馬馳 吳華瑞 于會山

摘要：為實現(xiàn)穴盤甘藍的智能化管理，針對穴盤甘藍病害識別存在的光照不均勻、對比度低和待檢測目標(biāo)小等問題，研究了基于深度學(xué)習(xí)的穴盤甘藍病害檢測算法。該算法結(jié)合通道空間注意力機制模塊，在特征提取模塊對特征信息進行重標(biāo)定，引導(dǎo)模型關(guān)注病害區(qū)域特征，抑制背景噪聲，降低模型漏檢率。并采用自適應(yīng)多尺度特征融合算法提取穴盤甘藍病害多尺度特征，充分利用不同尺度特征的語義信息提升小目標(biāo)的檢測精確率。由于算法的檢測框定位不準(zhǔn)確，在回歸損失函數(shù)中添加了重疊面積損失、中心點距離損失和寬高損失，對回歸任務(wù)進行了優(yōu)化，提高穴盤甘藍病害預(yù)測框定位精度；同時引入變焦損失函數(shù)作為分類損失函數(shù)，利用權(quán)重縮放因子緩解模型訓(xùn)練過程中相似病害類間差距小的問題。結(jié)果表明，研究算法對穴盤甘藍炭疽病、細(xì)菌性黑斑病、褐斑病、黑腐病的檢測平均精確率分別為97.59%、99.70%、98.69%和97.64%；其平均精度均值達到98.41%，與YOLOX、Faster R-CNN、YOLOv3、SSD、CenterNet算法相比，分別提高了4.96、12.86、18.19、4.71、10.69百分點。

關(guān)鍵詞：病害檢測；穴盤甘藍；多尺度特征融合；注意力機制；小目標(biāo)檢測

中圖分類號：S436.35；TP391.41 文獻標(biāo)志碼：A

文章編號：1002-1302（2023）08-0193-10

基金項目：科技創(chuàng)新2030——“新一代人工智能”重大項目（編號：2021ZD0113604）；國家現(xiàn)代農(nóng)業(yè)產(chǎn)業(yè)技術(shù)體系項目（編號：CARS-23-D07）。

作者簡介：馬 馳（1998—），男，陜西寶雞人，碩士研究生，主要從事計算機視覺研究。E-mail：2957899957@qq.com。

通信作者：于會山，教授，主要從事信息與信號處理研究。E-mail：13906350692@163.com。

穴盤育苗由于生產(chǎn)成本低、成活率高便于集約化管理，已成為專業(yè)化商品苗生產(chǎn)的主要方式。在育苗過程中，細(xì)菌性黑斑病、黑腐病、炭疽病、灰霉病、立枯病等病害會嚴(yán)重影響穴盤幼苗存活率和品質(zhì)［1-2］。對穴盤幼苗病害進行有效檢測與防治有利于提高種苗產(chǎn)量與質(zhì)量，但穴盤幼苗的生長期短、病害部位小，人工檢測穴盤幼苗病害效率低，不利于及時防治。隨著計算機視覺技術(shù)的發(fā)展，可以實現(xiàn)蔬菜病害的智能分類和病斑定位，為穴盤幼苗病害檢測提供技術(shù)支撐。

傳統(tǒng)蔬菜病害檢測方法是利用機器學(xué)習(xí)算法分析研究病害圖像等數(shù)據(jù)。黨滿意等通過融合馬鈴薯晚疫病顏色特征、紋理特征和形狀特征進行病害識別，對晚疫病中期與后期的識別率分別達到90%和92.5%［3］。王獻鋒等將生長環(huán)境作為特征與圖像表層特征進行了聯(lián)合識別，對黃瓜的霜霉病、褐斑病和炭疽病3種葉部病害的識別率高達90%以上［4］。Rahamathunnisa等對蔬菜病害進行了分割，利用支持向量機（SVM）對病害區(qū)域進行分類［5］。上述研究通過數(shù)字圖像處理技術(shù)人工提取蔬菜病害特征，并結(jié)合機器學(xué)習(xí)模型進行病害識別。但蔬菜病害表觀特征復(fù)雜，人工提取的特征分量較少，蔬菜病害識別準(zhǔn)確率有限。

