摘要：針對(duì)真實(shí)場(chǎng)景下復(fù)雜的茶葉病害特征檢測(cè)準(zhǔn)確率低、誤檢率和漏檢率高，以及難以進(jìn)行移動(dòng)設(shè)備上部署等問(wèn)題，提出一種基于YOLO v8-Tea的茶葉病害檢測(cè)算法。該算法是在YOLO v8的基礎(chǔ)上做的改進(jìn)，首先，替換了C2f中的Bottleneck，采用FasterBlock來(lái)減少參數(shù)量和計(jì)算量。同時(shí)，引入了多尺度注意力EMA模塊，以增強(qiáng)全局上下文信息的獲取。最后，采用BiFPN模塊，以更好地融合多尺度特征，并改進(jìn)了頸部網(wǎng)絡(luò)，以提高檢測(cè)精度。結(jié)果表明，YOLO v8-Tea算法在平均精度方面比傳統(tǒng)YOLO v8n提高了5.7百分點(diǎn)，從而能更準(zhǔn)確地檢測(cè)復(fù)雜的茶葉病害特征。與此同時(shí)，模型的參數(shù)量和計(jì)算量分別減少了47.9%和28.4%，模型的權(quán)重文件的大小減小了45.2%，僅為3.4 M。YOLO vs-Tea算法的平均精度比經(jīng)典的YOLO系列算法中的YOLO v4-tiny、YOLO v5n、YOLO v6n、YOLO v7-tiny分別提高24.6、6.8、5.5、2.5百分點(diǎn)。這些改進(jìn)使得本研究算法更適合茶葉病害檢測(cè)任務(wù)以及在移動(dòng)設(shè)備中的高效部署。該算法在茶葉病害檢測(cè)方面取得了顯著的性能提升。通過(guò)降低參數(shù)量和計(jì)算量以及優(yōu)化模型的部署，為實(shí)際農(nóng)業(yè)場(chǎng)景中的茶葉病害檢測(cè)提供了一個(gè)更可行的解決方案，為茶葉產(chǎn)業(yè)提供了有前景的技術(shù)，可以提高茶葉病害檢測(cè)的效率和準(zhǔn)確性。

關(guān)鍵詞：茶葉病害；檢測(cè)；YOLO v8-Tea；FasterBlock；EMA；BiFPN

中圖分類(lèi)號(hào)：TP391.41；TP183；S435.711  文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1002-1302（2024）15-0213-09

收稿日期：2023-09-22

基金項(xiàng)目：國(guó)家自然科學(xué)基金面上項(xiàng)目（編號(hào)：62077018）；湖北省自然科學(xué)基金（編號(hào)：2023AFB082）。

作者簡(jiǎn)介：賈瀛睿（1999—），女，吉林吉林人，碩士研究生，主要研究方向?yàn)樯疃葘W(xué)習(xí)與目標(biāo)檢測(cè)。E-mail：2022710658@yangtzeu.edu.cn。

通信作者：胡蓉華，博士，講師，研究方向?yàn)榫W(wǎng)絡(luò)與信息安全。E-mail：hrh2016@yangtzeu.edu.cn。

茶葉作為世界范圍內(nèi)的農(nóng)產(chǎn)品，在多個(gè)國(guó)家的經(jīng)濟(jì)和社會(huì)領(lǐng)域中扮演著至關(guān)重要的角色。其地位不僅僅因?yàn)槠湄S富的歷史和文化傳承，更因?yàn)槠湓趪?guó)內(nèi)外市場(chǎng)中的廣泛應(yīng)用，以及對(duì)數(shù)百萬(wàn)家庭的生計(jì)支持。然而，盡管對(duì)茶葉產(chǎn)業(yè)的前景看好，茶葉病害的爆發(fā)和傳播依然是一個(gè)嚴(yán)重的挑戰(zhàn)。

為解決這些問(wèn)題，近年來(lái)，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)在茶葉病害識(shí)別領(lǐng)域取得了顯著進(jìn)展，為茶葉產(chǎn)業(yè)的可持續(xù)發(fā)展提供了新的希望。Billah等提出一種識(shí)別茶葉病害的模型，使用自適應(yīng)神經(jīng)模糊推理系統(tǒng)和顏色小波特征進(jìn)行茶病害識(shí)別，能夠準(zhǔn)確識(shí)別茶葉圖像中的病害［1］。Hossain等使用支持向量機(jī)分類(lèi)器SVM來(lái)識(shí)別茶葉病害中的褐枯病和藻葉病，提高了檢測(cè)、鑒定和分類(lèi)茶葉病害的效率［2］。Sun等提出了一種將簡(jiǎn)單線性迭代聚類(lèi)與支持向量機(jī)相結(jié)合的新方法，能夠有效從復(fù)雜背景中提取茶葉病害中顯著的特征［3］。Yang等提出了基于快速紅外熱圖像處理技術(shù)的茶病害檢測(cè)，通過(guò)病害的規(guī)律性和分布實(shí)現(xiàn)了快速檢測(cè)［4］。但是，經(jīng)典機(jī)器學(xué)習(xí)方法在植物病害檢測(cè)中依賴(lài)于手工特征工程，需要專(zhuān)家知識(shí)來(lái)選擇和設(shè)計(jì)特征，而這些特征可能不適用于不同類(lèi)型的病害和植物品種。而且，在處理復(fù)雜的圖像變化和細(xì)微特征時(shí)表現(xiàn)不佳，難以適應(yīng)植物病害的多樣性和復(fù)雜性，導(dǎo)致其泛化能力有限，可能在實(shí)際應(yīng)用中面臨性能挑戰(zhàn)。

