施杰 林雙雙 張威 陳立暢 張毅杰 楊琳琳

摘要： ?針對(duì)復(fù)雜環(huán)境下目前現(xiàn)有的玉米病蟲害檢測方法的精度不理想、模型復(fù)雜、難以在移動(dòng)端部署等問題，本研究提出了基于輕量化改進(jìn)型YOLOv5s的玉米病蟲害檢測方法。首先，采用輕量級(jí)網(wǎng)絡(luò)GhostNet替換原始YOLOv5s模型中特征提取網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)的卷積層，降低模型的計(jì)算量和參數(shù)量，提高運(yùn)行速度，以滿足移動(dòng)端的部署要求；其次，為彌補(bǔ)GhostNet所帶來的檢測精度下降缺陷，在模型的主干特征提取網(wǎng)絡(luò)中引入注意力機(jī)制，更加全面地評(píng)估特征權(quán)值，以增強(qiáng)玉米病蟲害的特征，減弱無關(guān)信息的干擾，提升檢測性能；最后，將模型的損失函數(shù)由CIOU替換為EIOU，以增強(qiáng)模型對(duì)目標(biāo)的精確定位能力，從而提升模型的收斂速度和回歸精度。試驗(yàn)結(jié)果表明，改進(jìn)模型相比原始YOLOv5s模型在對(duì)供試玉米病蟲害檢測中，P、R和mAP分別提高了1.9個(gè)百分點(diǎn)、2.2個(gè)百分點(diǎn)和2.0個(gè)百分點(diǎn)，分別達(dá)到了94.6%、80.2%和88.8%；在保持較高檢測精度的同時(shí)，模型的計(jì)算量、參數(shù)量和模型大小分別減少了50.6%、52.9%和50.4%，解決了檢測模型在移動(dòng)端的部署問題。

關(guān)鍵詞： ?玉米； 病蟲害； 檢測模型； YOLOv5s； 輕量化

中圖分類號(hào)： ?TP391.41;S432 ???文獻(xiàn)標(biāo)識(shí)碼： A ???文章編號(hào)： ?1000-4440（2024）03-0427-11

A corn disease and pest detection method based on lightweight improved YOLOv5s

SHI Jie1，2， LIN Shuang-shuang1， ZHANG Wei1， CHEN Li-chang1， ZHANG Yi-jie1， YANG Lin-lin1，2

（1.Faculty of Mechanical and Electrical Engineering， Yunnan Agricultural University， Kunming 650201， China； 2.The Key Laboratory for Crop Production and Smart Agriculture of Yunnan Province， Kunming 650201， China）

Abstract： ??Aiming at the problems of unsatisfactory detection accuracy， complex model and difficult deployment on mobile terminals in the existing maize disease and pest detection methods in complex environments， this study proposed a maize disease and pest detection method based on lightweight improved YOLOv5s. Firstly， the lightweight network GhostNet was used to replace the convolutional layer in the feature extraction network and feature fusion network in the original YOLOv5s model， which reduced the calculation and parameter amount of the model and improved the running speed to meet the deployment requirements of the mobile terminal. Secondly， in order to compensate for the problem of detection accuracy degradation caused by GhostNet， the normalization-based attention module （NAM） was introduced into the backbone feature extraction network of the model to evaluate the feature weights more comprehensively， so as to enhance the characteristics of corn diseases and pests， weaken the interference of irrelevant information， and improve the detection performance. Finally， the loss function of the model was replaced by EIOU from CIOU to enhance the models ability to accurately locate the target， so as to improve the convergence speed and regression accuracy of the model. The experimental results showed that compared with the original YOLOv5s model， the P， R and mAP of the final improved model increased by 1.9 percentage points， 2.2 percentage points and 2.0 percentage points， respectively， reaching 94.6%， 80.2% and 88.8%. While maintaining high detection accuracy， the calculation amount， parameter amount and capacity of the model were reduced by 50.6%， 52.9% and 50.4%， which solved the deployment problem of the detection model on the mobile terminal.

Key words： ?corn； pests and diseases； detection model; YOLOv5s； lightweight

玉米是中國主要糧食作物，其種植面積和產(chǎn)量長期穩(wěn)居三大谷物之首。近年來，玉米飼用消費(fèi)和工業(yè)消費(fèi)對(duì)玉米的需求均持續(xù)增長，玉米產(chǎn)業(yè)的健康穩(wěn)定發(fā)展對(duì)國家糧食安全意義重大[1]。研究結(jié)果表明，玉米生長期間的病蟲害問題是影響其產(chǎn)量和質(zhì)量的主要因素。因此，對(duì)玉米常見病蟲害進(jìn)行早期診斷與防治是獲得豐產(chǎn)的重要舉措[2-3]。