近年來，基于深度學(xué)習(xí)的研究提出了許多蔬菜病害檢測與識別算法［6-10］。Zhang等利用EfficientNet和先進的優(yōu)化器構(gòu)建了黃瓜類似病害的兩分類模型，準(zhǔn)確率為96%［11］。Zhao等提出了一種基于殘差結(jié)構(gòu)的卷積神經(jīng)網(wǎng)絡(luò)，并嵌入了改進的卷積塊注意模塊，提高了植物葉病的分類，玉米、馬鈴薯、番茄3種病害的鑒定總體準(zhǔn)確率為99.55%［12］。杜忠康等提出了在卷積神經(jīng)網(wǎng)絡(luò)中引入多尺度特征融合模塊，進行植物葉片病害檢測，對番茄葉片病害檢測準(zhǔn)確率達98.7%［13］。以上研究通過背景簡單的數(shù)據(jù)集進行訓(xùn)練，雖然模型的檢測精度較高，但模型適用場景有限。

目前蔬菜病害識別研究主要面向蔬菜生長過程中的病害發(fā)生，缺少圍繞蔬菜幼苗的病害檢測方案。

甘藍是我國居民消費的重要蔬菜，甘藍種植面積約90萬hm2［14］，是大宗蔬菜之一。集約化育種穴盤甘藍，需要依據(jù)環(huán)境因素及時管理幼苗，否則甘藍幼苗會發(fā)生病害，不及時醫(yī)治令成株甘藍的品質(zhì)和產(chǎn)量下降，造成大量經(jīng)濟損失。為了實現(xiàn)穴盤甘藍的智能化管控，本研究以穴盤甘藍為研究對象，針對穴盤甘藍病害檢測存在的以下問題開展研究：（1）蔬菜病害檢測與識別模型大多以成熟期的番茄、黃瓜等為研究對象，對甘藍病害檢測的研究較少；（2）穴盤甘藍幼苗葉片病害區(qū)域較小，且葉片中存在多種病害，病害檢測難度大；（3）不同類別病害癥狀相似，區(qū)分困難。

針對以上問題，本研究設(shè)計了甘藍育苗試驗，在試驗期間采集了炭疽病、細(xì)菌性黑斑病、褐斑病、黑腐病4種常見的穴盤甘藍病害，構(gòu)建了穴盤甘藍病害圖像數(shù)據(jù)集。依據(jù)穴盤甘藍病害特點，基于YOLOX模型提出了兼顧精度與速度的穴盤甘藍病害檢測算法。由于穴盤甘藍病害待檢測目標(biāo)小，因此該算法在特征提取模塊結(jié)合通道空間注意力機制模塊，引導(dǎo)模型關(guān)注病害區(qū)域，降低模型漏檢率。同時，為了減少特征提取模塊的計算量，采用輕量級EfficientNet網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)；并利用自適應(yīng)多尺度特征融合算法融合穴盤甘藍病害多尺度特征，提升小目標(biāo)的檢測精確率?；貧w任務(wù)中，預(yù)測框存在定位不準(zhǔn)確問題，在回歸損失函數(shù)中添加了重疊面積損失、中心點距離損失和寬高損失，提高穴盤甘藍病害預(yù)測框定位精度；同時，在目標(biāo)分類任務(wù)中，引入焦點損失函數(shù)作為分類損失函數(shù)，利用權(quán)重縮放因子緩解模型訓(xùn)練過程中相似病害類間差距小的問題。

1 數(shù)據(jù)集描述

1.1 數(shù)據(jù)采集

于北京市昌平區(qū)小湯山國家精準(zhǔn)農(nóng)業(yè)研究基地2號溫室大棚內(nèi)開展甘藍幼苗育種試驗。如圖1所示，采用穴盤育苗方式培育甘藍幼苗，令其滿足移栽標(biāo)準(zhǔn)。播種甘藍種子到滿足移栽標(biāo)準(zhǔn)的周期為45 d，試驗時間為2021年11月1日至12月15日，試驗數(shù)據(jù)主要采集已經(jīng)生長2張真葉的甘藍幼苗病害圖像。采集不同時間段內(nèi)的穴盤甘藍病害圖像，共1 968張。甘藍幼苗炭疽病葉片發(fā)病葉片上產(chǎn)生水浸狀褐色小斑點，中間白色或灰白色；甘藍幼苗細(xì)菌性黑斑病葉片初生油浸狀密集小斑點，擴展后呈不規(guī)則形或圓形，褐色或黑褐色，邊緣紫褐色；甘藍幼苗褐斑病下部老葉先發(fā)病，在葉片正面或背面生圓形或近圓形的密集或者單個病斑，褐色至黑褐色，斑點可能穿透葉面；甘藍幼苗黑腐病葉片染病，葉緣出現(xiàn)黃色病變，呈“V”字形病斑，發(fā)展后葉脈變黑。炭疽病、細(xì)菌性黑斑病、褐斑病、黑腐病4種病害典型癥狀如圖2所示。

