陳德瓊，曠丞吉

(1.銅仁市住房和城鄉(xiāng)建設(shè)局；2.銅仁學(xué)院 大數(shù)據(jù)學(xué)院，貴州 銅仁 554300)

茶葉作為中國茶文化的主要原料，其需求較大，種植面積較廣，而茶葉病蟲害直接影響了茶葉的產(chǎn)量和質(zhì)量，是茶葉種植需要解決的關(guān)鍵問題之一。在茶葉病蟲害的識(shí)別方面，傳統(tǒng)方式主要是依賴茶農(nóng)的種植經(jīng)驗(yàn)來判斷，該方式效率較低，很容易導(dǎo)致茶葉病蟲害的誤判，導(dǎo)致用錯(cuò)藥或不能有效抑制病蟲害的傳播，嚴(yán)重制約了茶葉的增產(chǎn)和提質(zhì)。

隨著信息技術(shù)的發(fā)展，越來越多的學(xué)者將深度學(xué)習(xí)算法應(yīng)用于植物的病蟲害檢測，利用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）[1-2]模型提取病蟲害特征，經(jīng)過有監(jiān)督學(xué)習(xí)方法訓(xùn)練模型，用訓(xùn)練好的模型識(shí)別待檢測的茶葉病蟲害，相較于傳承的基于于病斑圖像分隔[3-4]、基于病斑圖像特征提取[5-6]、分類聚類[7-8]等方法?；贑NN構(gòu)建的模型能更好的提取病蟲害特征，具有更好的魯棒性。在茶葉病蟲害檢測模型研究方面，孫艷歌等[9]將自注意力機(jī)制引入病蟲害特征檢測上，利用多頭自注意力機(jī)制提取多種尺度下的全局上下文信息，對(duì)復(fù)雜背景的茶葉圖片病蟲害識(shí)別具有較好效果；余小東[10]、趙立[11]等利用遷移學(xué)習(xí)方法對(duì)棉花等農(nóng)作物的病蟲害進(jìn)行了識(shí)別，取得了較好效果，但這些研究中，針對(duì)茶葉病蟲害初期的識(shí)別效果不是很理想，茶葉病蟲害初期，病斑區(qū)域小，在特征提取過程中，容易丟失原有病斑特征，對(duì)此，本文提出利用YOLO v5s對(duì)茶葉病蟲害進(jìn)行檢測，以提高病蟲害檢測準(zhǔn)確率。

1 模型構(gòu)建與實(shí)驗(yàn)

1.1 基于YOLO v5s的模型

YOLO v5是YOLO系列中性能較好的One-Stage模型，其相比于Faster-RCNN[7]的Two-Stage目標(biāo)檢測方法來說，具有更快的檢測速度和更高的準(zhǔn)確率。YOLO v5模型的網(wǎng)絡(luò)示意圖如圖1所示。

圖1 YOLO v5模型的網(wǎng)絡(luò)示意圖

由圖1可知，將茶葉病蟲害圖片輸入主干網(wǎng)絡(luò)中，經(jīng)過兩輪卷積網(wǎng)絡(luò)提取特征后進(jìn)入C3處理模塊，C3模塊的結(jié)構(gòu)示意圖如圖2所示。經(jīng)過多輪卷積模塊和C3模塊后，進(jìn)入SPPF模塊，SPPF模塊的示意圖如圖3所示。

圖2 C3模塊的結(jié)構(gòu)示意圖

圖3 SPPF模塊的結(jié)構(gòu)示意圖

在圖2中，CBS模塊由Conv、BN及SiLU激活函數(shù)構(gòu)成，BottleNeck由兩個(gè)CBS模塊構(gòu)成，使用殘差方式融合輸出參數(shù)，以保證特征數(shù)不變。

在SPPF模塊中，其主要由CBS模塊和池化模塊構(gòu)成，輸入圖像經(jīng)過CBS模塊、池化層后進(jìn)行Concat操作，通過Concat操作將輸入特征圖各維度的輸出連接起來，可以獲得信息更豐富的特征圖，該方法可以有效提高茶葉病蟲害檢測的準(zhǔn)確率。