農(nóng)作物在種植期間依靠人工來觀測病蟲害的傳統(tǒng)管理模式，存在著主觀性強(qiáng)、工作量大等問題。隨著人工智能和大數(shù)據(jù)技術(shù)的不斷發(fā)展，利用基于深度學(xué)習(xí)的機(jī)器視覺技術(shù)對(duì)圖像特征信息進(jìn)行提取[3-6]，能有效解決病蟲害檢測準(zhǔn)確率低、效率低等問題，這也是農(nóng)作物種植管理智能化的重要研究方向。許多學(xué)者在這方面開展了大量研究。黃麗明等[7]利用可分離卷積和倒殘差結(jié)構(gòu)對(duì)YOLOv4算法進(jìn)行改進(jìn)，以提高松材線蟲害識(shí)別的精度和效率，試驗(yàn)結(jié)果表明，改進(jìn)后的算法平均精度達(dá)到80.85%，參數(shù)大小為44.20 MB；劉天真等[8]利用SE Block結(jié)構(gòu)改善了YOLOv3對(duì)自然場景下冬棗果實(shí)特征的提取能力，使平均精度達(dá)到82.01%，實(shí)現(xiàn)了冬棗的快速精準(zhǔn)識(shí)別；Farjon等[9]使用Faster R-CNN算法檢測蘋果花，模型檢測精度為68.00%；Ferentinos等[10]使用健康與患病的葉片來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，用于識(shí)別相應(yīng)的患病葉片，檢測精度達(dá)到99.53%；蘇俊楷等[11]對(duì)YOLOv5的主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)進(jìn)行改進(jìn)，使玉米病害的檢測精度達(dá)到95.93%；徐會(huì)杰等[12]提出了YOLOv3-Corn的玉米葉片病蟲害檢測模型，該模型使用Darkknet-53作為特征提取網(wǎng)絡(luò)，并利用聚類算法選取先驗(yàn)框分別匹配到檢測層中進(jìn)行目標(biāo)識(shí)別，模型檢測精度為93.31%。

雖然隨著技術(shù)發(fā)展檢測精度得到提升，但仍存在參數(shù)量大、模型復(fù)雜等問題，無法將其部署到邊緣端移動(dòng)設(shè)備中進(jìn)行應(yīng)用。周維等[13]針對(duì)水稻病蟲害檢測精度低、速度慢、模型復(fù)雜度高、部署困難等問題，對(duì)YOLOv4進(jìn)行改進(jìn)，結(jié)果表明，改進(jìn)后模型檢測精度達(dá)到79.38%，模型權(quán)重大小為42.45 MB；邢潔潔等[14]就垃圾檢測算法在農(nóng)田復(fù)雜環(huán)境下檢測精度不高、模型復(fù)雜等問題，對(duì)YOLOv5s進(jìn)行輕量化改進(jìn)，試驗(yàn)結(jié)果表明，模型最終精度達(dá)到了90.90%，在保持精度的同時(shí)大幅減少模型復(fù)雜度，滿足了邊緣計(jì)算設(shè)備對(duì)模型的性能需求；張振國等[15]為解決紅花采摘機(jī)器人在檢測時(shí)的精度低與實(shí)時(shí)性差的問題，提出GSC-YOLOv3算法，該算法先進(jìn)行輕量化改進(jìn)，再使用空間金字塔和注意力機(jī)制提高模型檢測精度，檢測結(jié)果表明，在測試集下的檢測精度達(dá)到91.89%，取得良好的效果。王衛(wèi)星等[16]為實(shí)時(shí)準(zhǔn)確檢測荔枝病蟲害，以YOLOv4為基礎(chǔ)進(jìn)行輕量化改進(jìn)，同時(shí)使用新特征融合方法和注意力機(jī)制，最終模型內(nèi)存占用量比原始模型減小84%，檢測精度提升4.13個(gè)百分點(diǎn)，為農(nóng)作物病蟲害實(shí)時(shí)檢測研究提供參考。

以上關(guān)于農(nóng)作物病蟲害檢測的研究已經(jīng)取得了較大進(jìn)展，但針對(duì)玉米病蟲害檢測方面的研究較少。為解決玉米病蟲害檢測方法在復(fù)雜環(huán)境下檢測精度不理想、模型復(fù)雜、難以在移動(dòng)端部署等問題，本研究擬以YOLOv5s模型為基礎(chǔ)，提出一種基于輕量化改進(jìn)型的玉米病蟲害檢測方法。首先，采用輕量級(jí)網(wǎng)絡(luò)GhostNet來替換原有模型中特征提取網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)的卷積層，以生成有效特征并降低模型復(fù)雜度，同時(shí)，引入注意力機(jī)制（Normalization-based attention module，NAM），減弱無關(guān)信息干擾特征，提高模型對(duì)玉米病蟲害的檢測性能。然后，再通過優(yōu)化損失函數(shù)，來提升模型的收斂速度和回歸精度，以滿足復(fù)雜環(huán)境下的病蟲害檢測需求。最后，通過在自建數(shù)據(jù)集上的試驗(yàn)驗(yàn)證改進(jìn)模型的有效性。

