Strawberry leaf disease detection method based on improved YOLOv8n

XIA Shunxing， NI Ming， LUO Youlu， HE Yinghao， ZHAO Taotao（Collegeof InformationEngineering，SichuanAgricultural University，Ya'an625O14，China）

Abstract：Inordertoimprovethedetectionabilityof targetdetectionmodelsforstrawberryleaf diseasesinorchard environment，thisstudyusedtheYOLOv8nmodelasthebaseline model，introducedthedynamicconvolution module toreplacethethirdconvolution layerof the backbone network and partoftheC2fmoduleof theneck network，introduced the GSConv and Slim-neck module toreplacetheconvolution layerand partof the C2f moduleof the neck network，and introduced the content-aware reassemblyof features （CARAFE）operator to replacethe nearestneighbor interpolation method in upsampling.An improved YOLOv8n model named YOLOv8n-DGC was proposed to improve thedetection accuracy of strawberyleaf diseases while maintaining the lightweightofthe model.Theresults showed that the meanaverage precisionwhen the intersection over union（ IoU ）threshold was 0.50 （ mAP₅₀ ），the mean average precision when the IoU was between （20 0.50 and 0.95 （ mAP_50：95 ），precision and recall rate of the improved model YOLOv8n-DGC for strawberry leaf disease detection were 2.5percentage points，1.5percentage points，.6percentage pointsand1.6percentagepoints higher thanthose of the baseline model，respectively. The model size and parameter quantity increased by 3.2% and 3.3% ，respectively， while the number of floating point of operations decreased by 8.6% . Compared with models such as Faster R-CNN，SSD， YOLOv5s，and YOLOv7-tiny，the YOLOv8n-DGC model beter achieved a balance between detectionaccuracyand ffi

Keywords：strawberry；leaf diseases；object detection；YOLOv8n；dynamic convolution;GSConv；CARAFE

草莓屬薔薇科漿果類(lèi)多年生草本植物，素有“水果皇后”的美稱(chēng)。草莓果實(shí)顏色艷麗，芳香多汁，且富含糖類(lèi)、氨基酸、維生素以及鈣、磷、鐵等多種營(yíng)養(yǎng)物質(zhì)[1-2]，具有抗氧化、抗癌、抗炎等功能[3-4]。近年來(lái)，中國(guó)草莓種植面積均較大，產(chǎn)量也較高[5]。草莓栽培過(guò)程中，病害是導(dǎo)致草莓產(chǎn)量減少、品質(zhì)下降的重要原因之一，及時(shí)并準(zhǔn)確識(shí)別病害類(lèi)型對(duì)草莓安全生產(chǎn)、果農(nóng)效益提高具有重要意義。

近年來(lái)，隨著計(jì)算機(jī)技術(shù)和人工智能的發(fā)展，特別是深度學(xué)習(xí)技術(shù)的應(yīng)用，作物病害檢測(cè)技術(shù)得到了顯著的提升。深度學(xué)習(xí)是一種基于人工神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)方法，具有強(qiáng)大的特征提取和模式識(shí)別能力[]通過(guò)對(duì)大量數(shù)據(jù)的學(xué)習(xí)，深度學(xué)習(xí)模型能夠自動(dòng)提取圖像中的復(fù)雜特征，實(shí)現(xiàn)高效、準(zhǔn)確的病害檢測(cè)。目前目標(biāo)檢測(cè)領(lǐng)域的深度學(xué)習(xí)方法主要分為兩類(lèi)：一類(lèi)是以R-CNN[7]、FastR-CNN[8]、FasterR-CNN[9]為代表的兩階段檢測(cè)算法，該類(lèi)算法分兩步完成，首先生成候選目標(biāo)區(qū)域，然后對(duì)候選目標(biāo)區(qū)域進(jìn)行分類(lèi)和定位：另一類(lèi)是以YOLO系列算法[10-13] SSD 算法[14]為代表的單階段檢測(cè)算法，該類(lèi)算法同時(shí)進(jìn)行邊界框位置判斷和類(lèi)別分類(lèi)。相比較而言，單階段分類(lèi)算法簡(jiǎn)化了處理流程，因而具有更快的檢測(cè)速度。

