結(jié)束語(yǔ)

本論文針對(duì)在玉米葉片病害識(shí)別過(guò)程中浪費(fèi)人力、肉眼難以區(qū)分、檢測(cè)情景復(fù)雜等問(wèn)題，設(shè)計(jì)了一種基于改進(jìn)YOLOv5s網(wǎng)絡(luò)的玉米葉片病害識(shí)別模型(YOLOv5_CBAMC3)。在YOLOv5s目標(biāo)檢測(cè)模型的基礎(chǔ)上，引入CBAM注意力機(jī)制，完成了對(duì)玉米葉片灰斑病、葉銹病、葉斑病3種病害和健康葉片的識(shí)別。實(shí)驗(yàn)結(jié)果表明：改進(jìn)后的網(wǎng)絡(luò)檢測(cè)模型對(duì)玉米葉片病害識(shí)別精度有較高提升，平均精度達(dá)到95.6%，較原始網(wǎng)絡(luò)模型的準(zhǔn)確率提升了2.1個(gè)百分點(diǎn)。該方法能夠降低人力物力的成本、提高對(duì)病害識(shí)別的效率和準(zhǔn)確率，有一定的實(shí)用性，能夠促進(jìn)農(nóng)業(yè)技術(shù)的進(jìn)一步發(fā)展。