摘要 針對(duì)現(xiàn)有檢測(cè)模型不能滿足在自然環(huán)境中準(zhǔn)確識(shí)別多種類柑橘病蟲害的問題，提出一種基于改進(jìn)YOLOv5s 模型的常見柑橘病蟲害檢測(cè)方法。改進(jìn)模型引入ConvNeXtV2 模型，構(gòu)建一個(gè)CXV2 模塊替換YOLOv5s的C3 模塊，增強(qiáng)提取特征的多樣性；添加了動(dòng)態(tài)檢測(cè)頭DYHEAD，提高模型對(duì)不同空間尺度、不同任務(wù)目標(biāo)的處理能力；采用CARAFE 上采樣模塊，提高特征提取效率。結(jié)果顯示，改進(jìn)后的YOLOv5s-CDC 的召回率和平均精度均值分別為81.6%、87.3%，比原模型分別提高了4.9、3.4 百分點(diǎn)。與其他YOLO 系列模型在多個(gè)場(chǎng)景下的檢測(cè)對(duì)比，具有更高的準(zhǔn)確率和較強(qiáng)的魯棒性。結(jié)果表明，該方法可用于自然復(fù)雜環(huán)境下的柑橘病蟲害的檢測(cè)。

關(guān)鍵詞 深度學(xué)習(xí)； 病蟲害； YOLOv5s； 目標(biāo)檢測(cè)

中圖分類號(hào) TP391.4 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1000-2421（2024）02-0134-10

柑橘是我國(guó)最為重要的農(nóng)產(chǎn)品之一，種植面積與產(chǎn)量位居世界首位［1］，給果農(nóng)帶來良好的經(jīng)濟(jì)收益。由于柑橘的生長(zhǎng)周期長(zhǎng)，受氣候、環(huán)境等因素的影響，極易發(fā)生病蟲害，若不能準(zhǔn)確判斷柑橘病蟲害種類，及時(shí)采取防治措施，對(duì)癥下藥，則會(huì)造成柑橘產(chǎn)量下降，甚至傳染果園其他區(qū)域，造成嚴(yán)重的經(jīng)濟(jì)損失。在復(fù)雜的果園環(huán)境中依靠人工診斷的方式不僅效率低下且具有一定的主觀性，同時(shí)大面積種植僅依靠人力診斷也是遠(yuǎn)遠(yuǎn)不夠的。

隨著計(jì)算機(jī)視覺技術(shù)和人工智能的興起，圖像處理技術(shù)得到大力發(fā)展，由于低成本，易于實(shí)現(xiàn)，這些技術(shù)被廣泛應(yīng)用到農(nóng)業(yè)的病蟲害檢測(cè)中。傳統(tǒng)的農(nóng)業(yè)圖像處理主要通過支持向量機(jī)［2-4］、K 近鄰［5］等機(jī)器學(xué)習(xí)算法，但是傳統(tǒng)的機(jī)器學(xué)習(xí)技術(shù)需要依靠人工完成特征選擇提取，泛化能力弱，且受環(huán)境限制較大，并不適合運(yùn)用在實(shí)際果園環(huán)境中。

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)特定領(lǐng)域，與機(jī)器學(xué)習(xí)相比，深度學(xué)習(xí)能自動(dòng)提取特征信息，減少特征提取工程的負(fù)擔(dān)以及人工提取容易出現(xiàn)的錯(cuò)誤，適合處理大規(guī)模數(shù)據(jù)集，并提供更好的預(yù)測(cè)和泛化能力。深度學(xué)習(xí)中常見的目標(biāo)檢測(cè)模型有Faster RCNN［6］、SSD［7］、YOLO 系列［8-9］等，目前已被大量應(yīng)用到農(nóng)業(yè)病蟲害檢測(cè)研究中。Zhao 等［10］提出了一種新的Faster R-CNN 架構(gòu)檢測(cè)7 種不同的草莓病害，取得了較好的檢測(cè)精度。Sun 等［11］構(gòu)建了一個(gè)輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)MEAN-SSD，降低模型大小，并在移動(dòng)設(shè)備上成功檢測(cè)5 種蘋果葉片病害。Zhang等［12］用YOLOv4 和EfficientNet 模型結(jié)合的方法識(shí)別了柑橘果實(shí)的病害。Li 等［13］基于YOLOv5n 檢測(cè)黃瓜病害，通過引入?yún)f(xié)調(diào)注意力機(jī)制和Transformer結(jié)構(gòu)提高了模型的檢測(cè)精度，并且具備較好的魯棒性。孫豐剛等［14］用改進(jìn)的YOLOv5s 實(shí)現(xiàn)了快速檢測(cè)蘋果果實(shí)病害。

目前針對(duì)柑橘病蟲害的研究大多傾向于分類任務(wù)［15-17］，對(duì)象類別較少，所用數(shù)據(jù)集在實(shí)驗(yàn)室環(huán)境下基于簡(jiǎn)單背景進(jìn)行拍攝［18-19］。由于柑橘病蟲害類間特征相似、自然環(huán)境復(fù)雜、枝葉遮擋等特點(diǎn)使得現(xiàn)有模型很容易出現(xiàn)漏檢、誤檢等問題，不能滿足自然環(huán)境中對(duì)于多種類、多目標(biāo)的病蟲害檢測(cè)。針對(duì)以上問題，本研究基于YOLOv5s 提出了一個(gè)能在復(fù)雜的果園環(huán)境下識(shí)別柑橘病蟲害的目標(biāo)檢測(cè)方法，旨在輔助果農(nóng)檢測(cè)病蟲害，以及為果園施藥機(jī)器人等智能產(chǎn)品提供算法依據(jù)。