由于YOLO算法在特征提取、識(shí)別實(shí)時(shí)性、泛化性等方面的優(yōu)勢(shì)，目前，YOLO算法在作物病蟲(chóng)害識(shí)別及果實(shí)目標(biāo)檢測(cè)等領(lǐng)域得到了廣泛應(yīng)用。楊宇游等[15]在YOLOv5模型的主干網(wǎng)絡(luò)中引入BoTNet模塊，并用GIoU-NMS算法替換原來(lái)的非極大值抑制（NMS）算法，對(duì)YOLOv5模型進(jìn)行優(yōu)化，改進(jìn)后的模型對(duì)草莓病害的識(shí)別精確率和平均精度均值分別比原模型提升2.1個(gè)百分點(diǎn)和1.2個(gè)百分點(diǎn)。Li等[16]利用深度卷積和CSPNet結(jié)構(gòu)，將YOLOv4模型優(yōu)化為DAC-YOLOv4模型，并用其進(jìn)行草莓葉片白粉病的檢測(cè)，既提高了檢測(cè)效果，又實(shí)現(xiàn)了模型的輕量化。公徐路等[17]對(duì)YOLOv5模型進(jìn)行一系列的優(yōu)化，發(fā)現(xiàn)改進(jìn)后的模型對(duì)蘋(píng)果葉片小目標(biāo)病害檢測(cè)的平均精度均值和準(zhǔn)確率分別比原模型提高0.8個(gè)百分點(diǎn)和3.0個(gè)百分點(diǎn)，而參數(shù)量和浮點(diǎn)計(jì)算量分別減少6.17MB和 13.8G 。時(shí)雷等[18]利用全維動(dòng)態(tài)卷積（ODConv）替換YOLOv8主干網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積（Conv），利用EfficientRepGFPN特征融合網(wǎng)絡(luò)改進(jìn)原來(lái)的Neck網(wǎng)絡(luò)，并采用EIoU損失函數(shù)替換CIoU損失函數(shù)，提高了YOLOv8s模型對(duì)小麥小穗赤霉病識(shí)別的準(zhǔn)確率和效率。針對(duì)無(wú)人機(jī)采集的茶葉枯病圖像中病斑差異大、病斑和背景相似性高等問(wèn)題，胡根生等[]在YOLOv5s模型的基礎(chǔ)上，使用輕量型的M-Backbone作為骨干網(wǎng)絡(luò)設(shè)計(jì)了一個(gè)輕量型網(wǎng)絡(luò)LiTLBNet，其對(duì)茶葉枯病病斑的檢測(cè)精度與原模型接近，但模型大小僅為原YOLOv5s模型的 13.9% 。羅友璐等[20以YOLOv8模型為基準(zhǔn)，利用空間深度轉(zhuǎn)換卷積替換原有的卷積模塊，引入多尺度空洞注意力機(jī)制，同時(shí)參考重參數(shù)化卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)對(duì)檢測(cè)頭進(jìn)行了改進(jìn)，提出了一種蘋(píng)果葉片病害檢測(cè)的改進(jìn)算法，改進(jìn)后YOLOv8n模型對(duì)蘋(píng)果葉片病害檢測(cè)的平均精度均值 （mAP₅₀ ）和準(zhǔn)確率分別比原模型提高2.7個(gè)百分點(diǎn)和0.9個(gè)百分點(diǎn)。賀英豪等[2I]以YOLOv5模型為基準(zhǔn)，利用Fo-cus-Maxpool模塊替換主干網(wǎng)絡(luò)中的下采樣卷積，利用focalloss和交叉熵函數(shù)的加權(quán)損失作為模型的分類(lèi)損失，提高了模型對(duì)高遮擋果園環(huán)境背景下季果實(shí)的識(shí)別精度。

針對(duì)草莓葉片病害檢測(cè)算法研究較少的現(xiàn)狀，本研究以性能穩(wěn)定、識(shí)別精確度和效率高的YOLOv8n模型為基準(zhǔn)，結(jié)合草莓葉片病害特征，進(jìn)一步優(yōu)化相關(guān)模塊，以提高模型對(duì)草莓葉片病害檢測(cè)精度，降低模型運(yùn)算量，實(shí)現(xiàn)快速、準(zhǔn)確的草莓葉片病害檢測(cè)，為果農(nóng)的精準(zhǔn)管理提供依據(jù)。

1材料與方法

1.1 數(shù)據(jù)集的構(gòu)建

本研究以草莓生產(chǎn)中常見(jiàn)的3種葉片病害葉焦病、葉斑病和白粉病為檢測(cè)目標(biāo)（圖1）。數(shù)據(jù)集來(lái)源為四川雅安草莓采摘園實(shí)地拍攝圖片、Kaggle平臺(tái)公開(kāi)數(shù)據(jù)集 Strawberrydisease data（http：//www.kaggle.com）和百度圖片，共892張。為增強(qiáng)研究結(jié)果的可信度，數(shù)據(jù)集Strawberrydiseasedata及百度圖片均選擇自然果園環(huán)境下的草莓植株。為了防止數(shù)據(jù)集過(guò)少導(dǎo)致的訓(xùn)練結(jié)果過(guò)擬合，保持不同類(lèi)型病斑（標(biāo)簽）數(shù)量相對(duì)均衡，將篩選得到的圖片進(jìn)行添加隨機(jī)噪聲、亮度調(diào)節(jié)、旋轉(zhuǎn)、裁剪、平移、鏡像等數(shù)據(jù)增強(qiáng)處理，最終得到1371張圖片，按照 8：2 的比例劃分為訓(xùn)練集（1097張）和驗(yàn)證集（274張），葉焦病、葉斑病和白粉病標(biāo)簽數(shù)量分別為1907個(gè)、3290個(gè)和1762個(gè)。

1.2 YOLOv8n檢測(cè)模型及其改進(jìn)

YOLOv8n模型具有參數(shù)量少、檢測(cè)速度快、綜合性能良好等特點(diǎn)，因此，本研究選擇YOLOv8n作為草莓葉片病害檢測(cè)的基準(zhǔn)模型。但考慮到草莓葉片病害病斑較小、不同病害病斑尺寸差異大等特征，研究中對(duì) ΥOLOv8n 模型進(jìn)行了適當(dāng)改進(jìn)。主要改進(jìn)體現(xiàn)在以下幾個(gè)方面：一是將YOLOv8n模型主干網(wǎng)絡(luò)（Backbone）和頸部網(wǎng)絡(luò)（Neck）的部分標(biāo)準(zhǔn)卷積替換為動(dòng)態(tài)卷積，提高模型的特征提取能力；二是引人輕量化卷積GSConv及Slim-neck設(shè)計(jì)范式重新設(shè)計(jì)Neck網(wǎng)絡(luò)，在實(shí)現(xiàn)模型輕量化的同時(shí)，提升模型推理速度和特征融合能力；三是將最近鄰插值上采樣算子替換為CARAFE算子，減少草莓病害小目標(biāo)導(dǎo)致的特征圖語(yǔ)義信息丟失，提高模型的檢測(cè)精度。YOLOv8n原模型和改進(jìn)后的模型YOLOv8n-DGC的結(jié)構(gòu)如圖2所示。

Backbone：主干網(wǎng)絡(luò)； Neck ：頸部網(wǎng)絡(luò)； ：頭部網(wǎng)絡(luò);Conv：卷積;C2f：特征融合模塊;DynamicConv：動(dòng)態(tài)卷積;SPPF：快速空間金字塔池化；C2f_Dynamiconv：引人動(dòng)態(tài)卷積的特征融合模塊;Concat：連接操作;Upsample：最近鄰上采樣;CARAFE：內(nèi)容感知特征重組上采樣算子；GSConv GSConv 卷積;VoV-GSCSP：跨階段部分網(wǎng)絡(luò)結(jié)構(gòu);Detect：檢測(cè)頭。

