郝佳杰 ，方赛银 ，肖 洒 ，李 明

（1.西南林业大学机械与交通学院，云南 昆明 650224；2.安徽工程大学高端装备先进感知与智能控制教育部重点实验室，安徽 芜湖 241000；3.安徽工程大学电气工程学院，安徽 芜湖 241000）

叶片黑斑病是指植物叶片上出现黑斑，多露、多雨、多雾等潮湿条件极易引发黑斑病，严重影响植株的产量和观赏性[1]。在病虫害预防和治理的过程中，首要任务就是要快速、精准地识别植株的病斑种类及其所在位置，从而更好地采取有效治理措施[2]。由于现有的目标检测算法效率低下，应用性不强，黑斑病的识别往往依靠工作人员的肉眼，人力和时间成本较高，且受工作人员的主观影响较大[3]。因此，一种准确的黑斑病检测算法至关重要。

近年来，由于大数据分析技术和GPU的蓬勃发展，机器的计算能力得以提高，深度学习技术也得到了迅速的发展，并且在农业病虫害等方面也有了不少应用[4]。蒋丰千等[5]将卷积神经网络及轮廓分割等预处理方法结合起来，以生姜的病虫害图片为基础，对姜瘟病、根结线虫病、白星病、炭疽病进行分类研究，正确率高达96%。李就好等[6]以Fatester R-CNN为基础网络模型，对自然环境下的苦瓜叶片进行研究，采用ResNet50网络进行特征提取，检测到苦瓜健康叶片、灰斑病、白粉病、斑点病和蔓枯病的平均精度均值分别为89.24%、83.31%、81.48%、89.28%和88.62%。李子茂等[7]结合YOLOv3模型和Inception模块构建月季病虫害检测模型，然后通过K-means聚类算法确定检测所需的Anchor box，最终月季病虫害的平均检测精度达到82.26%。现有的基于深度学习的检测方法在植物病虫害检测方面有很多较好的成果，但黑斑病作为世界性病害之一，针对性的研究算法较少。并且现有算法对于叶片中小尺度且分布密集的黑斑仍有较高的漏检率和错检率，有待进一步提高。

针对以上问题，本文提出了一种以YOLOv5网络结构为基础的改进算法。YOLOv5是目前最流行的检测算法之一，该算法在YOLOv4的基础上进行了一些改进，使其在运算时间和检测精度上都有大幅度改善[8]。由于YOLOv5算法对小尺度目标检测效果不佳，通过增加小尺度检测层提高网络的多尺度学习能力；接着通过引入注意力机制，更好地学习小尺度的特征；最后将加权NMS改为DIoU_NMS，解决标准YOLOv5算法对重叠目标检测正确率低的问题。实验结果表明，改进后的YOLOv5算法不仅提高了对一般叶片黑斑病的检测效果，也改善了网络对叶片中小尺度且分布密集黑斑病的检测性能。

1 传统YOLOv5网络结构

传统YOLOv5算法由输入端Input、主干网络Backbone、颈部网络Neck和预测端Prediction四部分构成[9]。

Input模块通过Mosaic数据增强和自适应锚框计算两种方法对输入图像进行预处理操作。Backbone模块主要引进Foucs、CSP和SPP三个结构。Neck模块采用了特征金字塔网络（Feature Pyramid Networks, FPN）结构+路径聚合网络（Path Aggregation Network, PAN）结构。Prediction模块的Bounding box的损失函数为GIoU_Loss，它解决了IoU_Loss无法对两个没有交集的物体进行优化的问题，具有尺度不变性的优点。

2 改进YOLOv5的网络结构

针对YOLOv5检测叶片黑斑病时所存在的不足，本文对算法进行以下三个部分改进来提高对叶片黑斑病的检测效果：1）在原结构三个检测层的基础上，增加小尺度检测层，丰富网络的多尺度检测能力，从而提高对小尺度叶片黑斑病的检测性能。2）在主干网络中加入注意力机制，采用轻量的注意力模块，在节约参数和注意力的同时提高网络对叶片黑斑病的特征提取能力。3）在目标检测的后续处理中，将NMS修改为DIoU_NMS，改善对重叠目标的检测性能，应对实际生活中分布密集的叶片黑斑病检测。

2.1 小尺度检测层基本原理

YOLOv5采用三个不同尺度的检测层对目标进行检测，三个不同的尺度分别检测8×8以上、20×20以上、40×40以上的目标，但对于本实验中体积较小的叶片黑斑病，经过多次卷积后会丢失一些目标领域信息，从而导致检测效率不理想[10]。

为此，本文提出增加一个小尺度检测层来解决上述问题，在之前三尺度检测层的基础上，增加一个160×160的检测尺度，变为四尺度检测[11]。增加小尺度检测层的主要过程如下：将80×80的特征图进行上采样处理，使特征图扩大到160×160，与骨干网络中第二层的特征图进行Concat融合，并通过K均值聚类算法（K-means）增加一组Anchor，以此在更大的特征图进行小尺度检测。虽然增加了计算量，但叶片黑斑病检测的精确度确实有改善。

2.2 注意力机制基本原理

添加注意力机制的目的是告诉模型重点关注目标的哪些位置与内容，通过注意力权重施加的方式和位置的差异，可将注意力机制分为空间域注意力、通道域注意力和混合域注意力三种[12]。