1 材料與方法

1.1 數(shù)據(jù)采集

本研究檢測的對(duì)象為玉米病蟲害圖像。有研究結(jié)果顯示，黏蟲、灰飛虱、銹病和斑病是玉米生長過程中最為常見的病蟲害，也是影響玉米產(chǎn)量和質(zhì)量的主要因素之一[17-19]，因此選擇這4種病蟲害圖像為研究對(duì)象，其病蟲害樣本圖像見圖1。

模型訓(xùn)練后的魯棒性和泛化性受到數(shù)據(jù)集質(zhì)量的影響，為了降低數(shù)據(jù)集對(duì)模型的影響，本研究自建了玉米病蟲害數(shù)據(jù)集。數(shù)據(jù)集的數(shù)據(jù)來源：在云南農(nóng)業(yè)大學(xué)玉米種植試驗(yàn)田內(nèi)采集的病蟲害圖像，在云南省昭通市昭陽區(qū)玉米種植田內(nèi)采集的病蟲害圖像和源自網(wǎng)絡(luò)的玉米病蟲害圖像。圖像的采集時(shí)間為2022年7-9月，為滿足數(shù)據(jù)集多樣性的要求，分別在晴天、陰天和雨天，以正面、側(cè)面、仰視等不同拍攝角度進(jìn)行數(shù)據(jù)圖像的采集，圖像中包含了密集、稀疏、重疊、順光、逆光等不同背景噪聲的圖像。圖2為采集的部分圖像樣本。

1.2 數(shù)據(jù)集制作

首先，對(duì)采集的圖像進(jìn)行旋轉(zhuǎn)、平移、變亮、變暗、高斯噪聲、椒鹽噪聲等數(shù)據(jù)增強(qiáng)處理，以實(shí)現(xiàn)數(shù)據(jù)集的擴(kuò)展和多樣化，從而提高模型訓(xùn)練的魯棒性與泛化性。然后，采用labelImg工具對(duì)經(jīng)數(shù)據(jù)增強(qiáng)后的1 985張圖像進(jìn)行特征標(biāo)注。分別將玉米黏蟲、灰飛虱、銹病和斑病標(biāo)注為N、H、X和B 4個(gè)類別（標(biāo)注時(shí)為避免由不同人標(biāo)注而產(chǎn)生的細(xì)小差別，所有標(biāo)注均為同一人完成，再由另一人檢查以保證數(shù)據(jù)集標(biāo)簽的準(zhǔn)確性。），并將其類別信息和位置信息保存為XML文件，再轉(zhuǎn)換為YOLOv5s所需要的TXT格式文件。最后，劃分訓(xùn)練集、驗(yàn)證集和測試集，供模型訓(xùn)練和測試使用。表1為玉米病蟲害圖像數(shù)據(jù)集的詳細(xì)信息。

1.3 YOLOv5s模型

YOLO系列算法[20-22]采用回歸思想，憑借檢測精度高、推理速度快等優(yōu)勢，能夠快速完成目標(biāo)檢測任務(wù)，在很多領(lǐng)域都取得了較為滿意的結(jié)果，已成為主流算法之一。隨著技術(shù)的發(fā)展，YOLOv5s也一直被各領(lǐng)域的學(xué)者不斷完善與優(yōu)化，并展現(xiàn)出非常不錯(cuò)的性能。YOLOv5s算法由輸入端、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)以及預(yù)測頭[23]構(gòu)成，其框架圖如圖3所示。

1.4 改進(jìn)YOLOv5s模型

在移動(dòng)端邊緣計(jì)算設(shè)備的目標(biāo)檢測任務(wù)中，模型檢測精度、速度和體積大小是評(píng)價(jià)模型性能的重要指標(biāo)。對(duì)于單階段目標(biāo)檢測，YOLO系列算法在檢測精度和速度上都具有明顯優(yōu)勢，而YOLOv5s更是繼承了YOLOv1～YOLOv4的特點(diǎn)，成為目標(biāo)檢測領(lǐng)域的首選網(wǎng)絡(luò)[14]。因此，本研究擬針對(duì)移動(dòng)端邊緣計(jì)算設(shè)備能力受限的問題，研究了一種模型輕量化、添加注意力機(jī)制和優(yōu)化損失函數(shù)的YOLOv5s改進(jìn)模型，運(yùn)用于玉米病蟲害的目標(biāo)檢測。

1.4.1 引入輕量化GhostNet模塊 ?傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)提取圖片特征時(shí)，會(huì)產(chǎn)生特征信息冗余、計(jì)算量和參數(shù)量大等問題，YOLOv5s具有較高檢測精度也是由于其網(wǎng)絡(luò)龐大，難以直接在移動(dòng)端邊緣計(jì)算設(shè)備進(jìn)行部署，必須減少計(jì)算量和參數(shù)量。

