基于改進YOLOX-S的玉米病害識別

李名博 任東悅 郭俊旺 衛(wèi)勇

摘要：在玉米病害的影響下，玉米產(chǎn)量下降，其中大部分病害癥狀均反映在玉米的葉片上。針對人工識別葉片費時、費力、準確率低的問題提出了一種基于改進YOLOX-S網(wǎng)絡(luò)的玉米病害識別模型，并將該模型部署到Atlas 200DK開發(fā)板中。該研究在YOLOX-S的基礎(chǔ)上添加了4個CBAM注意力機制模塊，其中3個注意力機制模塊添加到網(wǎng)絡(luò)的Backbone與Neck之間，第4個注意力機制模塊添加到SPPBottleneck的2次上采樣結(jié)果后，通過使用不同的權(quán)重來調(diào)整不同病害特征細節(jié)的重要程度，能夠提高模型收斂速度，有效提升模型的識別精度，并基于Atlas 200DK開發(fā)板的特性及相關(guān)屬性，將改進后的模型部署到開發(fā)板當中，實現(xiàn)了算法的移植。結(jié)果表明，改進后的YOLOX-S網(wǎng)絡(luò)模型與YOLO v3、YOLO v4、Faster R-CNN 模型相比，在識別率與精確性方面有著顯著的優(yōu)勢，與原模型相比，識別準確率（mAP值）提高0.2百分點，改進后的YOLOX-S網(wǎng)絡(luò)模型對玉米病害的識別準確率高達98.75%，并且部署到Atlas 200DK開發(fā)板的模型仍然發(fā)揮良好的檢測性能，可以為識別玉米病害提供參考。

關(guān)鍵詞：病害識別；深度學習；改進型YOLOX-S；數(shù)據(jù)增強；模型部署

中圖分類號：TP391.41? 文獻標志碼：A

文章編號：1002-1302（2024）03-0237-10

進入21世紀，深度學習與人工智能技術(shù)迅速發(fā)展，許多學科都與人工智能有了交叉，由于深度學習在許多方面的成功運用，目前已有許多學者把目光轉(zhuǎn)向了深度學習與農(nóng)業(yè)的融合。我國的玉米種植面積極其廣泛，因其具有極高的營養(yǎng)價值，更是農(nóng)民收入的重要來源。然而，玉米在生長的過程中也會產(chǎn)生各種病害：大斑病、小斑病、銹病、玉米紋枯病、玉米彎孢葉斑病等［1］。因此，利用深度學習技術(shù)對病害的不同類型進行有效分類，幫助農(nóng)民解決了大問題，為這一問題的求解打下了良好的基礎(chǔ)。目前，在農(nóng)業(yè)生產(chǎn)中使用深度學習的方法日益增多。經(jīng)過對CaffeNet模型的微調(diào)，Hasan等對15種不同類型的植物進行了分類，其中包括13種病害、1種背景和1種正常葉子，每一種類型的識別準確率都超過91%［2］。Chen等將空間注意力理論與 DenseNet相結(jié)合，將玉米病害分類的精度提高到98.96%，并將其與其他3種病葉進行了比較［3］。另外，有些學者將多種深度學習模式與分類方法相結(jié)合，或利用不同的技術(shù)，將人工制造的特性與自動特征相結(jié)合，從而提高了綜合結(jié)果。畢春光等根據(jù)BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小的缺點，在此基礎(chǔ)上，利用貝葉斯神經(jīng)網(wǎng)絡(luò)，提出了一種新的預測模型，并與傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)進行比較，試驗證明，該方法具有較高的精確度，可達94.04%［4］。毛彥棟等針對玉米葉部病害圖像的顏色、紋理、形狀特征對病害影響的差異性，提出一種結(jié)合單特征下的SVM識別準確率和識別結(jié)果的融合多特征玉米病害識別方法［5］。本研究在YOLOX-S的基礎(chǔ)上進行改進，加入了4個CBAM注意力機制模塊，用來提高目標檢測算法的識別率，采用Mosaic、MixUp、CutOut等數(shù)據(jù)增強方法，完成玉米病害的識別，并將改進型YOLOX-S算法模型部署到Atlas 200DK中，對其效果進行測試，發(fā)現(xiàn)GPU算法移植到Atlas 200DK上仍然擁有良好的檢測性能。

1 數(shù)據(jù)集的構(gòu)建

1.1 數(shù)據(jù)來源

試驗時間為2022年9—12月，試驗地點位于天津市西青區(qū)津靜公路22號天津農(nóng)學院工程技術(shù)學院。

本研究的試驗數(shù)據(jù)主要來自于PlantVillage公共數(shù)據(jù)集，采用數(shù)據(jù)集中的3種玉米病害葉片與玉米健康葉片數(shù)據(jù)作為本研究的試驗數(shù)據(jù)。病害種類包括玉米葉斑病、玉米灰斑病和玉米銹病，這3類病害葉片加上健康葉片的數(shù)據(jù)共計3 852張。試驗數(shù)據(jù)集中的圖像示例如圖1所示。

1.2 數(shù)據(jù)標注

本次試驗的標注工作均由6名有標識經(jīng)驗的專家完成，每一塊玉米葉片都被一個綠色長方形的框架所包圍。同時，對標注好的文件進行重新校對，以防止出現(xiàn)漏標誤標。用XML格式存儲標記過的玉米葉片，圖2顯示了標記過的玉米葉片和相應(yīng)的 XML文檔文件，該文檔包括了由長方形的邊框構(gòu)成的玉米葉子的位置信息。在此文件中，boundingbox作為4元組（xmin，ymin，xmax，ymax），（xmin，ymin）代表boundingbox的左上方，而xmax則是bounding box的寬度和高度，并與標記的玉米葉片進行一一對應(yīng)，從而將玉米的位置信息全部記錄下來［6］。