1.2 實(shí)驗(yàn)數(shù)據(jù)集構(gòu)建

本實(shí)驗(yàn)通過實(shí)地采集和網(wǎng)絡(luò)收集茶葉病蟲害圖片共3000余張，病蟲害類型主要包括炭疽病、葉枯病、白星病、螨蟲等18種。為了提升模型性能，通過對(duì)采集來的病蟲害圖片進(jìn)行裁剪、旋轉(zhuǎn)等空間變換和像素變換，以增強(qiáng)訓(xùn)練數(shù)據(jù)集，提升訓(xùn)練模型的性能，實(shí)驗(yàn)數(shù)據(jù)集共4020張，如圖4所示。

圖4 茶葉病蟲害實(shí)驗(yàn)集圖片

在獲得茶葉病蟲害數(shù)據(jù)集后，經(jīng)過Label Img標(biāo)注軟件標(biāo)注后，構(gòu)建好了實(shí)驗(yàn)所需的標(biāo)注信息（Annotations）、圖像集合（ImageSets）等文件信息，同時(shí)生成實(shí)驗(yàn)所需的train.txt、trainval.txt、val.txt的內(nèi)容，標(biāo)記后的圖像如圖5所示。

圖5 茶葉病蟲害圖像標(biāo)記示意圖

1.3 實(shí)驗(yàn)環(huán)境搭建

為了加快模型訓(xùn)練和識(shí)別的速度，本實(shí)驗(yàn)搭建了如下表1所示實(shí)驗(yàn)平臺(tái)。

表1 模型訓(xùn)練實(shí)驗(yàn)環(huán)境

1.4 實(shí)驗(yàn)評(píng)價(jià)指標(biāo)

本實(shí)驗(yàn)中使用平均精度均值（meanaverageprecision，mAP）來度量算法，其計(jì)算公式如式（1）所示。其中，N表示參與實(shí)驗(yàn)的茶葉病蟲害種類，表示第i種病蟲害的平均檢測精確度。

1.5 實(shí)驗(yàn)結(jié)果與分析

將茶葉病蟲害實(shí)驗(yàn)集劃分為3組，分別是訓(xùn)練集（80%）、測試集（10%）和驗(yàn)證集（10%），通過基于YOLO v5s模型訓(xùn)練，獲得能檢測茶葉病蟲害的識(shí)別模型。檢測模型經(jīng)過訓(xùn)練后，獲得如圖6所示識(shí)別結(jié)果示意圖。

圖6 病蟲害檢測結(jié)果示意圖

為了對(duì)比檢測模型的優(yōu)勢(shì)，將實(shí)驗(yàn)集分別使用Faster-RCNN、YOLO v5s進(jìn)行了對(duì)比實(shí)驗(yàn)，使用YOLO v5s檢測獲得如表2所示準(zhǔn)確率情況。

表2 YOLO v5s識(shí)別準(zhǔn)確率情況

經(jīng)實(shí)驗(yàn)，F(xiàn)aster-RCNN的平均準(zhǔn)確率為39.4%，由表2的實(shí)驗(yàn)結(jié)果可知，YOLO v5s對(duì)部分茶葉病蟲害檢測準(zhǔn)確率優(yōu)于Faster-RCNN方法，但準(zhǔn)確率仍有提升空間。

2 結(jié)語

本文通過將YOLO v5s應(yīng)用在茶葉病蟲害的檢測上，獲得了較好檢測準(zhǔn)確率。通過將其部署在服務(wù)器上，可通過B/S模式構(gòu)建應(yīng)用系統(tǒng)，在移動(dòng)端調(diào)用該識(shí)別模型，并傳回識(shí)別結(jié)果，對(duì)快速檢測茶葉病蟲害具有重要意義，同時(shí)，對(duì)提升茶葉產(chǎn)量和質(zhì)量具有重要價(jià)值。