深度學(xué)習(xí)技術(shù)通過(guò)神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)圖像特征，無(wú)需手工工程，能夠更好地應(yīng)對(duì)復(fù)雜的植物病害檢測(cè)任務(wù)。Hu等提出了一種在自然場(chǎng)景圖像中茶葉枯病嚴(yán)重程度的估計(jì)方法，能夠有效地從茶葉中分割出疾病斑點(diǎn)的區(qū)域，并計(jì)算初始疾病嚴(yán)重程度指數(shù)［5］。Li等將Mask R-CNN、小波變換和F-RNet融合起來(lái)構(gòu)建了一個(gè)茶葉病蟲(chóng)害癥狀識(shí)別框架，結(jié)果表明，F(xiàn)-RNet模型的準(zhǔn)確率高于AlexNet、VGG16和ResNet18等模型［6］。Xue等提出了一種基于YOLO-Tea的茶葉病蟲(chóng)害檢測(cè)模型，在光線良好的情況下能夠更好地關(guān)注茶葉病蟲(chóng)害的特征［7］。Lin等提出了一種基于注意力機(jī)制和特征融合的茶葉病害檢測(cè)模型，提高了抗復(fù)雜背景干擾的能力和全局特征提取的能力，能夠完成實(shí)時(shí)監(jiān)測(cè)［8］。

然而，現(xiàn)有的深度學(xué)習(xí)模型仍然存在一些挑戰(zhàn)。其中，模型的訓(xùn)練時(shí)間、檢測(cè)速度以及模型的大小對(duì)于實(shí)際農(nóng)業(yè)場(chǎng)景的應(yīng)用構(gòu)成了限制。在這個(gè)背景下，本研究提出了一種基于YOLO v8-Tea的茶葉病害檢測(cè)算法，該算法通過(guò)改進(jìn)YOLO v8，旨在提高模型的檢測(cè)精度，并將模型輕量化，以滿足在移動(dòng)設(shè)備終端進(jìn)行實(shí)時(shí)監(jiān)測(cè)的需求。本研究的主要貢獻(xiàn)包括以下方面：

（1）替換C2f中的Bottleneck為FasterBlock，有效減少了模型的參數(shù)量和計(jì)算量。這一改進(jìn)不僅提高了模型的運(yùn)行效率，還保持了檢測(cè)性能的穩(wěn)定性［9］。

（2）添加EMA模塊，以增強(qiáng)模型對(duì)全局上下文信息的獲取能力。這有助于模型更好地理解圖像中不同尺度特征之間的關(guān)聯(lián)，從而提高了檢測(cè)的準(zhǔn)確性［10］。

（3）引入BiFPN模塊，該模塊有助于將來(lái)自不同尺度的特征信息有效地整合在一起，提高了模型對(duì)目標(biāo)的檢測(cè)和定位能力［11］。

（4）改進(jìn)頸部網(wǎng)絡(luò)，以進(jìn)一步提高檢測(cè)的精度。通過(guò)優(yōu)化頸部網(wǎng)絡(luò)的結(jié)構(gòu)，成功降低了誤檢率和漏檢率，并提高了模型在實(shí)際農(nóng)業(yè)場(chǎng)景中的表現(xiàn)。

1 材料與方法

1.1 數(shù)據(jù)集介紹

試驗(yàn)數(shù)據(jù)集是來(lái)源于Roboflow中的Tea leaves diseases數(shù)據(jù)集，包含1 153張真實(shí)場(chǎng)景下拍攝的茶葉病害圖片，其中包括茶葉中常見(jiàn)的藻斑病、云紋葉枯病、灰疫病3種病害。因?yàn)?張圖片中可能會(huì)存在多種病害特征，所以數(shù)據(jù)集經(jīng)過(guò)人工預(yù)處理，通過(guò)labelimg標(biāo)注軟件在原始數(shù)據(jù)集上對(duì)遺漏、偏移、錯(cuò)誤等的標(biāo)簽數(shù)據(jù)集進(jìn)行人工標(biāo)注，得到xml格式的標(biāo)注文件，進(jìn)而將xml格式文件轉(zhuǎn)為YOLO訓(xùn)練的txt格式文件，然后將數(shù)據(jù)集按照8 ∶1 ∶1進(jìn)行劃分訓(xùn)練集、驗(yàn)證集、測(cè)試集。