本实验采用混合域注意力方法中的轻量的注意力模块（Convolutional Block Attention Module, CBAM）方法[10]。CBAM结构包括通道注意力模块和空间注意力模块两个独立部分。这样既节约了参数和计算力，也可以保证无缝集成到任何CNN架构上，可以与基本CNN一起进行端到端的训练。

2.3 改进非极大抑制函数

在目标检测的预测阶段，会产生多个预测框，其中会有多个预测框发生明显重叠，并且多个重叠可能都围绕同一个目标，这时候就需要NMS函数合并同一个目标的类似预测框，抑制的过程也是迭代—遍历—消除的过程[13]。而DIoU_Loss将NMS运算过程中的IoU改为DIoU。DIoU_Losss既考虑了两个预测框中心点位置的距离，也考虑了预测框之间的面积，效果更佳。其公式如下：

坚持服务强军、服务打赢的创作方向。为兵服务、为巩固提高军队战斗力服务，历来是我军文艺工作的优良传统，是军事文艺的价值所在。军事文艺创作要把打牢官兵听党指挥的思想情感基础作为首要职责，把讴歌党、讴歌祖国、讴歌人民、讴歌英雄作为军事文艺创作的永恒主题，用心用功用情书写我军政治建军、改革强军、科技兴军、依法治军的新史诗，塑造我军有血性、能担当、敢亮剑的英雄形象，引导官兵积极投身强军兴军、备战打仗的伟大实践。

3 实验结果与分析

3.1 实验数据集

实验中样本数据集来源主要有两个部分，一部分采集于西南林业大学，采集对象是生长在自然环境下患有叶片黑斑病的植株。为了减少不同时间点下光照角度对目标检测正确率的影响，数据采集时间分别为9：00—10：00、12：00—13：00以及18：00—19：00，共采集图像700张；另一部分图像来源于网络，共计200张。将这900张数据集采用翻转、旋转、缩放、模糊等数据增强的方法将数据集扩充到3 600张，并按照7∶2∶1随机分配成训练集、测试集和验证集。

3.2 实验配置

本次实验的环境如表1所示，选取YOLOv5中模型最小的YOLOv5s进行训练，并进行大量的实验选出最合适的超参数，本实验的超参数设置如下：Epoch设为100，batch-size设为2，学习率设为0.000 1。

表1 实验环境

3.3 评价指标

为了验证本实验所用模型对叶片黑斑病的检测性能，选取精准率、召回率和平均精度均值作为模型的评价指标[15]。

精准率定义为：

召回率定义为：

平均精度均值定义为：

其中，TP表示检测正确的叶片黑斑病数目，FP表示虚警的叶片黑斑病数目，FN表示漏检的叶片黑斑病数目。

3.4 实验结果与分析

表2 不同改进模块对算法的提升

算法的边界框损失函数如图1所示，纵坐标为预测框的Loss损失值，横坐标为Epoch训练次数，虚线代表标准YOLOv5算法，实线代表本实验算法，即改进后的算法。通过观察可知，前80轮训练两种模型都迅速收敛，后20轮逐渐平稳，通过比较两条曲线，可以看出改进后的YOLOv5算法的损失函数收敛性更好，且改进后的算法的边界框损失值均小于标准YOLOv5算法。

图1 Loss值曲线

图2为改进前后的叶片黑斑病检测结果对比，通过对比五组图片，可以观察到改进后的算法在小尺度检测方面有很大的提高，与传统的YOLOv5算法检测结果相比，改进后算法的检测精度有所提高。通过对比第三组图片可知，改进后的算法对叶片黑斑病细节更加明确，改善了对背景的误检问题。通过对比第五组图片可知，改进后的算法在密集黑斑病检测方面有相应的改善。综上所述，改进后的YOLOv5算法可以更准确地检测出相应的叶片黑斑病，通过增加小尺度检测层并通过K-means算法聚类得到锚框进行线性缩放操作，降低了对叶片小尺度黑斑的漏检率，对小尺度黑斑病有较好的检测效果；在主干网络中增加注意力机制使算法更加准确地定位和识别叶片黑斑病，降低背景对黑斑病检测影响，以此降低网络模型对叶片黑斑病的误检率；最后修改非极大值抑制函数，改善了网络模型对叶片密集黑斑的识别效果，使得改进后的YOLOv5算法在密集黑斑病检测方面也非常适用。

图2 改进前后结果对比

4 结论

叶片黑斑病面积较小、分布密集，因此不利于检测。现有算法对叶片黑斑病的检测效率低下，为了提高对叶片黑斑病的检测正确率，课题组提出了一种改进的YOLOv5算法。对比不同改进模块对叶片黑斑病的检测结果，选取最优的叶片黑斑病检测算法。

实验结果表明，改进后的YOLOv5算法的收敛性优于原算法，且在小尺度黑斑病检测方面有很大的改进，提高了对叶片黑斑病的检测正确率。不同背景对改进的YOLOv5算法的检测效果没有影响，模型对背景的复杂度要求不高。目前，对植物微小病虫害的研究相对较少，检测算法识别效果不佳，改进后的YOLOv5算法可以改善小尺度病斑和复杂背景带来的病斑目标难以精确定位和识别的问题，可为病斑的早期干预和治疗提供科学依据。未来可以将迁移学习应用到YOLOv5算法检测，探索一种可以识别所有病虫害的检测算法，提高研究算法的便捷性和实用性，并进一步实现远程实时检测植物病虫害。