1.2.1 動(dòng)態(tài)卷積（Dynamic convolution）模塊在深度學(xué)習(xí)領(lǐng)域，標(biāo)準(zhǔn)卷積層是卷積神經(jīng)網(wǎng)絡(luò)（Convolu-tionalneuralnetwork，CNN）的基本構(gòu)建塊之一。標(biāo)準(zhǔn)卷積層通過(guò)固定的卷積核權(quán)重對(duì)輸入特征圖進(jìn)行卷積運(yùn)算，以提取特征。標(biāo)準(zhǔn)卷積層的操作是靜態(tài)的，即對(duì)于所有輸入數(shù)據(jù)，卷積核權(quán)重保持不變（圖3a）。盡管標(biāo)準(zhǔn)卷積層在許多任務(wù)中表現(xiàn)出色，但在處理具有顯著變化特征的輸人時(shí)，其靜態(tài)特性可能會(huì)限制模型的性能。因此針對(duì)草莓葉片病害染病程度差異較大、特征不明顯、背景復(fù)雜等問(wèn)題，本研究引人了動(dòng)態(tài)卷積[22]。動(dòng)態(tài)卷積能根據(jù)輸人特征動(dòng)態(tài)調(diào)整權(quán)重。這種動(dòng)態(tài)特性使卷積層能夠更好地捕捉不同輸入的特征。

卷積權(quán)重張量（Convolutionalweighttensor）是卷積神經(jīng)網(wǎng)絡(luò)中用于執(zhí)行卷積操作的參數(shù)集合，其定義了如何通過(guò)滑動(dòng)窗口的方式在輸入特征圖上進(jìn)行局部加權(quán)求和，以生成輸出特征圖。動(dòng)態(tài)卷積由多專(zhuān)家機(jī)制（Mixture of experts，MoE）實(shí)現(xiàn)（圖3b）。每個(gè)專(zhuān)家都有一個(gè)獨(dú)立的卷積權(quán)重張量，即獨(dú)立的卷積運(yùn)算。多專(zhuān)家機(jī)制能增強(qiáng)模型的特征提取能力，其定義為：

Y=X×W^′

式中， W^′ 表示通過(guò)動(dòng)態(tài)卷積機(jī)制生成的卷積權(quán)重張量； X 表示輸入特征圖； Y 表示輸出特征圖； W_i 表示第 i 個(gè)卷積權(quán)重張量； α_i 代表對(duì)應(yīng)的動(dòng)態(tài)系數(shù)，即專(zhuān)家的權(quán)重； M 為專(zhuān)家數(shù)量； × 表示卷積運(yùn)算，即得到卷積權(quán)重張量與動(dòng)態(tài)系數(shù)乘積之和后再與輸人特征進(jìn)行卷積[23]

對(duì)于每個(gè)輸入特征，路由網(wǎng)絡(luò)（Routingnet-work）會(huì)計(jì)算出一組路由權(quán)重（Routingweights），即動(dòng)態(tài)系數(shù)（ α_?α_?α_? ，這組系數(shù)與專(zhuān)家數(shù)量相同，每個(gè)系數(shù)對(duì)應(yīng)一個(gè)專(zhuān)家。然后，這些動(dòng)態(tài)系數(shù)被用來(lái)對(duì)專(zhuān)家的卷積權(quán)重張量進(jìn)行加權(quán)，從而生成一個(gè)最終的、與輸人相關(guān)的卷積層。動(dòng)態(tài)系數(shù)的生成過(guò)程如式（2）所示。對(duì)于輸入的特征圖 X ，使用全局平均池化將信息融合成向量，然后使用具有softmax激活函數(shù)的多層感知器（MLP）模塊動(dòng)態(tài)生成動(dòng)態(tài)系數(shù)：

通過(guò)將動(dòng)態(tài)卷積替換掉原Backbone網(wǎng)絡(luò)中的標(biāo)準(zhǔn)卷積操作，加強(qiáng)模型對(duì)不同檢測(cè)目標(biāo)的特征提取能力。

在動(dòng)態(tài)卷積的基礎(chǔ)上，進(jìn)一步設(shè)計(jì)了Bottleneck_DynamicConv和C2f_DynamicConv結(jié)構(gòu)，如圖4所示。Neck網(wǎng)絡(luò)中部分C2f替換為C2f_DynamicConv，進(jìn)一步提升模型檢測(cè)性能。

1.2.2基于輕量級(jí)卷積GSConv的Neck網(wǎng)絡(luò)改進(jìn)為了平衡模型的計(jì)算復(fù)雜度，引入基于深度可分離卷積（Depthwise separable convolution，DSConv）[24]改進(jìn)的GSConv結(jié)構(gòu)及Slim-neck范式[25]，其中Slim-neck設(shè)計(jì)范式的核心思想是利用模塊化、可組合的結(jié)構(gòu)，靈活地設(shè)計(jì)和替換Neck網(wǎng)絡(luò)中的不同部分，從而在成本和性能之間找到最佳平衡。