1.2 YOLO v8網(wǎng)絡(luò)結(jié)構(gòu)

YOLO v8作為最新的YOLO系列［12-19］ 的模型，根據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的深度和寬度可分為n、s、m、l和x共5個(gè)網(wǎng)絡(luò)模型，其中YOLO v8n是體積最小網(wǎng)絡(luò)模型，其模型結(jié)構(gòu)由輸入端、主干網(wǎng)絡(luò)、頸部、輸出端4個(gè)部分組成，具體如圖1所示。輸入端包括數(shù)據(jù)增強(qiáng)、自適應(yīng)錨框和圖片縮放等數(shù)據(jù)預(yù)處理操作；主干網(wǎng)絡(luò)部分跟YOLO v5不同的是將C3模塊換成了C2f模塊，C2f模塊通過(guò)密集的殘差結(jié)構(gòu)增強(qiáng)了卷積神經(jīng)網(wǎng)絡(luò)的特征融合能力，通過(guò)拆分和拼接操作改變了通道數(shù)，使主干網(wǎng)絡(luò)更輕量化，也提高了推理速度。尾部采用的SPPF空間金字塔池化層來(lái)增強(qiáng)主干網(wǎng)絡(luò)的感受野，并融合不同尺度下的特征；頸部采用了PANet結(jié)構(gòu)和C2f模塊來(lái)進(jìn)行特征聚合，將淺層信息向深層信息進(jìn)行聚合；輸出端采用了解耦頭結(jié)構(gòu)，將檢測(cè)和分類(lèi)進(jìn)行分離，根據(jù)p3、p4和p5這3個(gè)解耦頭來(lái)檢測(cè)不同尺度下的物體。

1.3 YOLO v8-Tea網(wǎng)絡(luò)結(jié)構(gòu)

本研究算法YOLO v8-Tea是在YOLO v8的基礎(chǔ)上做出的改進(jìn)，如圖2所示。將FasterBlock和EMA整合為Faster_EMA模塊，取代C2f中的Bottleneck模塊，形成C2f_Faster_EMA，以替代原網(wǎng)絡(luò)中所有C2f模塊。然后將頸部網(wǎng)絡(luò)替換為本研究改進(jìn)的頸部網(wǎng)絡(luò)，并將Fusion參數(shù)設(shè)置為本研究所采用的BiFPN結(jié)構(gòu)。

1.3.1 FasterBlock模塊

在YOLO v8n原始的C2f模塊中，通過(guò)堆疊很多Bottleneck結(jié)構(gòu)，雖然可以使得主干網(wǎng)絡(luò)能夠?qū)W習(xí)到不同尺度下的特征，但是同時(shí)也導(dǎo)致通道信息的過(guò)度冗余和較大的計(jì)算量。在本研究算法中，為減少主干網(wǎng)絡(luò)中計(jì)算復(fù)雜度，以便于更好地充分利用設(shè)備上的計(jì)算能力，同時(shí)提高主干網(wǎng)絡(luò)的空間特征提取能力，用FasterBlock模塊替換掉了C2f中的Bottleneck結(jié)構(gòu)。

FasterBlock模塊如圖3所示 先通過(guò)一個(gè)PConv卷積層，與常規(guī)卷積不同的是PConv在保持其他通道不變的情況下，只會(huì)在輸入通道上的一部分做常規(guī)的卷積來(lái)進(jìn)行空間特征提取。因此，這樣就會(huì)減少后續(xù)卷積層的計(jì)算和內(nèi)存訪問(wèn)，使得PConv的FLOPs是常規(guī)卷積的1/16，內(nèi)存訪問(wèn)量是常規(guī)卷積的1/4。后面接著進(jìn)行了2個(gè)1×1的卷積層，來(lái)完成前面PConv未卷積的部分。第1個(gè) 1× 1卷積層用于降低特征通道的數(shù)量，以減少計(jì)算成本和參數(shù)量。接著進(jìn)行歸一化和激活函數(shù)操作，引入非線性性質(zhì)，使得模型能夠?qū)W習(xí)非線性特征變換，以更好地適應(yīng)特征的復(fù)雜性。第2個(gè)1×1卷積層用于調(diào)整特征通道的數(shù)量，來(lái)保證輸入和輸出的維度統(tǒng)一，以便于后面的殘差連接。因此，在改進(jìn)的模型上很大程度減少了參數(shù)量和計(jì)算量，并提高了模型的檢測(cè)精度，在試驗(yàn)結(jié)果中也得到了驗(yàn)證。