通過在YOLOv5s中引入GhostNet[24]網(wǎng)絡(luò)進(jìn)行輕量化改進(jìn)。GhostNet是一種新型的輕量化網(wǎng)絡(luò)，其利用簡單的線性操作生成豐富的特征圖，從而避免大量卷積運(yùn)算，以減少模型計(jì)算量和參數(shù)量。Ghost Module利用1×1卷積對(duì)輸入的玉米病蟲害圖像目標(biāo)特征進(jìn)行縮減，再使用逐層卷積得到額外的特征圖，最后將二者的結(jié)果進(jìn)行堆疊生成新的病蟲害目標(biāo)特征圖，以此消除特征信息冗余，并獲得輕量化模型。Ghost Bottlencks是由Ghost Module組成的瓶頸結(jié)構(gòu)（圖4），可分為主干部分和殘差部分。當(dāng)我們需要對(duì)特征層的寬和高進(jìn)行壓縮的時(shí)候，將Ghost Bottlencks的Stride設(shè)為2，便可對(duì)特征層的寬和高進(jìn)行壓縮，此時(shí)，加入一個(gè)步長為2×2的深度可分離卷積在主干網(wǎng)絡(luò)的2個(gè)Ghost Module中對(duì)特征層進(jìn)行壓縮，在殘差部分也會(huì)加入一個(gè)步長為2×2的深度可分離卷積和1×1的普通卷積。

1.4.2 添加注意力機(jī)制 ?圖像背景中存在雜草、土地和光線遮擋等問題導(dǎo)致對(duì)玉米病蟲害的目標(biāo)檢測更為復(fù)雜。通過添加注意力機(jī)制可以增強(qiáng)模型對(duì)特征的捕捉能力，提高模型檢測精度。玉米病蟲害特征信息在圖像中占比較小，模型更需減少對(duì)無關(guān)特征信息的關(guān)注度。所以，可以在YOLOv5s中添加基于標(biāo)準(zhǔn)化的注意力機(jī)制（Normalization-based attention module，NAM）[25]。NAM利用權(quán)重影響因子來增強(qiáng)顯著性權(quán)值，從而提高注意力機(jī)制的性能。它通過批量歸一化（Batch normalization，BN）[26]的比例因子來表示權(quán)重的重要程度，避免了像其他注意力機(jī)制一樣使用全連接層和卷積層而造成計(jì)算量大的弊端。

NAM基于卷積注意力機(jī)制（Convolutional block attention module，CBAM）[27]，又設(shè)計(jì)了通道和空間注意力子模塊，如圖5所示。以BN中的比例因子去計(jì)算通道方差用以表示通道注意力模塊中權(quán)重的重要性，計(jì)算公式見公式（1）～公式（5）。

在玉米病蟲害檢測任務(wù)中，NAM能夠更加全面地評(píng)估特征權(quán)值，以增強(qiáng)玉米病蟲害的特征，減弱復(fù)雜背景與無關(guān)信息的干擾，從而增強(qiáng)模型的魯棒性和泛化能力，提升檢測性能。

γi和λi：縮放因子；ωi：權(quán)重；Mc和Ms：通道注意力模塊和空間注意力模塊的輸出特征。

Bout=BN（Bin）=γ Bin-μB ?σ2B+ε ?+β （1）

Wγ= γi ∑ ?i=0 γi ?（2）

Wλ= λi ∑ ?i=0 λi ?（3）

Mc=Sigmoid{Wγ[BN（F1）]} （4）

Ms=Sigmoid{Wλ[BNs（F2）]} （5）

式中，μB和σB：小批量B的均值和標(biāo)準(zhǔn)差；

γ和β：可訓(xùn)練的仿射變換參數(shù)（尺度和位移）；γi和λi：通道注意力模塊和空間注意力模塊的每個(gè)通道的比例因子；Wγ和Wλ：γi和λi的注意力權(quán)重；Mc和Ms：通道注意力模塊和空間注意力模塊的輸出特征。F1和F2：輸入特征變量。

1.4.3 邊框損失函數(shù)優(yōu)化 ?在模型訓(xùn)練中損失函數(shù)發(fā)揮了重要作用，其能夠評(píng)估模型預(yù)測框與真實(shí)框之間的距離。大多數(shù)算法選擇標(biāo)準(zhǔn)性能度量（IoU）作為損失函數(shù)[28]。但是，當(dāng)真實(shí)框與預(yù)測框IoU部分重疊或不重疊時(shí)便無法反映出二者的重合度和距離，使得模型無法進(jìn)行訓(xùn)練。YOLOv5s模型使用CIoU損失函數(shù)，它將兩框之間的中心點(diǎn)距離、縱橫比和重疊面積考慮進(jìn)去，使目標(biāo)邊框回歸更加穩(wěn)定。CIoU損失函數(shù)見公式（6）～公式（9）。