深度可分離卷積可以減少參數(shù)量和浮點(diǎn)運(yùn)算，然而，深度可分離卷積的通道信息是彼此分離的，特征圖的空間壓縮和通道拓展將造成語(yǔ)義特征的丟失，尤其是在檢測(cè)目標(biāo)較小、模糊不清的情況下，以致模型特征提取能力大幅度下降，這將對(duì)目標(biāo)檢測(cè)的精度造成影響[26]。為更好地平衡計(jì)算復(fù)雜度和通道傳輸信息保留，研究中引入GSConv結(jié)構(gòu)，如圖5所示。GSConv將標(biāo)準(zhǔn)卷積和深度可分離卷積生成的信息進(jìn)行Shuffle[27]操作，彼此充分混合和滲透，在不同的通道上均勻地交換局部特征信息。通過(guò)這個(gè)方法，既能減少模型參數(shù)和浮點(diǎn)運(yùn)算量，又能有效利用標(biāo)準(zhǔn)卷積的通道密集優(yōu)勢(shì)，盡可能地保留小檢測(cè)目標(biāo)的語(yǔ)義信息。

input：輸人;output：輸出; C₁ channels ： C₁ 通道數(shù)； C₂ channels ： C₂ 通道數(shù); C₂/2 channels： C₂/2 通道數(shù); Conv ：卷積； DSConv ：深度可分離卷積；Concat：連接操作；shuffle：混合； GSConv GSConv 卷積。

基于GSConv，引人GSbottleneck和VoV-GSCSP模塊，并根據(jù)Slim-neck范式，靈活使用GSConv和VoV-GSCSP替換原Neck網(wǎng)絡(luò)中的Conv和C2f結(jié)構(gòu)，以達(dá)到最優(yōu)性能。GSbottleneck和VoV-GSCSP的結(jié)構(gòu)如圖6所示。

input：輸人;output：輸出； Conv ：卷積； GSConv GSConv 卷積；Con-cat：連接操作;GSbottleneck：GS瓶頸網(wǎng)絡(luò)； VoV -GSCSP：跨階段部分網(wǎng)絡(luò)結(jié)構(gòu)。

由于大量使用GSConv會(huì)顯著增加網(wǎng)絡(luò)層數(shù)，導(dǎo)致推理時(shí)間顯著增加，因此根據(jù)Slim-neck設(shè)計(jì)思路，選擇只在Neck部分使用GSConv和VoV-GSCSP替換原有的Conv和部分C2f模塊，如圖7所示。1.2.3CARAFE上采樣算子 ΥOLOv8n 模型默認(rèn)使用最近鄰插值法實(shí)現(xiàn)特征上采樣操作，這種方法實(shí)現(xiàn)簡(jiǎn)單，計(jì)算速度快，但由于插值結(jié)果缺乏連續(xù)性，可能會(huì)造成圖像灰度上的不連續(xù)，在灰度變化大的地方可能會(huì)出現(xiàn)明顯的鋸齒狀，尤其是像草莓白粉病這類(lèi)邊緣不明顯的病害，插值后的圖像會(huì)使得原本模糊的邊緣仍然難以區(qū)分，嚴(yán)重影響病害特征信息的提取。因此，引入內(nèi)容感知特征重組上采樣算子（CARAFE）[28]代替原有的最近鄰插值上采樣算子。

P3：P3輸出層；P4：P4輸出層;P5：P5輸出層； Neck ：頸部網(wǎng)絡(luò)； Head ：頭部網(wǎng)絡(luò);C2f_DynamicConv：引入動(dòng)態(tài)卷積的特征融合模塊;Concat：連接操作;CARAFE：內(nèi)容感知特征重組上采樣算子； GSConv GSConv 卷積； VoV -GSCSP：跨階段部分網(wǎng)絡(luò)結(jié)構(gòu)；Detect：檢測(cè)頭;slim-neck：slim-neck 模塊。

CARAFE上采樣算子實(shí)現(xiàn)過(guò)程如圖8所示：假設(shè)給定一個(gè)尺寸為 C×H×W 的特征圖 X ，CARAFE將 X 進(jìn)行通道壓縮，得到尺寸為 C×σH×σW（σ 為上采樣倍率）新的特征圖 X^′ ，通過(guò)核預(yù)測(cè)模塊，為 X^′ 的每個(gè)目標(biāo)位置生成一個(gè)重組卷積核，然后利用這個(gè)卷積核對(duì)輸人特征 X 進(jìn)行重組，從而生成上采樣后的特征圖。

由于重組過(guò)程考慮了更相關(guān)的局部信息，可以更有效地捕捉和整合特征圖中的語(yǔ)義信息，從而提升特征圖的語(yǔ)義表達(dá)能力。引入CARAFE算子，可以使模型在處理復(fù)雜場(chǎng)景草莓葉片病害時(shí)，能夠更準(zhǔn)確地捕捉和表達(dá)圖像中的重要信息，提高模型的 精度。

X ：輸人特征圖； X^′ ：重組特征圖； H ：特征圖高； W ：特征圖寬； c ：通道數(shù)； C_m ：壓縮后的通道數(shù)； σ ：上采樣倍率； K_up ：重組核大??； ：重組卷積核 σ_;xl ：輸入特征圖位置； N ：正方形區(qū)域。

為直觀展示CARAFE上采樣方法相較于傳統(tǒng)上采樣技術(shù)的優(yōu)勢(shì)，本研究選取深度神經(jīng)網(wǎng)絡(luò)中生成的一張?zhí)卣鲌D，首先進(jìn)行4倍的下采樣處理，然后再進(jìn)行2倍最近鄰插值上采樣與2倍CARAFE上采樣處理，結(jié)果如圖9所示。從圖中可以看出，最近鄰插值上采樣結(jié)果在目標(biāo)邊緣處出現(xiàn)了較為明顯的鋸齒狀偽影，而CARAFE上采樣結(jié)果在目標(biāo)邊緣部分呈現(xiàn)出更加細(xì)膩和自然的過(guò)渡，這說(shuō)明CARAFE上采樣能較好保留圖像細(xì)節(jié)和邊緣信息。