1.3.2 EMA注意力機(jī)制

為了在提取特征時(shí)就考慮到通道位置和空間位置之間的相互作用，又能充分利用上下文信息，同時(shí)又一定程度上降低模型的復(fù)雜度，本研究在YOLO v8n中引入了EMA注意力模塊，如圖4所示，主要可以分為特征分組、并行子網(wǎng)、跨空間學(xué)習(xí)3個(gè)部分。

1.3.2.1 特征分組

首先，EMA將輸入特征圖的通道維度劃分為g個(gè)子特征，其中每個(gè)子特征都用來(lái)獲得更多的語(yǔ)義信息。并且在不損失一般性的前提下，每個(gè)注意力權(quán)重描述符都可以用來(lái)表示每個(gè)子特征中的感興趣區(qū)域。

1.3.2.2 并行子網(wǎng)

然后將劃分好的子特征通過(guò)一個(gè)3條平行路線的并行子網(wǎng)，其中通過(guò)2個(gè)1×1分支先分別沿2個(gè)空間方向?qū)νǖ肋M(jìn)行全局平均池化操作，再通過(guò)共享權(quán)值的1×1卷積，隨后通過(guò)Sigmoid激活函數(shù)來(lái)擬合線性卷積后的二維分布，繼而跟原子特征進(jìn)行殘差連接，這樣能夠聚合多尺度空間結(jié)構(gòu)信息。3×3分支路徑通過(guò)3×3卷積來(lái)捕獲局部跨通道交互以擴(kuò)大特征空間，同時(shí)采用并行放置以實(shí)現(xiàn)快速響應(yīng)。

1.3.2.3 跨空間學(xué)習(xí)

在這里是引入了2個(gè)1×1分支的輸出和3×3分支的輸出來(lái)進(jìn)行不同空間維度方向的跨空間信息聚合方法。先利用組歸一化來(lái)處理1×1分支的輸出，隨后利用二維全局平均池化來(lái)進(jìn)行全局空間信息編碼，并且將最小支路的輸出轉(zhuǎn)化為對(duì)應(yīng)的維度形狀。繼而通過(guò)二維高斯映射的自然非線性函數(shù)Softmax來(lái)擬合以上的線性變換，并將輸出結(jié)果與矩陣點(diǎn)積運(yùn)算相乘，就得到了第1個(gè)空間注意力特征圖，同時(shí)也收集了不同尺度的空間信息。在處理3×3分支的輸出結(jié)果時(shí)同樣采用二維全局平均池化進(jìn)行全局空間信息的編碼，隨后經(jīng)過(guò)Softmax函數(shù)，并轉(zhuǎn)換為相應(yīng)的維度形狀，就得到了第2個(gè)空間注意力特征圖。

最后將生成的2個(gè)特征圖的權(quán)重進(jìn)行聚合，然后使用Sigmoid函數(shù)，這樣最后的輸出結(jié)果即捕獲像素級(jí)的成對(duì)關(guān)系，也突出顯示所有像素的全局上下文。通過(guò)試驗(yàn)結(jié)果可得，將EMA放入到本研究改進(jìn)的模型中是有效的。

1.3.3 BiFPN結(jié)構(gòu)

雖然PAnet的目標(biāo)是改進(jìn)特征金字塔網(wǎng)絡(luò)，但它引入了大量的額外復(fù)雜性。PAnet的多路徑聚合結(jié)構(gòu)包括多個(gè)路徑選擇和路徑權(quán)重組件，這增加了模型的復(fù)雜性和計(jì)算成本。復(fù)雜性不僅體現(xiàn)在模型的設(shè)計(jì)中，還包括訓(xùn)練和部署的難度。需要大量的計(jì)算資源來(lái)訓(xùn)練PAnet，并且在實(shí)際應(yīng)用中，部署一個(gè)復(fù)雜的模型可能會(huì)受到硬件限制。這些問(wèn)題引出了BiFPN結(jié)構(gòu)作為一種更好的替代方案的可能性。由圖5可知，BiFPN被設(shè)計(jì)為解決PAnet的復(fù)雜性問(wèn)題，同時(shí)提供更高的效率和靈活性。相對(duì)于PAnet的多路徑聚合，BiFPN引入了自適應(yīng)的連接權(quán)重，從而降低了模型的復(fù)雜性。這種自適應(yīng)性使得BiFPN更容易訓(xùn)練和調(diào)整，并且在資源有限的情況下也能夠高效運(yùn)行。