LCIoU=1-IoU+ ρ2（b，bgt） c2 +av （6）

a= v （1-IoU）+v ?（7）

v= 4 π2 （arctan wgt hgt - arctan w h ）2 （8）

IoU= ?A∩B A∪B ??（9）

式中，h和w：預(yù)測框的高和寬；

b和bgt：預(yù)測框中心點(diǎn)和目標(biāo)框中心點(diǎn)；

a和v：分別為權(quán)重系數(shù)和長寬比一致性的參數(shù)；

hgt和wgt：真實(shí)框的高和寬；

ρ2：兩框中心點(diǎn)間的歐式距離；

c：同時(shí)包含兩框最小封閉包矩形框的對(duì)角線距離；

IoU：損失函數(shù)； A ：真實(shí)框的集合； B ：預(yù)測框的集合。

雖然CIoU損失函數(shù)彌補(bǔ)了IoU損失函數(shù)的不足，但還是忽略了邊框尺寸與其置信度存在的真實(shí)差異。針對(duì)這一問題，Zhang等[29]提出了EIoU（Efficient intersection over union）損失函數(shù)。EIoU損失函數(shù)的懲罰項(xiàng)是將縱橫比影響因子拆開，計(jì)算目標(biāo)框和錨框的長、寬，它包括標(biāo)準(zhǔn)性能度量損失、中心點(diǎn)距離損失和寬高損失三部分。EIoU損失函數(shù)公式（10）～公式（11）。

EIoU=IoU- ?r2（b，bgt） c2 - ?r2（w，wgt） c2w - ?r2（h，hgt） c2h ?（10）

LEIoU=1-EIoU （11）

式中，ch：覆蓋預(yù)測框和真實(shí)框的最小外接框的高；

cw：覆蓋預(yù)測框和真實(shí)框的最小外接框的寬。

在邊框回歸損失中，EIoU損失函數(shù)解決了其他損失函數(shù)所存在的問題，表現(xiàn)出良好的性能，所以本研究將采用EIoU損失函數(shù)來對(duì)模型進(jìn)行改進(jìn)。最終改進(jìn)的YOLOv5s模型如圖6所示。

1.5 試驗(yàn)準(zhǔn)備

1.5.1 試驗(yàn)平臺(tái)及環(huán)境 ?本研究是基于深度學(xué)習(xí)框架Pytorch進(jìn)行的模型構(gòu)建與改進(jìn)，在64位Windows10系統(tǒng)上進(jìn)行模型訓(xùn)練與測試。試驗(yàn)平臺(tái)： 中央處理器（CPU）為AMD RYZEN R7 6800H 3.20 GHz、內(nèi)存16 G，圖像處理器（GPU）為NCIDIA GE Force RTX 3060，顯存為6 G。試驗(yàn)環(huán)境：python3.8，Pytorch1.10.1。為提高網(wǎng)絡(luò)訓(xùn)練速度，使用GPU進(jìn)行加速，軟件版本為CUDA11.3和CUDNN8.2.1。

1.5.2 模型評(píng)價(jià)指標(biāo) ?在玉米病蟲害檢測模型的試驗(yàn)研究中，采用精確率（P）、召回率（R）、平均精度均值（mAP）、計(jì)算量（FLOPs）、參數(shù)量（Parameters）和模型大小作為模型性能評(píng)價(jià)指標(biāo)。其中精確率、召回率和平均精度均值計(jì)算公式為公式（12）～公式（14）。

P= TP TP+FP ×100% （12）

R= TP TP+FN ×100% （13）

mAP=? K K=1 AP（K） K ?（14）

式中，TP：檢測正確的樣本數(shù)量；FP：檢測錯(cuò)誤的樣本數(shù)量；FN：檢測遺漏的樣本數(shù)量；K：檢測類別數(shù)；AP：P-R曲線所圍成的面積；P：檢測正確的樣本占所有檢測樣本數(shù)量的比例；R：檢測正確的樣本占所有檢測樣本中正確樣本數(shù)量的比例；mAP：所有類別AP值的平均值。

2 結(jié)果與分析

為驗(yàn)證本研究所提出的YOLOv5s改進(jìn)模型的優(yōu)越性，在相同試驗(yàn)環(huán)境下使用同一數(shù)據(jù)集進(jìn)行試驗(yàn)驗(yàn)證。

2.1 YOLOv5模型輕量化結(jié)果

由于YOLOv5s模型提取圖像特征時(shí)會(huì)產(chǎn)生特征信息冗余以及計(jì)算量和參數(shù)量大等問題，影響了其在移動(dòng)端的部署應(yīng)用，本研究對(duì)YOLOv5s模型進(jìn)行不同程度的輕量化模塊替換，并進(jìn)行了對(duì)比試驗(yàn)，結(jié)果見表2。從試驗(yàn)結(jié)果來看，經(jīng)輕量化改進(jìn)的YOLOv5s-G1、YOLOv5s-G2和YOLOv5s-G模型在計(jì)算量、參數(shù)量和模型大小方面都大幅下降，其中YOLOv5s-G1分別減少32.9%、27.1%和27.0%，YOLOv5s-G2分別減少45.6%、41.4%和39.7%，YOLOv5s-G分別減少50.6%、52.9%和50.4%，可見YOLOv5s-G的輕量化效果最好。但模型輕量化后，網(wǎng)絡(luò)的深度、卷積量和特征提取能力也下降了，導(dǎo)致P、R和mAP值都下降。其中，YOLOv5s-G2的mAP值相比原模型下降了7.1個(gè)百分點(diǎn)；YOLOv5s-G1的mAP值下降3.3個(gè)百分點(diǎn)，降幅最小；YOLOv5s-G是改進(jìn)后輕量化效果最好的模型，且mAP僅比YOLOv5s-G1低1.3個(gè)百分點(diǎn)。證明在YOLOv5s模型中引入GhostNet能夠?qū)崿F(xiàn)輕量化，但是檢測精度也有所下降，達(dá)不到移動(dòng)端的應(yīng)用需求。因此，以YOLOv5s-G為基礎(chǔ)進(jìn)一步改進(jìn)，提升其檢測精度。