1.3模型檢測(cè)性能比較

首先比較了Backbone網(wǎng)絡(luò)不同位置Conv替換為DynamicConv、Neck網(wǎng)絡(luò)中引人C2f_DynamicConv模塊后模型對(duì)草莓葉片病害的檢測(cè)性能；然后分析了YOLOv8n原模型和改進(jìn)模型YOLOv8n-DGC對(duì)草莓葉片病害檢測(cè)性能差異，并開(kāi)展消融試驗(yàn)。消融試驗(yàn)方案如表1所示。最后，進(jìn)一步比較了目前流行的目標(biāo)識(shí)別模型FasterR-CNN、SSD、YOLOv5s、YOLOv7-tiny、YOLOv8s、YOLOv10n 與 YOLOv8n-DGC對(duì)草莓葉片病害的檢測(cè)性能差異。

1.4模型訓(xùn)練與測(cè)試

1.4.1試驗(yàn)平臺(tái)及參數(shù)設(shè)置本研究所使用的操作系統(tǒng)為Windows10，中央處理器（CPU）型號(hào)為In-tel Corei9-10900K 3.70GHz ，GPU型號(hào)為NVIDIAQuadroRTX5000（16G顯存）。所用語(yǔ)言為Py-thon3.9.7，深度學(xué)習(xí)框架為Pytorch2.0.1，并行計(jì)算平臺(tái)為CUDA11.7。試驗(yàn)中，圖像分辨率設(shè)置為640×640 ，迭代次數(shù)500，批量大小8，采用隨機(jī)梯度下降算法（SGD）優(yōu)化器，動(dòng)量參數(shù)0.937，權(quán)重衰減速率 .000 5 。

1.4.2模型評(píng)價(jià)指標(biāo)選取平均精度均值（Mean av-erageprecision， mAP ）、精確率（Precision， P ）、召回率（Recall， R ）、模型大小、參數(shù)量、浮點(diǎn)運(yùn)算次數(shù)（Float-ingpoint operations， FLOPs ）作為評(píng)估模型性能的指標(biāo)。平均精度均值、精確率和召回率公式如下：

a;原始圖像;b：深度神經(jīng)網(wǎng)絡(luò)生成的特征圖;c：特征圖進(jìn)行4倍下采樣后得到特征圖;d：利用最近鄰插值方法進(jìn)行2倍上采樣后的結(jié)果;e：利用CARAFE方法進(jìn)行2倍上采樣后的結(jié)果。

圖9最近鄰插值上采樣和內(nèi)容感知特征重組上采樣（CARAFE）效果對(duì)比

Fig.9Comparison ofefect between nearest nighor interpolationupsamplingandcontent-awarereassemblyoffeatures （CARAFE）upsampling

式中， AP_i 為第 i 個(gè)類(lèi)別的平均精度，即精確率與召回率（ ?PRΦ_? 曲線中曲線與坐標(biāo)軸所圍成的圖形面積。 TP 為正確預(yù)測(cè)的真陽(yáng)性樣本； FP 為錯(cuò)誤預(yù)測(cè)的假陽(yáng)性樣本； FN 為漏檢的假陰性樣本； n 為分類(lèi)類(lèi)別數(shù)。

2 結(jié)果與分析

2.1模型Backbone網(wǎng)絡(luò)不同位置Conv替換為DynamicConv對(duì)檢測(cè)性能的影響

基準(zhǔn)模型Backbone網(wǎng)絡(luò)不同位置Conv替換為DynamicConv對(duì)草莓葉片病害檢測(cè)性能的影響如表2所示。從表中可以看出，主干網(wǎng)絡(luò)（Backbone）中第3個(gè)標(biāo)準(zhǔn)卷積（Conv）替換為動(dòng)態(tài)卷積的效果最好， mAP₅₀，mAP₅₀：95 、精確率和召回率分別為88.2%.58.2%.87.0% 和 83.5% ，且模型大小、參數(shù)量和浮點(diǎn)運(yùn)算量均最低。其原因可能在于，深度神經(jīng)網(wǎng)絡(luò)中，靠近輸人層的卷積層主要負(fù)責(zé)提取圖像中的邊緣、紋理等低級(jí)特征，而靠近輸出層的卷積層則更多地學(xué)習(xí)高級(jí)語(yǔ)義特征，負(fù)責(zé)更為復(fù)雜、抽象的圖像特征提取，且主要表現(xiàn)為語(yǔ)義信息[29]。第3個(gè)卷積層處于Backbone的中間部分，既能夠捕捉較為細(xì)節(jié)的局部特征，又能夠?qū)W習(xí)一定的全局特征，將該位置的Conv替換為DynamicConv，能充分發(fā)揮動(dòng)態(tài)卷積的自適應(yīng)調(diào)整能力，使得模型在局部特征和全局信息之間取得更好的平衡，從而提升檢測(cè)性能。

2.2 C2f_DynamicConv在Neck中的效果

C2f是YOLOv8中用于提取多層次特征的基礎(chǔ)模塊。該模塊通過(guò)分裂特征圖和跨層連接，有效地提高了網(wǎng)絡(luò)的表達(dá)能力，促進(jìn)了梯度信息流動(dòng)。將Neck 網(wǎng)絡(luò)中的部分C2f 替換為 C2f_DynamicConv，能在不同的層級(jí)和尺度上選擇更合適的卷積核，使得特征能夠在多個(gè)層次上得到優(yōu)化，增強(qiáng)了多尺度特征的融合能力，這有助于提高模型對(duì)不同尺度物體的檢測(cè)能力，進(jìn)一步提升模型的目標(biāo)檢測(cè)性能。將Neck網(wǎng)絡(luò)中的部分C2f替換為C2f_DynamicConv后，模型對(duì)草莓葉片病害的檢測(cè)性能的影響如表3所示。從表中可以看出，替換后，模型對(duì)草莓葉片病害檢測(cè)的 mAP₅₀?mAP_50：95 、精確率分別較替換前增加1.1個(gè)百分點(diǎn)、0.7個(gè)百分點(diǎn)和2.3個(gè)百分點(diǎn)，模型大小和參數(shù)量略有增加，但模型浮點(diǎn)運(yùn)算量下降3.9% 。