1.2 數(shù)據(jù)預(yù)處理

本研究數(shù)據(jù)集存儲使用VOC2007格式，利用開源軟件LabelImg標(biāo)注1 968張穴盤甘藍病害圖像，其中炭疽病和褐斑病發(fā)病范圍較小，發(fā)病面積占總面積的比例小于3%。通過旋轉(zhuǎn)、鏡像、增加亮度、減少亮度等方式增強病害圖像，提高了穴盤甘藍病害檢測模型的泛化能力。具體過程如圖3所示。圖像擴充后，共計17 712張RGB病害圖像。穴盤甘藍病害數(shù)據(jù)集訓(xùn)練集、測試集、驗證集的數(shù)量比例為8 ∶1 ∶1。各類病害具體樣本數(shù)量如圖4所示。

2 模型設(shè)計

2.1 基礎(chǔ)模型

YOLOX算法［15-16］是YOLO系列最新的一階段目標(biāo)檢測算法，其核心思想是將圖像作為檢測識別網(wǎng)絡(luò)輸入，直接在輸出層完成目標(biāo)的位置定位和分類。YOLOX算法包括輸入端、特征提取模塊、加強特征提取模塊和輸出端，結(jié)構(gòu)圖如圖5所示。

YOLOX算法通過構(gòu)建CSP模塊解決了梯度消失問題，但在穴盤甘藍病害檢測場景下，仍存在不同尺度特征的語義信息利用不充分、小目標(biāo)檢測精度低、模型特征提取模塊參數(shù)多等問題。

2.2 改進的YOLOX算法：AD-ASFF-YOLOX

針對穴盤甘藍病害圖像病害區(qū)域小、不同病害類別之間癥狀相似等問題，本研究基于YOLOX算法提出了穴盤甘藍病害檢測模型（AD-ASFF-YOLOX），其結(jié)構(gòu)如圖6所示。與YOLOX不同的是：（1）在特征提取模塊使用了輕量級EfficientNet網(wǎng)絡(luò)，通過不同卷積方式減少模型參數(shù)的計算量；（2）特征提取模塊結(jié)合通道空間注意力機制模塊提取病害特征，引導(dǎo)模型關(guān)注病害，抑制背景，降低模型漏檢率；（3）采用自適應(yīng)多尺度特征融合算法提取穴盤甘藍病害多尺度特征，充分利用不同尺度特征的語義信息提升病害檢測精確率；（4）在回歸任務(wù)的損失函數(shù)中添加了重疊面積損失、中心點距離損失和寬高損失，提高穴盤甘藍病害預(yù)測框定位精度；（5）在分類任務(wù)中，引入變焦損失函數(shù)作為分類損失函數(shù)，利用權(quán)重縮放因子緩解模型訓(xùn)練過程中相似病害類間差距小的問題。

2.2.1 輕量級特征提取網(wǎng)絡(luò)EfficientNet

在特征提取過程中，為了減少模型參數(shù)，引入輕量級EfficientNet［17-18］為主干特征提取網(wǎng)絡(luò)。EfficientNet特征提取網(wǎng)絡(luò)對網(wǎng)絡(luò)模型的深度（網(wǎng)絡(luò)的層數(shù)）、寬度（特征圖的通道數(shù)）和圖像分辨率按照固定的縮放系數(shù)進行縮放，特征圖利用上采樣將輸入升維，并在多個輕量翻轉(zhuǎn)瓶頸卷積核模塊中進一步實現(xiàn)高效特征提取，MBConv結(jié)合深度可分離卷積模塊和注意力機制模塊，移動翻轉(zhuǎn)瓶頸卷積結(jié)構(gòu)如圖7所示。EfficientNet網(wǎng)絡(luò)將標(biāo)準(zhǔn)卷積分解成逐通道卷積和逐點卷積減少計算量，從而提升模型的檢測速度。