2.2 添加注意力機(jī)制結(jié)果

通過引入注意力機(jī)制（NAM）來加強(qiáng)模型對(duì)目標(biāo)特征的捕捉能力，使模型學(xué)習(xí)到更多有效信息，以提升檢測精度。為了驗(yàn)證添加NAM后對(duì)YOLOv5s-G模型檢測精度的影響，進(jìn)行了對(duì)比試驗(yàn)。由表3可知，YOLOv5s-G-N[引入注意力機(jī)制（NAM）的YOLOv5s-G模型]在計(jì)算量、參數(shù)量和模型大小基本不變的情況下，P、R和mAP分別提升了4.9個(gè)百分點(diǎn)、4.3個(gè)百分點(diǎn)和4.9個(gè)百分點(diǎn)。這是由于引入NAM后，玉米病蟲害特征得到增強(qiáng)，復(fù)雜背景與無關(guān)信息干擾減弱，從而提升了模型檢測精度。

YOLOv5s：原始模型；YOLOv5s-G1：將主干網(wǎng)絡(luò)中的Conv、C3模塊替換為GhostConv、C3Ghost模塊的輕量化改進(jìn)模型；YOLOv5s-G2：對(duì)主干網(wǎng)絡(luò)進(jìn)行輕量化改進(jìn)，而頸部網(wǎng)絡(luò)中僅是C3模塊替換為C3Ghost模塊的改進(jìn)模型；YOLOv5s-G：將主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)都進(jìn)行輕量化的改進(jìn)模型。

2.3 邊框損失函數(shù)優(yōu)化結(jié)果

本研究對(duì)比了EIoU損失函數(shù)和CIoU損失函數(shù)對(duì)YOLOv5s模型性能的影響。圖7為經(jīng)200輪迭代后，2種采用不同損失函數(shù)的YOLOv5s模型的損失曲線。可見EIoU損失函數(shù)和CIoU損失函數(shù)都表現(xiàn)出了較快的預(yù)測回歸過程，但在收斂速度上EIoU損失函數(shù)更為優(yōu)越。

為進(jìn)一步驗(yàn)證EIoU損失函數(shù)對(duì)YOLOv5s-G-N輕量化改進(jìn)模型的效果，本研究將YOLOv5s-G-N-E模型（經(jīng)過EIoU損失函數(shù)優(yōu)化的YOLOv5s-G-N模型）與YOLOv5s-G-N模型行了試驗(yàn)對(duì)比。由表4可知，YOLOv5s-G-N-E模型在計(jì)算量、參數(shù)量和模型大小不變的情況下，P、R、mAP分別提高了0.9個(gè)百分點(diǎn)、0.1個(gè)百分點(diǎn)和1.7個(gè)百分點(diǎn)。究其原因是由于EIoU損失函數(shù)彌補(bǔ)了CIoU損失函數(shù)邊界框尺寸與其置信度存在的真實(shí)差異，使目標(biāo)框與錨框相差最小，從而改善了模型性能。

2.4 模型有效性

2.4.1 消融試驗(yàn) ?結(jié)果（表5）顯示，Ⅰ是原始YOLOv5s模型，其對(duì)玉米病蟲害檢測的mAP為86.8%；Ⅱ是采用輕量化網(wǎng)絡(luò)改進(jìn)的模型，其mAP降低至82.2%；Ⅲ是在輕量化基礎(chǔ)上引入NAM的模型，其mAP提升至87.1%；Ⅳ是在Ⅲ模型中將損失函數(shù)替換為EIoU的模型，其mAP更是提升至88.8%。綜上，本研究對(duì)YOLOv5s模型的改進(jìn)是有效的。

Ⅰ是原始YOLOv5s模型；Ⅱ是采用輕量化網(wǎng)絡(luò)改進(jìn)的模型；Ⅲ是在輕量化基礎(chǔ)上引入NAM機(jī)制的模型；Ⅳ是在Ⅲ模型中將損失函數(shù)替換為EIoU的模型。

2.4.2 YOLOv5s-G-N-E模型的性能 ?將YOLOv5s-G-N-E模型與原始YOLOv5s模型進(jìn)行對(duì)比試驗(yàn)。由表6可知，除了斑病檢測在R、mAP上有所下降外，在對(duì)所有類別病蟲害檢測中，YOLOv5s-G-N-E模型的P、R和mAP比原始YOLOv5s模型提高了1.9個(gè)百分點(diǎn)、2.2個(gè)百分點(diǎn)和2.0個(gè)百分點(diǎn)，分別達(dá)到94.6%、80.2%和88.8%；特別是對(duì)黏蟲和灰飛虱的檢測，P和R值提升較為明顯。同時(shí)，YOLOv5s-G-N-E模型的計(jì)算量、參數(shù)量和模型大小都分別降低至50.6%、52.9%和50.4%。由此說明，YOLOv5s-G-N-E模型比原始YOLOv5s模型更輕量化，但仍然保持了較高的檢測精度，適于在移動(dòng)端進(jìn)行部署應(yīng)用。