2.3 消融試驗(yàn)

引入不同替換模塊對(duì)模型檢測(cè)性能影響的消融試驗(yàn)結(jié)果如表4所示。從表中可以看出，采用Dy-namicConv替換第3個(gè)Conv模塊和C2f_DynamicCo-nv替換Neck部分C2f的方案1后，模型對(duì)草莓葉片病害檢測(cè)的 mAP_{50?mAP50：95} 、召回率分別比基準(zhǔn)模型提高0.8個(gè)百分點(diǎn)、0.5個(gè)百分點(diǎn)和1.3個(gè)百分點(diǎn)，模型大小和參數(shù)量分別增加 6.3% 和 6.7% ，浮點(diǎn)運(yùn)算量減少 6.2% 。單獨(dú)利用GSConv卷積和Slim-neck模塊的方案2后，模型對(duì)草莓葉片病害檢測(cè)的 、召回率分別比基準(zhǔn)模型提高0.9個(gè)百分點(diǎn)、0.5個(gè)百分點(diǎn)和1.4個(gè)百分點(diǎn)，模型大小、參數(shù)量及浮點(diǎn)運(yùn)算量分別減少 4.8%.6.7% 和6.2% ，這表明GSConv模塊對(duì)模型精度有一定的促進(jìn)作用，同時(shí)也帶來(lái)檢測(cè)效率的提高。單獨(dú)利用CARAFE算子進(jìn)行上采樣的方案3后，模型對(duì)草莓葉片病害檢測(cè)的 mAP₅₀?mAP_50：95 、召回率分別比基準(zhǔn)模型提高1.1個(gè)百分點(diǎn)、0.8個(gè)百分點(diǎn)和0.3個(gè)百分點(diǎn)，模型大小、參數(shù)量及浮點(diǎn)運(yùn)算量分別增加4.8%.3.3% 和 3.7% ，說(shuō)明CARAFE算子的使用能減少草莓葉片病害細(xì)小病斑的特征信息丟失，確保特征信息的完整性，更有效地捕捉和整合特征圖中的語(yǔ)義信息。同時(shí)利用DynamicConv模塊和GSConv模塊進(jìn)行替換的方案4后，模型對(duì)草莓葉片病害檢測(cè)的 mAP_{50?mAP50：95} 、精確率分別比基準(zhǔn)模型提高0.5個(gè)百分點(diǎn)、0.8個(gè)百分點(diǎn)和1.1個(gè)百分點(diǎn)，模型大小和參數(shù)量無(wú)變化，浮點(diǎn)運(yùn)算量減少11.1% 。同時(shí)利用CARAFE與DynamicConv模塊替代后（方案5），模型對(duì)草莓葉片病害檢測(cè)的 mAP₅₀ 、mAP_50：95 、召回率分別比基準(zhǔn)模型提高1.5個(gè)百分點(diǎn) 個(gè)百分點(diǎn)和1.0個(gè)百分點(diǎn)，模型大小和參數(shù)量分別增加 11.1% 和 10.0% ，而浮點(diǎn)運(yùn)算量減少2.5% 。同時(shí)利用CARAFE與GSConv模塊替代后（方案6），模型對(duì)草莓葉片病害檢測(cè)的 mAP₅₀ 、mAP_50：95 、召回率分別比基準(zhǔn)模型提高0.2個(gè)百分點(diǎn) 個(gè)百分點(diǎn)和1.0個(gè)百分點(diǎn)，模型大小、參數(shù)量和浮點(diǎn)運(yùn)算量分別減少增加 1.6%.3.3% 和2.5% 。同時(shí)利用3個(gè)替換模塊的方案7，模型對(duì)草莓葉片病害檢測(cè)的 mAP₅₀?mAP_50：95 、精確率和召回率分別比基準(zhǔn)模型提高2.5個(gè)百分點(diǎn)、1.5個(gè)百分點(diǎn)、1.6個(gè)百分點(diǎn)和1.6個(gè)百分點(diǎn)，模型大小和參數(shù)量分別增加 3.2% 和 3.3% ，而浮點(diǎn)運(yùn)算量減少8.6% ，效果最好。這說(shuō)明DynamicConv的使用能增強(qiáng)卷積層對(duì)局部和全局特征的提取能力，CARAFE的使用能確保上采樣過(guò)程中細(xì)節(jié)特征的完整性，模型在特征提取和融合上表現(xiàn)出更強(qiáng)的適應(yīng)性和準(zhǔn)確性，提高了模型的魯棒性，特別適合背景干擾較多、形態(tài)復(fù)雜的葉片病害檢測(cè)。

2.4YOLOv8n模型與改進(jìn)模型YOLOv8n-DGC 的檢測(cè)效果對(duì)比

改進(jìn)模型YOLOv8n-DGC和原模型YOLOv8n對(duì)草莓葉片病害檢測(cè)效果如圖10所示。從圖中可以看出，改進(jìn)后的模型能降低草莓葉片病害的漏檢率與錯(cuò)檢率，且病害識(shí)別置信度也有所提高。這說(shuō)明引人動(dòng)態(tài)卷積能加強(qiáng)模型對(duì)復(fù)雜背景和病害樣本中草莓葉片病害的特征提取和學(xué)習(xí)能力；引入GSConv能降低模型的參數(shù)量，提高模型的特征融合能力；利用CARAFE算子替換最近鄰插值法進(jìn)行上采樣，使得草莓葉片病害的特征信息更易被理解和表達(dá)，從而使改進(jìn)后的模型識(shí)別效果優(yōu)于原模型。圖11為不同迭代次數(shù)下，YOLOv8nDGC模型和 $＼Upsilon _ { ? } 0 ＼mathrm { L O v } 8 ＼mathrm { n }$ 模型對(duì)草莓葉片病害檢測(cè)的平均精度均值變化特征。從圖中可以看出，經(jīng)過(guò)幾十次訓(xùn)練迭代后，2個(gè)模型檢測(cè)的 mAP 開(kāi)始產(chǎn)生差距；迭代次數(shù)達(dá)500次時(shí)，2個(gè)模型都趨于穩(wěn)定，且差距明顯。