2.2.2 嵌入通道空間注意力機制模塊

穴盤甘藍病害檢測模型在特征提取過程中，圖像在經(jīng)過改變大小和卷積操作之后，待檢測特征會變得模糊、形變甚至?xí)G失。因此，本研究在穴盤甘藍病害檢測模型的特征提取模塊中添加了注意力機制模塊，選擇性地強調(diào)穴盤甘藍病害特征并實現(xiàn)特征精準(zhǔn)定位。

通道空間注意力機制［19］將輸入的特征圖F∈RC×H×W，分別輸入通道注意力模塊和空間注意力模塊，依次推斷出一維的通道注意力圖MC∈RC×1×1和二維空間注意力圖MS∈R1×H×W，其中C、W和H分別代表特征圖的通道數(shù)、寬和高。通道空間注意力機制總的實現(xiàn)過程可以概括為：

圖9和圖10為通道注意力圖MC和空間注意力圖MS的生成過程。

通道注意力模塊通過最大池化（MaxPool）和平均池化（AvgPool）操作獲取豐富的通道注意力特征，通道注意力機制模塊計算過程為：

式中：W0和W1是多層感知機（multilayer perceptron，MLP）的權(quán)重；σ為sigmoid函數(shù)。

由于穴盤甘藍病害圖像存在密集的待檢測目標(biāo)，多個病害目標(biāo)的位置可能重疊，而空間注意力機制與通道注意力機制為互補關(guān)系，可以獲取病害特征的空間位置信息，實現(xiàn)對多個穴盤甘藍病害部位準(zhǔn)確定位。

獲得空間位置信息的過程如下，空間注意力機制模塊使用最大池化和平均池化方法聚合通道注意力圖MC的通道信息，生成最大池化特征和平均池化特征，然后將2個特征進行拼接并通過卷積操作生成二維的空間注意力特征圖MS。

式中：σ為sigmoid函數(shù)；f7×7為卷積操作。

2.2.3 自適應(yīng)多尺度特征融合算法

YOLOX的加強特征提取網(wǎng)絡(luò)通過拼接2個不同尺度特征層實現(xiàn)多尺度特征融合。但拼接方式很難對病害區(qū)域較小的褐斑病和炭疽病進行不同尺度特征融合，難以充分利用穴盤甘藍病害特征語義信息，會出現(xiàn)多尺度目標(biāo)的檢測精度低、漏檢率高等問題。本研究引入了自適應(yīng)多尺度特征融合模塊［20］，自適應(yīng)學(xué)習(xí)每個尺度特征圖的融合空間權(quán)重，結(jié)構(gòu)如圖11所示。自適應(yīng)多尺度特征融合模塊將特征加強網(wǎng)絡(luò)輸出的3個不同尺度的有效特征X1、X2、X3作為輸入，對3個特征通過卷積操作進行恒等縮放，輸出3個維度相同的特征X1→3、X2→3、X3→3，3個特征的深度不同，因此包含了不同層次的語義信息。然后將輸出的3個特征與自適應(yīng)學(xué)習(xí)的3個空間權(quán)重結(jié)合，得到新的特征作為輸出，達到自適應(yīng)融合的效果。對X3特征進行自適應(yīng)多尺度融合的過程可以概括為：

式中：Y3ij是X3經(jīng)過ASFF輸出的特征向量；X1→3ij表示將第1層特征的尺度調(diào)整到與第3層特征的尺度相同之后位置為（i，j）的特征向量；α3ij，β3ij，γ3ij分別表示將X1，X2，X3的尺度調(diào)整到與X3尺度相同時的重要性權(quán)重，由網(wǎng)絡(luò)自適應(yīng)學(xué)習(xí)，且滿足α3ij，β3ij，γ3ij∈［0，1］。

2.2.4 焦點損失函數(shù)

YOLOX將二元交叉熵?fù)p失函數(shù)作為分類損失函數(shù)，采用類間競爭機制，僅關(guān)心對正確標(biāo)簽預(yù)測概率的準(zhǔn)確性，而忽略了其他非正確標(biāo)簽的差異，導(dǎo)致癥狀相似的不同病害檢測難度大。且當(dāng)病害區(qū)域較小時，背景特征會占據(jù)損失函數(shù)的主導(dǎo)，使模型嚴(yán)重偏向背景，檢測精度低。本研在分類任務(wù)中引入了焦點損失函數(shù)［21］，通過pλ因子縮放損失，減少模型在訓(xùn)練中背景特征的權(quán)重，但是不會減少重要的病害特征的權(quán)重，將訓(xùn)練的重點轉(zhuǎn)移到病害特征上，從而提升穴盤甘藍類間病害病狀相似檢測準(zhǔn)確率。焦點損失函數(shù)公式如下：