BiFPN通過(guò)引入自適應(yīng)連接權(quán)重來(lái)簡(jiǎn)化特征金字塔網(wǎng)絡(luò)，提高了效率和靈活性，同時(shí)降低了訓(xùn)練和部署的難度。因此，將PAnet替換為BiFPN可能是一個(gè)明智的選擇，在后面改進(jìn)模型的試驗(yàn)結(jié)果中也證明了其有效性。

1.3.4 改進(jìn)頸部網(wǎng)絡(luò)

在原始YOLO v8網(wǎng)絡(luò)結(jié)構(gòu)中，頸部網(wǎng)絡(luò)可能不夠靈活，難以適應(yīng)各種不同的任務(wù)需求，它的設(shè)計(jì)可能過(guò)于通用，不能有效地滿足特定任務(wù)的要求。這可能導(dǎo)致性能下降，尤其是在復(fù)雜的計(jì)算機(jī)視覺(jué)任務(wù)中。在許多計(jì)算機(jī)視覺(jué)任務(wù)中，多尺度信息對(duì)于準(zhǔn)確的目標(biāo)檢測(cè)非常重要。然而，原始頸部網(wǎng)絡(luò)可能沒(méi)有足夠的機(jī)制來(lái)處理不同尺度上的特征，從而可能導(dǎo)致遺漏或錯(cuò)誤檢測(cè)目標(biāo)。由于本研究使用的茶葉病害數(shù)據(jù)集中，病害的特征復(fù)雜，特征大小不統(tǒng)一，因此為了更好地滿足茶葉病害特征的目標(biāo)檢測(cè)，本研究通過(guò)修改頸部網(wǎng)絡(luò)結(jié)構(gòu)，來(lái)增加模型的靈活性和多尺度感知能力，使其更加適用于實(shí)際應(yīng)用場(chǎng)景。

首先，如圖6所示，因?yàn)锽iFPN結(jié)構(gòu)中涉及到一些add（數(shù)值相加）操作，所以本研究將頸部網(wǎng)絡(luò)的通道數(shù)都固定為256，然后在原始頸部網(wǎng)絡(luò)結(jié)構(gòu)上先添加了3個(gè)卷積層，將主干網(wǎng)絡(luò)中的p2、p3、p4、p5的輸出的通道數(shù)進(jìn)行統(tǒng)一，以便于后續(xù)的融合操作。并且把主干網(wǎng)絡(luò)中的p2也給充分利用起來(lái)，通過(guò)1個(gè)卷積層就能多添加1個(gè)節(jié)點(diǎn)，省去了前面的操作，也能夠?yàn)槟Ｐ瓦M(jìn)一步提升多尺度感知能力。最后在頸部網(wǎng)絡(luò)后再添加了3層，分別是Conv、Fusion、C2f，這樣能夠幫助網(wǎng)絡(luò)更好地學(xué)習(xí)圖像特征，提高模型的表示能力，并且通過(guò)Fusion層來(lái)融合不同層的信息，增加多尺度目標(biāo)的感知能力。本研究改進(jìn)的頸部網(wǎng)絡(luò)中，F(xiàn)usion的融合方式有Weight、Adaptive、Concat和BiFPN這4個(gè)方式，而本研究使用的是BiFPN的方式，其有效性也2146c8e2fe6e1b197f01e6d441e9ad830b50b987d6d17616fa9bca0572d39151在后面的試驗(yàn)部分得到了證明［20］。

2 結(jié)果與分析

2.1 評(píng)價(jià)指標(biāo)

本研究采用的評(píng)價(jià)指標(biāo)有Precision、Recall、mAP、參數(shù)量、計(jì)算量、模型權(quán)重大小。其中，Precision是指模型所識(shí)別的目標(biāo)中真正正確的比例。它衡量了模型的準(zhǔn)確性，高精確率表示模型更少地將錯(cuò)誤的對(duì)象識(shí)別為目標(biāo)。定義如下：

Precision=TPTP+FP×100%。（1）

Recall是指模型成功識(shí)別的目標(biāo)占實(shí)際目標(biāo)總數(shù)的比例。它衡量了模型是否能夠捕獲到所有實(shí)際目標(biāo)，高召回率表示模型漏掉的目標(biāo)較少。定義如下：