為了更直觀地比較YOLOv5s-G-N-E模型與原始YOLOv5s模型對(duì)玉米病蟲害的檢測效果，采用玉米病蟲害測試集圖像進(jìn)行檢測，其中檢測效果如圖8所示。從圖8可知，在復(fù)雜環(huán)境、種植密集的情況下，原始YOLOv5s模型由于受到嚴(yán)重背景干擾，出現(xiàn)可信度低、斑病漏檢和錯(cuò)檢等情況，影響了模型的檢測效果。而YOLOv5s-G-N-E模型由于引入注意力機(jī)制和優(yōu)化了邊框損失函數(shù)，能夠全面地評(píng)估目標(biāo)特征權(quán)值，并使得目標(biāo)框與錨框相差最小，從而增強(qiáng)玉米病蟲害的特征，減弱復(fù)雜背景與無關(guān)信息干擾特征，進(jìn)而提升了模型的檢測精度。

2.4.3 不同檢測模型性能對(duì)比 ?為了驗(yàn)證YOLOv5s-G-N-E模型優(yōu)越性，本研究將其與目前主流的目標(biāo)檢測模型（Faster-RCNN、YOLOv5x、YOLOv5s、YOLOv7-Tiny）進(jìn)了試驗(yàn)對(duì)比。由表7可知，F(xiàn)aster-RCNN相較于其他模型在計(jì)算量、參數(shù)量和模型大小方面均比較大，且平均精度均值只有75.3%，無法滿足檢測要求；YOLOv5x的平均精度均值能夠達(dá)到89.4%，但計(jì)算量、參數(shù)量和模型龐大，嚴(yán)重占用了芯片的計(jì)算資源，不適用于移動(dòng)端的部署；YOLOv5s與YOLOv7-Tiny各方面的性能指標(biāo)相近，但綜合性能不及本研究的YOLOv5s-G-N-E模型。YOLOv5s-G-N-E模型雖然在平均精度均值上比YOLOv7-Tiny低1.6個(gè)百分點(diǎn)，但在計(jì)算量、參數(shù)量和模型大小上有明顯優(yōu)勢，在滿足移動(dòng)端設(shè)備應(yīng)用要求的同時(shí)還能節(jié)省計(jì)算資源。

3 結(jié) 論

（1）本研究以YOLOv5s模型為基礎(chǔ)，采用輕量級(jí)網(wǎng)絡(luò)GhostNet對(duì)其進(jìn)行輕量化改進(jìn)，再通過添加注意力機(jī)制（NAM）增強(qiáng)特征，并用損失函數(shù)EIOU代替CIOU提升模型的收斂速度和回歸精度，得到了改進(jìn)后的YOLOv5s-G-N-E模型。并將其與Faster-RCNN、YOLOv5x、YOLOv5s和YOLOv7-Tiny模型進(jìn)行性能對(duì)比，結(jié)果表明YOLOv5s-G-N-E模型在保持較小計(jì)算量、參數(shù)量和模型大小的同時(shí)，取得了較高的檢測精度。

（2）在不同環(huán)境下采集了玉米病蟲害圖像，通過數(shù)據(jù)增強(qiáng)方法對(duì)圖片集進(jìn)行擴(kuò)充，建立了玉米病蟲害數(shù)據(jù)集，用于模型的訓(xùn)練和驗(yàn)證。經(jīng)測試本研究所構(gòu)建的YOLOv5s-G-N-E模型對(duì)供試玉米病蟲害檢測的P、R和mAP分別為94.6%、80.2%和88.8%，同時(shí)在計(jì)算量、參數(shù)量和模型大小方面分別減少50.6%、52.9%和50.4%。本研究所構(gòu)建的YOLOv5s-G-N-E模型在復(fù)雜背景下的檢測精度優(yōu)于原始模型，為玉米病蟲害目標(biāo)檢測提供了新的模型，并為檢測模型在移動(dòng)端設(shè)備上的部署應(yīng)用提供了選擇。

（3）由于條件所限，本研究建立的玉米病蟲害圖像數(shù)據(jù)集樣本有限，后續(xù)研究將進(jìn)一步對(duì)數(shù)據(jù)集進(jìn)行補(bǔ)充，再結(jié)合遷移學(xué)習(xí)以提升檢測模型的泛化能力。

參考文獻(xiàn)：

[1] ?代瑞熙，徐偉平. 中國玉米增產(chǎn)潛力預(yù)測[J]. 農(nóng)業(yè)展望，2022，18（3）：41-49.

[2] 王文明. 玉米常見病蟲害防治措施探討[J]. 農(nóng)業(yè)開發(fā)與裝備，2017（12）：149-151.