式中：p為預(yù)測分類得分；q為目標(biāo)分?jǐn)?shù)；α為比例因子；pγ為縮放因子。

2.2.5 EIoU回歸損失函數(shù)

YOLOX算法的回歸損失函數(shù)IoU 損失函數(shù)［22］定義公式如下：

式中：A為真實框；B為預(yù)測框。

當(dāng)預(yù)測框和真實框不相交時，網(wǎng)絡(luò)不存在梯度回傳，無法下一步學(xué)習(xí)，導(dǎo)致模型收斂速度慢。IoU損失函數(shù)重點關(guān)注真實框與預(yù)測框交集和并集的面積，不能反映它們之間的重合度，模型檢測精度低。EIoU損失函數(shù)［23］在IoU損失函數(shù)基礎(chǔ)上添加了懲罰項，解決了預(yù)測框與真實框的交并比為0的情況；且EIoU損失函數(shù)在回歸任務(wù)中考慮了重疊面積損失、中心點距離損失和寬高損失，使目標(biāo)框與預(yù)測框的寬度和高度之差最小、穴盤甘藍病害檢測模型收斂速度更快、預(yù)測框的定位精度更高。EIoU損失函數(shù)公式如下：

式中：Ldis為距離損失；Lasp為邊長損失；Cw和Ch是覆蓋2個最小外接框的寬度和高度；bgt代表預(yù)測框與真實框的中心點；ρ代表2個框中心點的歐氏距離；c代表能夠同時包含預(yù)測框的框與真實框的對角線長度。

3 試驗驗證與結(jié)果分析

3.1 評估指標(biāo)

為了驗證AD-ASFF-YOLOX模型的有效性，采用平均精確度（AP）、平均精確度均值（MAP）對穴盤甘藍病害檢測性能進行評估。指標(biāo)的計算公式如下：

式中：TP代表識別甘藍病害正確的數(shù)量；FP代表背景被錯誤識別為病害的數(shù)量；TPi代表預(yù)測第i類甘藍病害正確的數(shù)量；FPi代表預(yù)測第i類甘藍病害樣本錯誤的數(shù)量；N代表甘藍病害的種類總數(shù)。AP值和mAP值越接近1，表明模型的性能越好。

3.2 試驗環(huán)境

本研究所有的試驗環(huán)境都在操作系統(tǒng)Ubuntu 18.0下進行，處理器為11th Gen Intel CoreTM i7-11800H，顯卡為NVIDIA GeForce RTX 3050 Ti Laptop，使用pytorch深度學(xué)習(xí)框架，訓(xùn)練過程中所有模型的批大小設(shè)置為8。所有對照試驗網(wǎng)絡(luò)模型迭代次數(shù)為100輪。

3.3 試驗結(jié)果與分析

3.3.1 消融試驗性能對比

為了驗證AD-ASFF-YOLOX算法對穴盤甘藍病害檢測的有效性，以YOLOX算法為基礎(chǔ)，為AD-ASFF-YOLOX算法設(shè)計了消融試驗。表1為5組模型對穴盤甘藍病害檢測的性能數(shù)據(jù)對比。（1）在YOLOX的特征提取模塊引入注意力機制模塊，模型對病害特征信息進行重標(biāo)定，更關(guān)注病害信息。改進后模型對炭疽病和褐斑病的檢測平均精確率分別提升了1.04百分點和1.8百分點，平均精確度均值提升了0.4百分點。（2）在此基礎(chǔ)上采用了自適應(yīng)多尺度融合模塊，模型能夠充分利用不同尺度特征的語義信息，較大地提升了病害檢測模型的平均精確率和平均精確度均值，平均精確度均值比之前提升了1.45百分點。（3）在輸出層，采用了EIoU損失函數(shù)對回歸任務(wù)進行了優(yōu)化，提升了預(yù)測框的定位準(zhǔn)確率；同時引入變焦損失函數(shù)作為分類損失函數(shù)，模型考慮了不同種類病害之間差距問題，提升了類間差距小的檢測準(zhǔn)確率。平均精確度均值比之前提高了0.2百分點。（4）使用EfficientNet作為特征提取網(wǎng)絡(luò)，通過固定縮放系數(shù)對網(wǎng)絡(luò)深度、分辨率和通道數(shù)進行調(diào)整，結(jié)合通道空間注意力機制模塊和自適應(yīng)多尺度特征融合模塊，提高了模型的平均檢測精確率。試驗表明，改進后的穴盤甘藍檢測算法 AD-ASFF-YOLOX對炭疽病、細(xì)菌性黑斑病、褐斑病、黑腐病的平均檢測精確率比之前分別提升了5.39、2.00、3.06和1.18百分點，平均精確度均值提高了2.91百分點。說明了網(wǎng)絡(luò)模型改進后，在學(xué)習(xí)的過程中，會區(qū)分穴盤甘藍病害區(qū)域與背景區(qū)域、考慮不同種類穴盤甘藍病害之間的差別；網(wǎng)絡(luò)模型在不斷的迭代中，使模型對穴盤甘藍病害檢測具有更好的性能。