Recall=TPTP+FN×100%。（2）

式中：TP表示檢測(cè)結(jié)果中正確目標(biāo)的個(gè)數(shù)，F(xiàn)P表示檢測(cè)結(jié)果中錯(cuò)誤目標(biāo)的個(gè)數(shù)，F(xiàn)N表示正確目標(biāo)中缺失目標(biāo)的個(gè)數(shù)。

mAP是一種綜合評(píng)價(jià)指標(biāo)，它考慮了不同類(lèi)別的精確率和召回率，并計(jì)算它們的平均值。較高的mAP表示模型在多個(gè)類(lèi)別上表現(xiàn)良好。定義如下：

mAP=1n∑ni=1∫10Precision（Recall）d（Recall）。（3）

參數(shù)量表示模型的復(fù)雜度，較低的值通常表示模型更輕量化，有助于在資源有限的情況下部署。計(jì)算量是模型進(jìn)行推理所需的浮點(diǎn)運(yùn)算次數(shù)的度量。它可以幫助評(píng)估模型的計(jì)算資源需求，對(duì)于在嵌入式設(shè)備或云計(jì)算環(huán)境中部署模型非常有用。模型權(quán)重大小即存儲(chǔ)模型所需的內(nèi)存空間，較小的模型大小通常意味著更輕量化和更容易部署。

2.2 試驗(yàn)環(huán)境配置

本試驗(yàn)是使用PyTorch作為網(wǎng)絡(luò)框架，硬件環(huán)境配置為NVIDIA GeForce RTX 3080，顯存12 G，編譯環(huán)境為Python 3.8.16+torch 2.0.0+CUDA1 1.8。在訓(xùn)練時(shí)，超參數(shù)設(shè)置批大小為32，訓(xùn)練周期為300，初始學(xué)習(xí)率為0.01。試驗(yàn)時(shí)間為2023年7—9月，試驗(yàn)地點(diǎn)為長(zhǎng)江大學(xué)農(nóng)學(xué)院與計(jì)算機(jī)科學(xué)學(xué)院。

2.3 消融試驗(yàn)

2.3.1 FasterBlock和新頸部消融試驗(yàn)

為驗(yàn)證用FasterBlock模塊替換掉Bottleneck模塊和改進(jìn)的頸部網(wǎng)絡(luò)對(duì)網(wǎng)絡(luò)性能的影響，設(shè)計(jì)了如表1所示的消融試驗(yàn)?？梢钥闯?，改進(jìn)1和改進(jìn)2分別將改進(jìn)后的新頸部和FasterBlock引入到原YOLO v8n模型后，根據(jù)它們的結(jié)構(gòu)特性，模型權(quán)重大小、參數(shù)量和計(jì)算量都有所下降，而且模型精度也有所提升。改進(jìn)3是將2個(gè)改進(jìn)點(diǎn)融合的試驗(yàn)結(jié)果，雖然模型的精度僅提升了0.5百分點(diǎn)，但是模型的權(quán)重、參數(shù)量和計(jì)算量比改進(jìn)1和改進(jìn)2都要少。因此，根據(jù)試驗(yàn)結(jié)果可證明這2個(gè)改進(jìn)的有效性。

2.3.2 EMA消融試驗(yàn)

本研究引入EMA注意力機(jī)制后，為驗(yàn)證其在不同位置與網(wǎng)絡(luò)性能的關(guān)系，設(shè)計(jì)了表2所示的消融試驗(yàn)?？梢钥闯?，改進(jìn)1和改進(jìn)2將EMA融入到原始頸部網(wǎng)絡(luò)和主干網(wǎng)絡(luò)后，雖然mAP有所提升，但是對(duì)模型的權(quán)重、參數(shù)量和計(jì)算量影響不大，并沒(méi)有下降。隨后改進(jìn)3和改進(jìn)4是在C2f替換了FasterBlock之后EMA融入到原始頸部網(wǎng)絡(luò)和主干網(wǎng)絡(luò)所得的結(jié)果，在改進(jìn)1和改進(jìn)2的基礎(chǔ)上，模型的權(quán)重大小、參數(shù)量和計(jì)算量都有所下降。最后改進(jìn)5是將EMA融入到FasterBlock模塊中，結(jié)果表明，在改進(jìn)3和改進(jìn)4的基礎(chǔ)上，模型的mAP又有所提升，可得出將EMA融入到FasterBlock模塊中是最有效的。

2.3.3 最終消融試驗(yàn)

為驗(yàn)證本研究所有改進(jìn)點(diǎn)的有效性，建立了改進(jìn)1、改進(jìn)2、改進(jìn)3、YOLO v8-Tea這4個(gè)模型進(jìn)行試驗(yàn)。改進(jìn)1是將所有的C2f中的Bottleneck模塊替換為FasterBlock模塊；改進(jìn)2是在FasterBlock中加入了EMA注意力機(jī)制；改進(jìn)3是在前面改進(jìn)基礎(chǔ)上將頸部網(wǎng)絡(luò)替換為新的頸部網(wǎng)絡(luò)；最后，YOLO v8-Tea是本研究的改進(jìn)算法，將4個(gè)改進(jìn)點(diǎn)融合起來(lái)。由表3可看出，本研究的YOLO v8-Tea相較于原始YOLO v8n，mAP50提升了5.7百分點(diǎn)，參數(shù)量減少47.9%，計(jì)算量降低了28.4%，模型的權(quán)重減少了45.2%。試驗(yàn)結(jié)果表明，本研究算法有效地降低了模型在移動(dòng)終端部署難度與成本，并且使得算法在檢測(cè)茶葉病害的精度上有了較大的提升。