[3] 安艷麗. 玉米常見病害的識(shí)別與防治[J]. 農(nóng)業(yè)與技術(shù)，2017，37（18）：44.

[4] REN S， HE K， 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，2016，39（6）：1137-1149.

[5] THEODORIDIS S，KOUTROUMBAS K. Lecture notes in computer science[J]. Algorithmica，2016，540（8）：169-195.

[6] 陳桂珍，龔聲蓉. 計(jì)算機(jī)視覺及模式識(shí)別技術(shù)在農(nóng)業(yè)生產(chǎn)領(lǐng)域的應(yīng)用[J]. 江蘇農(nóng)業(yè)科學(xué)，2015，43（8）：409-413.

[7] 黃麗明，王懿祥，徐 琪，等. 采用YOLO算法和無人機(jī)影像的松材線蟲病異常變色木識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37（14）：197-203.

[8] 劉天真，滕桂法，苑迎春，等. 基于改進(jìn)YOLOv3的自然場景下冬棗果實(shí)識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（5）：17-25.

[9] FARJON G， KRIKEB O， HILLEL A B， et al. Detection and counting of flowers on apple trees for better chemical thinning decisions[J]. Precision Agriculture，2019，21（3）：503-521.

[10] FERENTINOS K P. Deep learning models for plant disease detection and diagnosis[J]. Computers and Electronics in Agriculture，2018，145：311-318.

[11] 蘇俊楷，段先華，葉趙兵. 改進(jìn)YOLOv5算法的玉米病害檢測研究[J]. 計(jì)算機(jī)科學(xué)與探索，2023，17（4）：933-941.

[12] 徐會(huì)杰，黃儀龍，劉 曼. 基于改進(jìn)YOLOv3模型的玉米葉片病蟲害檢測與識(shí)別研究[J]. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2022，45（6）：1276-1285.

[13] 周 維，牛永真，王亞煒，等. 基于改進(jìn)的YOLOv4-GhostNet水稻病蟲害識(shí)別方法[J]. 江蘇農(nóng)業(yè)學(xué)報(bào)，2022，38（3）：685-695.

[14] 邢潔潔，謝定進(jìn)，楊然兵，等. 基于YOLOv5s的農(nóng)田垃圾輕量化檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2022，38（19）：153-161.

[15] 張振國，邢振宇，趙敏義，等. 改進(jìn)YOLOv3的復(fù)雜環(huán)境下紅花絲檢測方法[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（3）：162-170.

[16] 王衛(wèi)星，劉澤乾，高 鵬，等. 基于改進(jìn)YOLOv4的荔枝病蟲害檢測模型[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（5）：227-235.

[17] 陳玉沖，龍夢玲，郭 輝，等. 灰飛虱研究的文獻(xiàn)計(jì)量分析[J]. 江蘇科技信息，2021，38（15）：22-25，53.

[18] 楊春媛. 玉米常見病害的發(fā)病癥狀及防治措施[J]. 鄉(xiāng)村科技，2017（24）：63-64.

[19] 路興濤，吳翠霞，張 勇，等. 玉米灰飛虱與粗縮病的發(fā)生規(guī)律及綜合防治策略[J]. 安徽農(nóng)業(yè)科學(xué)，2013，41（19）：8168-8169.

[20] ?REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once：unified，real-time object detection[C]. New York：IEEE，2016.

[21] REDMON J， FARHADI A. YOLOv3：an incremental improvement[J]. arXiv Preprint，2018.DOI：10.48550/arXiv.1804.02767.

[22] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4：optimal speed and accuracy of object detection[J]. arXiv Preprint，2020.DOI：10.48550/arXiv.2004.10934.

[23] 郭 磊，王邱龍，薛 偉，等. 基于改進(jìn)YOLOv5的小目標(biāo)檢測算法[J]. 電子科技大學(xué)學(xué)報(bào)，2022，51（2）：251-258.

[24] 李文婧，徐國偉，孔維剛，等. 基于改進(jìn)YOLOv4的植物葉莖交點(diǎn)目標(biāo)檢測研究[J]. 計(jì)算機(jī)工程與應(yīng)用，2022，58（4）：221-228.

[25] LIU Y C，SHAO Z R，TENG Y，et al. NAM：normalization-based attention module[J]. arXiv Preprint，2021.DOI：10.48550/arXiv.2111.12419.

[26] 孔德鵬，常天慶，戴文君，等. 基于排序選擇和精英引導(dǎo)的改進(jìn)人工蜂群算法[J]. 控制與決策，2019，34（4）：781-786.

[27] WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module[M]. Cham：Springer International Publishing，2018.

[28] YU J， JIANG Y， WANG Z， et al. Unitbox： an advanced object detection network[J]. ACM，2016.DOI：10.1145/2964284.2967274.

[29] ZHANG Y F， REN W， HANG Z， et al. Focal and efficient IOU loss for accurate bounding box regression[J]. Neurocomputing，2022，506：146-157.

（責(zé)任編輯：陳海霞）