3.3.2 檢測效果對比試驗

為了進一步驗證AD-ASFF-YOLOX模型的檢測效果，本研究提出從置信度、小目標(biāo)病害檢測效果和密集目標(biāo)檢測效果3個角度對穴盤甘藍病害的檢測效果進行評價，并與YOLOX算法進行對比。

3.3.2.1 置信度對比試驗

隨機在穴盤甘藍病害測試數(shù)據(jù)集中，選取含有少量病害和較多數(shù)量病害圖片，使用YOLOX和AD-ASFF-YOLOX進行測試，結(jié)果如圖12所示。

圖12-a中病害為細(xì)菌性黑斑??；圖12-b中病害為褐斑病，病害數(shù)量較多；圖12-c中AD-ASFF-YOLOX模型檢測出細(xì)菌性黑斑病的置信度為92%，高于YOLOX模型的86%；圖12-d中 AD-ASFF-YOLOX檢測出褐斑病的2個位置的置信度分別為92%和89%，高于YOLOX的89%和87%。置信度越大代表預(yù)測框中包含物體的概率越大、學(xué)習(xí)穴盤甘藍病害特征的語義信息更多。而病害的語義信息需要在檢測模型的特征提取模塊和多尺度特征融合模塊中獲取，所以AD-ASFF-YOLOX算法能夠獲得更好的檢測效果。

3.3.2.2 小目標(biāo)病害檢測試驗

YOLO系列算法是一階段目標(biāo)檢測算法，其對小目標(biāo)的檢測效果不佳，而穴盤甘藍病害區(qū)域較小，為了驗證AD-ASFF-YOLOX對小目標(biāo)的檢測效果，在測試集穴盤甘藍病害圖像中挑選病害區(qū)域小的炭疽病、褐斑病和早期的黑腐病。使用YOLOX算法和AD-ASFF-YOLOX分別進行檢測，檢測結(jié)果如圖13所示。

如圖13所示，YOLOX對小目標(biāo)的甘藍病害進行檢測時會發(fā)生漏檢的情況，是因為模型在對圖像特征進行提取時，下采樣操作會導(dǎo)致特征發(fā)生形變或者丟失。通過引入通道空間注意力機制和變焦損失函數(shù)可以使模型對特征信息重標(biāo)定，使病害區(qū)域特征的權(quán)重更高，忽略背景特征，從而改善了模型對小目標(biāo)檢測的性能。

3.3.2.3 密集病害檢測試驗

在穴盤甘藍病害圖像中，葉片存在多種病害，發(fā)病區(qū)域小且密集，人為檢測容易漏檢，而利用計算機視覺可以提升穴盤甘藍病害檢測的準(zhǔn)確率，且減少了對密集病害的漏檢率。隨機在測試集中選取密集病害圖像，使用YOLOX和 AD-ASFF-YOLOX進行檢測，結(jié)果如圖14所示。

從圖14中觀察到，在幼苗病害圖像分辨率低和病害區(qū)域密集的情況下，YOLOX會發(fā)生漏檢的情況，未檢測的區(qū)域在AD-ASFF-YOLOX的檢測圖已標(biāo)記。AD-ASFF-YOLOX模型通過通道空間注意力機制模塊對融合特征按權(quán)重重新進行排列，高權(quán)值特征通道的特征會更加顯著，密集區(qū)域可能出現(xiàn)部分重疊，但是該區(qū)域特征權(quán)重較高，而不會被漏檢（表2）。因此通過對YOLOX算法的有效改進，明顯增加了AD-ASFF-YOLOX的密集病害檢測能力。