2.4 對(duì)比試驗(yàn)

由表4可知，通過(guò)對(duì)比所有模型的性能指標(biāo)，可以清晰地看出本研究提出的YOLO v8-Tea算法在目標(biāo)檢測(cè)任務(wù)中具有明顯優(yōu)越性。首先 YOLO v8-Tea 的mAP50達(dá)到了75.0%，明顯高于其他模型，表明其在物體定位方面具有出色的準(zhǔn)確性。與Faster RCNN相比，YOLO v8-Tea的性能提高了超過(guò)20百分點(diǎn)，這意味著它在檢測(cè)較難的物體上表現(xiàn)出了更好的性能，具備更高的魯棒性［21］。此外，YOLO v8-Tea在模型參數(shù)量、計(jì)算復(fù)雜度和模型大小方面也表現(xiàn)出眾。它具有僅1.567 M的模型參數(shù)量，相對(duì)較小的模型體積，適合嵌入式設(shè)備和移動(dòng)端應(yīng)用。同時(shí)，它的計(jì)算復(fù)雜度只有5.8 G，這意味著在保持高性能的同時(shí)，能夠?qū)崿F(xiàn)快速的推理速度。

綜上所述，本研究提出的YOLO v8-Tea算法在mAP、參數(shù)量、計(jì)算復(fù)雜度和模型大小等多個(gè)方面均表現(xiàn)出較大的優(yōu)勢(shì)，具有高性能和輕量化特性，使其在茶葉病害檢測(cè)中具有廣泛的應(yīng)用潛力。

2.5 可視化結(jié)果分析

為直觀體現(xiàn)本研究算法的有效性，通過(guò)對(duì)比5組圖片，分別使用傳統(tǒng)的YOLO v8n算法和本研究算法YOLO v8-Tea對(duì)5張?jiān)紙D片進(jìn)行檢測(cè)，詳見(jiàn)圖7。從對(duì)比圖中可以看出，YOLO v8-Tea較原始YOLO v8n的檢測(cè)精度有所提升。通過(guò)第2組和第3組對(duì)比圖可以看出，原始YOLO v8n在復(fù)雜環(huán)境中將經(jīng)陽(yáng)光暴曬的茶葉和枝干誤檢。通過(guò)第4組和第5組對(duì)比圖可以看出，原始YOLO v8n存在漏檢，而YOLO v8-Tea對(duì)茶葉病害特征的注意力更為集中，提高了病害特征的識(shí)別率?？偟膩?lái)說(shuō)，改進(jìn)后的算法在提高精度的同時(shí)，還減少了誤檢率和漏檢率，更適合在真實(shí)的復(fù)雜場(chǎng)景中對(duì)茶葉病害進(jìn)行檢測(cè)。

3 結(jié)論

針對(duì)真實(shí)場(chǎng)景下茶葉病害檢測(cè)的識(shí)別任務(wù)，本研究提出了一種基于YOLO v8-Tea的茶葉病害檢測(cè)方法。首先，通過(guò)用Faster block模塊替換Bottleneck模塊和引入新頸部網(wǎng)絡(luò)，觀察到模型的性能在精度方面有所提高，同時(shí)參數(shù)量、計(jì)算復(fù)雜度和模型大小都有所減少。這表明這些改進(jìn)點(diǎn)在提高模型性能的同時(shí)也有助于輕量化。其次，本研究引入了EMA注意力機(jī)制，并進(jìn)行了一系列消融試驗(yàn)，以探討其在不同位置融入網(wǎng)絡(luò)的影響。結(jié)果表明，在將EMA注意力機(jī)制融入到C2f_Faster模塊中時(shí)，模型性能獲得了最大提升。最后，與其他相關(guān)模型相比，YOLO v8-Tea在mAP50和mAP50～95 方面都表現(xiàn)出色，分別達(dá)到了75.0%和51.6%，模型參數(shù)量?jī)H為1.567 M，計(jì)算復(fù)雜度為5.8 G，模型權(quán)重比原始YOLO v8n減少了45.2%。這使得YOLO v8-Tea成為一種出色的目標(biāo)檢測(cè)算法，適用于多種應(yīng)用場(chǎng)景，包括嵌入式系統(tǒng)和移動(dòng)端應(yīng)用。