2.5改進(jìn)YOLOv8n與其他模型的草莓葉片病害檢測(cè)性能比較

改進(jìn)YOLOv8n模型（YOLOv8n-DGC）與其他模型Faster R-CNN、SSD、 ΥOLOv5s 、YOLOv7-tiny、YOLOv8s、YOLOv10n等對(duì)草莓葉片病害檢測(cè)性能的比較結(jié)果如表5所示。從表中可以看出，F(xiàn)asterR-CNN和SSD模型對(duì)草莓葉片病害識(shí)別的平均精度均值（ mAP₅₀ ）分別僅為 59.8% 和 58.2% ，且參數(shù)量和浮點(diǎn)運(yùn)算量巨大，不能滿足草莓葉片病害檢測(cè)的精度要求。YOLOv5s模型對(duì)的草莓葉片病害識(shí)別的平均精度均值（ .mAP₅₀ ）較高，達(dá) 87.7% ，但參數(shù)量和浮點(diǎn)運(yùn)算量同樣較大，分別為YOLOv8n-DGC模型的2.26倍、2.14 倍。同樣，YOLOv7-tiny、YOLOv8s模型的參數(shù)量和浮點(diǎn)運(yùn)算量分別是YOLOv8n-DGC模型的1.94倍、3.58倍和1.76倍、3.84倍，且檢測(cè)的平均精度均值（ （mAP₅₀ ）分別比 ΥOLOv8n -DGC模型低4.4個(gè)百分點(diǎn)和1.3個(gè)百分點(diǎn)。 YOLOv10n 模型的參數(shù)量低于YOLOv8n-DGC模型，但其檢測(cè)的精度均值（ mAP₅₀ ）亦低3.5個(gè)百分點(diǎn)。上述結(jié)果說(shuō)明，改進(jìn)后的YOLOv8n-DGC模型綜合性能較優(yōu)，即本研究提出的改進(jìn)算法在草莓葉片病害檢測(cè)中是有效的。

檢測(cè)框后的數(shù)字為置信度。

mAP₅₀?mAP₅₀：95 見(jiàn)表3注。

3結(jié)論

本研究以YOLOv8n模型為基準(zhǔn)模型，利用Dy-namicConv替換原模型Backbone網(wǎng)絡(luò)的第3個(gè)標(biāo)準(zhǔn)卷積（Conv），利用C2f_DynamicConv模塊替換Neck網(wǎng)絡(luò)的部分C2f模塊，根據(jù)Slim-neck 范式，引入GSConv和VoV-GSCSP重新設(shè)計(jì)Neck網(wǎng)絡(luò)，增強(qiáng)Neck網(wǎng)絡(luò)的特征表達(dá)能力，并使用CARAFE算子替換最近鄰插值法進(jìn)行上采樣，擴(kuò)大上采樣過(guò)程的感受野，構(gòu)建了改進(jìn)的YOLOv8n模型——YOLOv8n-DGC，并用于果園環(huán)境下草莓葉片病害的檢測(cè)。改進(jìn)后的模型YOLOv8n-DGC對(duì)草莓葉片病害檢測(cè)的$m A P _ { 5 0 } ＼ 、 m A P _ { 5 0 ： 9 5 }$ 、精確率和召回率分別比基準(zhǔn)模型提高2.5個(gè)百分點(diǎn)、1.5個(gè)百分點(diǎn)、1.6個(gè)百分點(diǎn)和1.6個(gè)百分點(diǎn)，模型大小和參數(shù)量分別增加 3.2% 和3.3% ，而浮點(diǎn)運(yùn)算量減少 8.6% ，效果較好。與Fas-ter R-CNN、SSD、 Υ_OLOv5s 、YOLOv7-tiny等模型相比，YOLOv8n-DGC模型更好地實(shí)現(xiàn)檢測(cè)精度與效率的平衡，更適合布置到輕量化的檢測(cè)設(shè)備或終端中。目前模型主要用于病害類(lèi)型的檢測(cè)，而對(duì)病害感染程度的評(píng)估能力仍不足，未來(lái)的研究中可以通過(guò)引入多任務(wù)學(xué)習(xí)或其他相關(guān)方法，進(jìn)一步豐富模型的功能，實(shí)現(xiàn)病害類(lèi)型及感染程度的檢測(cè)，為果農(nóng)提供更為準(zhǔn)確的病害診斷和管理建議。此外，還可以進(jìn)一步豐富數(shù)據(jù)集，提高模型的可信度，為果園的智慧化生產(chǎn)提供精準(zhǔn)的決策支持。

參考文獻(xiàn)：

[1］曹丹，張明，王競(jìng)，等.土壤改良劑對(duì)連作草莓生長(zhǎng)及品質(zhì)的影響[J].現(xiàn)代農(nóng)業(yè)科技，2024（3）：52-55.

[2] 潘少香，劉雪梅，鄭曉冬，等.基于質(zhì)構(gòu)分析的鮮食草莓質(zhì)地感官品質(zhì)綜合評(píng)價(jià)[J].食品科技，2023，48（8）：37-43.

[3] 唐歆玥，曹葉婷，鄧明益，等.檸檬醛對(duì)草莓貯藏期間品質(zhì)和抗氧化能力的影響[J].食品安全質(zhì)量檢測(cè)學(xué)報(bào)，2024，15（2）：131-140.

[4] 楊海艷，王洪玲，鐘國(guó)躍，等.草莓屬植物資源分布、化學(xué)成分、藥理活性研究進(jìn)展[J].中成藥，2022，44（2）：510-518.