3.3.3 對比試驗分析

以炭疽病、細(xì)菌性黑斑病、褐斑病、黑腐病4種類型的穴盤甘藍病害作為檢測的對象。本研究使用現(xiàn)有成熟的基于深度學(xué)習(xí)的目標(biāo)檢測算法（YOLOX、YOLOv3、CenterNet、SSD、Fast R-CNN和AD-ASFF-YOLOX）進行甘藍病檢測，并且比較了這些檢測模型對穴盤甘藍病害檢測的平均精確率。模型的驗證集準(zhǔn)確率對比效果如表3所示，從多種模型的檢測效果來看，以上檢測模型都能取得理想效果。

由表3可得，針對穴盤甘藍的病害檢測任務(wù)，基于深度學(xué)習(xí)算法（YOLOv3、SSD、Fast R-CNN、CenterNet、YOLOX） 的檢測準(zhǔn)確率較高，驗證集的平均精確率均值分別為80.22%、93.70%、85.55%、87.72%、93.45%。雖然這些算法檢測精確率較高，但仍不能針對性地滿足穴盤甘藍病害圖像的高精度檢測要求。因為穴盤甘藍的褐斑病和炭疽病待檢測的病害區(qū)域較小，較難精準(zhǔn)識別。本研究的AD-ASFF-YOLOX 模型對病害面積較小的褐斑病和炭疽病的穴盤甘藍的誤識率更低，其中褐斑病、細(xì)菌性黑斑病、炭疽病和黑腐病較原模型YOLOX的平均精確率分別提升了8.03、1.65、8.04、2.12百分點，平均精確度均值提升了4.96百分點。因此，AD-ASFF-YOLOX模型能有效區(qū)分不同病害之間細(xì)微差距的小目標(biāo)檢測，對穴盤甘藍病害檢測有較好的表現(xiàn)。

3.3.4 多模型性能對比試驗

在實際應(yīng)用中，模型的檢測效率對檢測任務(wù)也有很大的影響。表4為基礎(chǔ)模型YOLOX、改進后的模型AD-ASFF-YOLOX模型和未添加EfficientNet模塊的改進算法對甘藍幼苗病害檢測任務(wù)的平均測試耗時、幀率（f/s）和平均精確率。

AD-ASFF-YOLOX模型與原始的YOLOX 模型的檢測平均耗時相比增加了0.002 368 9 s，平均精確率提升了4.96百分點。 AD-ASFF-YOLOX與未使用EfficientNet?？斓腁D-ASFF-YOLOX模型相比檢測平均耗時降低了0.001 538 87 s，提升了模型的檢測速度，同時使模型的平均檢測精確率提升了2.91百分點。以上可以說明模型使用輕量級特征提取模塊EfficientNet可以較小地提升模型的檢測速度和平均精確率。

4 結(jié)論

本研究以穴盤甘藍病害圖像為研究對象，在溫室大棚進行了數(shù)據(jù)采集。首先，針對自然環(huán)境條件下病害圖像存在的光照分布不均勻、對比度低等問題，對病害圖像進行了數(shù)據(jù)增強，增加模型的魯棒性和泛化能力；針對病害圖像背景復(fù)雜和待檢測目標(biāo)小的問題，引入了注意力機制模塊和自適應(yīng)多尺度特征融合模塊。其次，引入了EIoU 損失函數(shù)和變焦損失函數(shù)，提升了預(yù)測框的定位精度。AD-ASFF-YOLOX 相比于其他檢測算法（Faster R-CNN、YOLOv3、SSD、Centernet）對穴盤甘藍褐斑病、細(xì)菌性黑斑病、炭疽病和黑腐病的平均檢測精確率均有提升，AD-ASFF-YOLOX的平均精確度均值為98.41%，比原始的YOLOX算法提升了4.96百分點，能夠適應(yīng)復(fù)雜自然環(huán)境，為植物類病害檢測提供了研究基礎(chǔ)，具有重要理論價值和實際意義。

由于本研究采集的穴盤甘藍病害種類較少，在下一步研究過程中，需要采集更多種類的穴盤甘藍病害圖像，擴大模型的適用范圍；對ASFF-AD-YOLOX模型進一步改進，提升模型檢測與識別的準(zhǔn)確率和檢測速度。

參考文獻：

［1］陳茂春. 甘藍類蔬菜常見病害的防治［J］. 農(nóng)村實用技術(shù)，2015（10）：36-38.