綜上所述，本研究提出的YOLO v8-Tea算法在目標(biāo)檢測(cè)任務(wù)中取得了較好的性能優(yōu)勢(shì)，同時(shí)實(shí)現(xiàn)了模型的輕量化，為真實(shí)場(chǎng)景下茶葉病害檢測(cè)的應(yīng)用提供了更高效、更準(zhǔn)確的解決方案。未來(lái)的研究方向可以包括進(jìn)一步優(yōu)化算法、提高茶葉病害的檢測(cè)精度以及在實(shí)際中部署到移動(dòng)設(shè)備中進(jìn)行茶葉病害的檢測(cè)。

參考文獻(xiàn)：

［1］Billah M，Badrul M，Hanifa A，et al. Adaptive neuro fuzzy inference system based tea leaf disease recognition using color wavelet features［J］. Communications on Applied Electronics，2015，3（5）：1-4.

［2］Hossain S，Mou R M，Hasan M M，et al. Recognition and detection of tea leafs diseases using support vector machine［C］//2018 IEEE 14th International Colloquium on Signal Processing & Its Applications （CSPA）.Penang，Malaysia：IEEE，2018：150-154.

［3］Sun Y Y，Jiang Z H，Zhang L P，et al. SLIC_SVM based leaf diseases saliency map extraction of tea plant［J］. Computers and Electronics in Agriculture，2019，157：102-109.

［4］Yang N，Yuan M F，Wang P，et al. Tea diseases detection based on fast infrared thermal image processing technology［J］. Journal of the Science of Food and Agriculture，2019，99（7）：3459-3466.

［5］Hu G S，Wei K，Zhang Y，et al. Estimation of tea leaf blight severity in natural scene images［J］. Precision Agriculture，2021，22（4）：1239-1262.

［6］Li H，Shi H T，Du A H，et al. Symptom recognition of disease and insect damage based on Mask R-CNN，wavelet transform，and F-RNet［J］. Frontiers in Plant Science，2022，13：922797.

［7］Xue Z Y，Xu R J，Bai D，et al. YOLO-tea：a tea disease detection model improved by YOLO v5［J］. Forests，2023，14（2）：415.

［8］Lin J，Bai D，Xu R J，et al. TSBA-YOLO：an improved tea diseases detection model based on attention mechanisms and feature fusion［J］. Forests，2023，14（3）：619.

［9］Chen J R，Kao S H，He H，et al. Run，dont walk：chasing higher FLOPS for faster neural networks［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Vancouver，BC，Canada：IEEE，2023：12021-12031.

［10］Ouyang D L，He S，Zhang G Z，et al. Efficient multi-scale attention module with cross-spatial learning［C］//2023-2023 IEEE International Conference on Acoustics，Speech and Signal Processing （ICASSP）.Rhodes Island，Greece.IEEE，2023：1-5.

［11］Tan M X，Pang R M，Le Q V.EfficientDet：scalable and efficient object detection［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle，WA，USA：IEEE，2020：10781-10790.

［12］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，NV，USA：IEEE，2016：779-788.

［13］Redmon J，F(xiàn)arhadi A. YOLO 9000：better，faster，stronger［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.Honolulu，HI，USA：IEEE，2017：6517-6525.

［14］Redmon J，F(xiàn)arhadi A. YOLO v3：an incremental improvement［EB/OL］. （2018-04-08）［2023-09-01］.http：//arxiv.org/abs/1804.02767.

［15］Bochkovskiy A，Wang C Y，Liao H Y M. YOLO v4：optimal speed and accuracy of object detection［EB/OL］. （2020-04-23）［2023-09-01］. http：//arxiv.org/abs/2004.10934.

［16］Ge Z，Liu S T，Wang F，et al. YOLOX：exceeding YOLO series in 2021［EB/OL］. （2021-07-18）［2023-09-01］. http：//arxiv.org/abs/2107.08430.

［17］Li C Y，Li L L，Jiang H L，et al. YOLO v6：a single-stage object detection framework for industrial applications［EB/OL］. （2022-09-07）［2023-09-01］. https：//arxiv.org/abs/2209.02976.

［18］Wang C Y，Bochkovskiy A，Liao H Y M. YOLO v7：trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）.Vancouver，BC，Canada：IEEE，2023：7464-7475.

［19］Xu X Z，Jiang Y Q，Chen W H，et al. DAMO-YOLO：a report on real-time object detection design［EB/OL］. （2022-11-23）［2023-09-01］. http：//arxiv.org/abs/2211.15444.

［20］Xiao J，Zhao T，Yao Y，et al. Chen，Y. Context augmentation and feature refinement network for tiny object detection［C］//Proceedings of the ICLR 2022 Conference. Virtual，2022：25-29.

［21］Ren S，He K，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Trans Pattern Anal Mach Intell，2017，39（6）：1137-1149.