[5］聯(lián)合國(guó)糧食及農(nóng)業(yè)組織（FAO）.糧農(nóng)組織統(tǒng)計(jì)數(shù)據(jù)庫(kù)—糧食和農(nóng)業(yè)數(shù)據(jù)［DB/OL].［2024-10-01].http：//www.fao.org/faostat/zh/#Data/QCL.

[6] 劉玉娟，劉顏達(dá)，閆振，等.注意力機(jī)制的混合卷積高光譜圖像分類(lèi)方法[J].光譜學(xué)與光譜分析，2024，44（10）：2916-2922.

[7] GIRSHICKR，DONAHUEJ，DARRELLT，etal.Richfeaturehierarchies for accurate object detection and semantic segmentationternRecognition.Columbus，OH，USA：IEEE，2014：580-587.

[8]GIRSHICK R. Fast R-CNN[C]//IEEE. 2015 IEEE InternationalConference on Computer Vision（ICCV）. Santiago，Chile：IEEE，2015：1440-1448.

[9]REN S Q，HE K M，GIRSHICK R，et al. Faster R-CNN：towardsreal-time object detection with region proposal networks[J]. IEEETransactions on Pattern Analysis and Machine Inteligence，2017，39（6）：1137-1149.

[10]REDMON J，DIVVALA S，GIRSHICK R，etal. You only lookonce：unified，real-time object detection[C]//IEEE.2016 IEEEConference on Computer Vision and Pattrn Recognition.Las Ve-gas，NV，USA：IEEE，2016：779-788.

[11]REDMON J，F(xiàn)ARHADI A.YOLO9000： better，faster，stronger[C]//IEEE：2017 IEEE Conference on Computer Vision and Pat-ternRecognition.Honolulu，HI，USA：IEEE，2017：6517-6525.

[12]REDMON J，F(xiàn)ARHADI A. YOLOv3：an incremental improvement[EB/OL].（2018-04-08）.htps：//arxiv.org/abs/1804.02767v1.

[13]BOCHKOVSKIY A，WANG C Y，LIAO H M.YOLOv4：optimalspeed and accuracy of object detection[EB/OL].（2020-04-23）.https：//arxiv.org/abs/2004.10934v1.

[14]LIUW，ANGUELOV D，ERHAND，et al.SSD：single shotMultiBox detector[M]//ECCV.ComputerVision-ECCV 2016.Cham：Springer International Publishing，2016：21-37.

[15］楊宇游，潘文林.基于改進(jìn)YOLOv5的草莓病害檢測(cè)[J].云南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，33（5）：624-629.

[16]LI Y，WANG JC，WU HR，et al. Detection of powdery mildewon strawberry leaves based on DAC-YOLOv4 model[J]. Computersand Electronics in Agriculture，2022，202：107418.

[17］公徐路，張淑娟.基于改進(jìn)YOLOv5s的蘋(píng)果葉片小目標(biāo)病害輕量化檢測(cè)方法[J].農(nóng)業(yè)工程學(xué)報(bào)，2023，39（19）：175-184.

[18］時(shí)雷，楊程凱，雷鏡楷，等.基于改進(jìn)YOLOv8s的小麥小穗赤霉病檢測(cè)研究[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（7）：280-289.

[19］胡根生，謝一帆，鮑文霞，等.基于輕量型網(wǎng)絡(luò)的無(wú)人機(jī)遙感圖像中茶葉枯病檢測(cè)方法[J].農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（4）：165-175.

[20］羅友璐，潘勇浩，夏順興，等.基于改進(jìn)YOLOv8的蘋(píng)果葉病害輕量化檢測(cè)算法[J].智慧農(nóng)業(yè)（中英文），2024，6（5）：128-138.

[21］賀英豪，唐德釗，倪銘，等.基于改進(jìn)YOLOv5對(duì)果園環(huán)境中李的識(shí)別[J].華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2024，43（5）：31-40.

[22]HANK，WANGYH，GUO JY，et al. ParameterNet：parametersare all you need for large-scale visual pretraining of mobile net-works[C]//IEEE.2024 IEEE/CVF Conference on Computer Vi-sion and Pattern Recognition.Seattle，WA，USA：IEEE，2024：15751-15761.

[23］涂智榮，凌海英，李幗，等.基于改進(jìn)YOLOv7-Tiny的輕量化百香果檢測(cè)方法[J].廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2024，42（5） ：79-90.

[24]CHOLLET F. Xception;deep learning with depthwise separableconvolutions[C]//IEEE：2O17 IEEE Conference on Computer Vi-sionandPattern Recognition.Honolulu，HI，USA：IEEE，2017：1800-1807.

[25]LIHL，LIJ，WEIHB，etal.Slim-neckbyGSConv：alight-weight-design forreal-timedetector architectures[J].Journal ofReal-Time Image Processing，2024，21（3）：62.

[26]張佳承，韋錦，陳義時(shí).改進(jìn)YOLOv8的實(shí)時(shí)輕量化魯棒綠籬檢測(cè)算法[J/OL].計(jì)算機(jī)工程［2024-10-01].https：//doi.org/10.19678/j.issn.1000-3428.0069524.

[27]ZHANGXY，ZHOUXY，LINMX，et al.ShuffleNet：an ex-tremelyeficientconvolutional neural network for mobile devices[C]//IEEE.2O18 IEEE/CVF Conference on Computer VisionandPatternRecognition.SaltLakeCity，UT，USA：IEEE，2018：6848-6856.

[28]WANGJQ，CHENK，XUR，etal.CARAFE：content-awareRe-AssemblyofFEatures[C]//IEEE.2O19IEEE/CVFInternationalConference on Computer Vision.Seoul，Korea（South）：IEEE，2019：3007-3016.

[29］張順，龔怡宏，王進(jìn)軍.深度卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺(jué)領(lǐng)域的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào)，2019，42（3）：453-482.

（責(zé)任編輯：石春林）