［2］呂穎華. 3種甘藍病害的癥狀識別與防治技術(shù)［J］. 鄉(xiāng)村科技，2018（21）：108-109.

［3］黨滿意，孟慶魁，谷 芳，等. 基于機器視覺的馬鈴薯晚疫病快速識別［J］. 農(nóng)業(yè)工程學(xué)報，2020，36（2）：193-200.

［4］王獻鋒，張善文，王 震，等. 基于葉片圖像和環(huán)境信息的黃瓜病害識別方法［J］. 農(nóng)業(yè)工程學(xué)報，2014，30（14）：148-153.

［5］Rahamathunnisa U，Nallakaruppan M K，Anith A，et al. Vegetable disease detection using K-means clustering and SVM［C］//2020 6th International Conference on Advanced Computing and Communication Systems （ICACCS）. Coimbatore，India：IEEE，2020：1308-1311.

［6］岳有軍，劉杰瓊，王紅君，等. 基于改進YOLOv3模型的蘋果樹葉片病斑檢測［J］. 中國科技論文，2021，16（11）：1202-1208.

［7］Nagaraju M，Chawla P. Systematic review of deep learning techniques in plant disease detection［J］. International Journal of System Assurance Engineering and Management，2020，11（3）：547-560.

［8］吳華瑞. 基于深度殘差網(wǎng)絡(luò)的番茄葉片病害識別方法［J］. 智慧農(nóng)業(yè)，2019，1（4）：42-49.

［9］樊湘鵬，許 燕，周建平，等. 基于遷移學(xué)習(xí)和改進CNN的葡萄葉部病害檢測系統(tǒng)［J］. 農(nóng)業(yè)工程學(xué)報，2021，37（6）：151-159.

［10］孟 亮，郭小燕，杜佳舉，等. 一種輕量級CNN農(nóng)作物病害圖像識別模型［J］. 江蘇農(nóng)業(yè)學(xué)報，2021，37（5）：1143-1150.

［11］Zhang P，Yang L，Li D L. EfficientNet-B4-Ranger：a novel method for greenhouse cucumber disease recognition under natural complex environment［J］. Computers and Electronics in Agriculture，2020，176：105652.

［12］Zhao Y，Sun C D，Xu X，et al. RIC-Net：a plant disease classification model based on the fusion of Inception and residual structure and embedded attention mechanism［J］. Computers and Electronics in Agriculture，2022，193：106644.

［13］杜忠康，房 勝，李 哲，等. 基于卷積神經(jīng)網(wǎng)絡(luò)深度特征融合的番茄葉片病害檢測［J］. 中國科技論文，2021，16（7）：701-707.

［14］劉亮希，李 金，任 麗，等. 早熟牛心甘藍新品種瑞光春雷［J］. 長江蔬菜，2022（11）：16-17.

［15］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.

［16］Ge Z，Liu S T，Wang F，et al. YOLOX：exceeding YOLO series in 2021［EB/OL］. （2021-08-06）［2022-10-01］. https：//arxiv.org/abs/2107.08430.

［17］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［EB/OL］. （2020-09-11）［2022-10-01］. https：//arxiv.org/abs/1905.11946.

［18］Agarwal M，Gupta S K，Biswas K K. Development of efficient CNN model for tomato crop disease identification［J］. Sustainable Computing：Informatics and Systems，2020，28：100407.

［19］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［M］//Computer Vision-ECCV 2018.Cham：Springer International Publishing，2018：3-19.

［20］Liu S T，Huang D，Wang Y H. Learning spatial fusion for single-shot object detection［EB/OL］. （2019-11-25）［2022-10-01］. https：//arxiv.org/abs/1911.09516.

［21］Li C，Cao Y N，Peng Y K. Research on automatic driving target detection based on YOLOv5s［J］. Journal of Physics：Conference Series，2022，2171（1）：012047.

［22］Zheng Z H，Wang P，Liu W，et al. Distance-IoU loss：faster and better learning for bounding box regression［J］. Proceedings of the AAAI Conference on Artificial Intelligence，2020，34（7）：12993-13000.

［23］Yang Z M，Wang X L，Li J G. EIoU：an improved vehicle detection algorithm based on VehicleNet neural network［J］. Journal of Physics：Conference Series，2021，1924（1）：012001.