1.3 數(shù)據(jù)增強

根據(jù)原始數(shù)據(jù)集，利用Mosaic、MixUp、CutOut等數(shù)據(jù)增強方法，對原始數(shù)據(jù)集進行了擴充，同時對不同像素和XML文件進行增強處理，大大縮短了重復標注的時間和人力成本［7］。原始玉米病害圖像如圖3所示，增強后的部分圖像如圖4所示。

本試驗所用的玉米病害圖像原始分辨率均為256像素×256像素，為了達到更好的訓練效果，對原始數(shù)據(jù)集進行了預處理，統(tǒng)一調(diào)整了分辨率，將數(shù)據(jù)增強后的7 023張玉米病害圖像統(tǒng)一縮小到224像素×224像素。其中，玉米健康葉片、玉米葉斑病、玉米灰斑病、玉米銹病的圖像數(shù)分別為1 982、1 360、1 560、2 121張，具體如圖5所示。

本次數(shù)據(jù)增強對玉米病害圖像及玉米的健康葉片圖像進行了重新劃分，按照8 ∶1 ∶1的比例將玉米病害數(shù)據(jù)分為訓練集、測試集和驗證集。加強后的訓練集、測試集、驗證集樣本總數(shù)分別為 5 617、703、703張，數(shù)據(jù)增強后的訓練集測試集圖像數(shù)量詳情如表1所示。

2 改進的YOLOX-S算法

2.1 YOLOX-S目標檢測算法

2021年，曠視科技基于YOLO系列，結(jié)合近幾年國內(nèi)外研究成果，對其進行了優(yōu)化和完善，并推出了YOLOX算法。YOLO v5在目標檢測方面掀起了一股網(wǎng)絡(luò)結(jié)構(gòu)分解、剖析的熱潮，YOLOX算法正是基于YOLOX的思想，將YOLOX模式轉(zhuǎn)化成了多種可選擇的網(wǎng)絡(luò)。例如，在YOLO v3_spp中加入幾個常見的改進方法，增加YOLO v3 baseline基準模型，增加不同的trick，其中不局限于Decoupled、SimOTA，從而獲得YOLOX-Darknet53網(wǎng)絡(luò)；針對YOLO v5的4種不同的網(wǎng)絡(luò)，分別使用高效的trick進行優(yōu)化，最終獲得YOLOX-S、YOLOX-M、YOLOX-L、YOLOX-X這4種不同的網(wǎng)絡(luò)模式，還對YOLOX-Nano、YOLOX-Tiny等輕量級網(wǎng)絡(luò)進行了設(shè)計，并對其適應(yīng)性進行了試驗［8］。

2.2 注意力機制

注意力機制源于人腦特殊的信號加工機理。在卷積神經(jīng)網(wǎng)絡(luò)中，注意力機制被廣泛用于自然語言處理、機器視覺等領(lǐng)域，通過使用不同的權(quán)重來調(diào)整信息的重要性，將重點信息乘以較高的權(quán)重，強調(diào)其重要性，同時對非關(guān)鍵信息進行加權(quán)濾波，從而實現(xiàn)對復雜任務(wù)的快速篩選［9］。

2.2.1 通道注意力

通道注意力主要集中在圖像的語義信息上，使網(wǎng)絡(luò)對所給的圖像進行更多的詳細分析。在檢測網(wǎng)絡(luò)中，每一個卷積層都含有大量的濾波器，用于學習代表所有通道的局部空間連通方式。通道關(guān)注的是各個通道間的關(guān)聯(lián)，并對各個通道賦予不同的權(quán)值以確定它們的重要性。其主要原理為將輸入的特征圖F進行最大池化和平均池化處理，獲得1×1×C的特征圖，然后將其送至共享網(wǎng)（Shared MLP），逐個單元相加，由Sigmoid激活函數(shù)進行最后的詳細計算，最終形成信道注意力MC［10］。SENet是“通道關(guān)注”的經(jīng)典作品，曾經(jīng)獲得2017 ImageNetworks和Image類目任務(wù)的冠軍。它的模塊結(jié)構(gòu)在圖6中顯示，輸入的特征是X，C1是特性通道，經(jīng)過一系列的卷積轉(zhuǎn)換，輸出的是C2的特性通道。首先，在空間維度上對各特征進行壓縮，將各二維特性通道變成一個真實C，從而得到先前的整體感知范圍，再進行激發(fā)運算，通過對信道重要性的預測，采用W參數(shù)并根據(jù)信道大小對信道進行加權(quán)，最終對通道維度的初始特征進行重新校正。SENet的運算量非常小，可以在任意的網(wǎng)絡(luò)中任意插入，提高了性能。

2.2.2 空間注意力

空間注意力集中于圖像的空間位置信息，使得網(wǎng)絡(luò)對圖像的有效特征進行了詳細分析。它的主要功能是利用大卷積核進行卷積操作，在擴展感知范圍的同時，對物體的空間位置信息進行優(yōu)化，從而實現(xiàn)對目標的精確定位?？臻g注意力的模式結(jié)構(gòu)如圖7中所顯示，首先，在輸入的特征曲線F上，沿信道軸線對同一位置的像素進行最大的池化并平均，從而獲得兩幅H×W×1的特征圖，再用7×7的卷積運算和Sigmoid激活功能，從而生成空間注意力MS［11］。

2.3 改進的YOLOX-S網(wǎng)絡(luò)結(jié)構(gòu)

YOLOX-S算法的網(wǎng)絡(luò)結(jié)構(gòu)較為復雜，大致分為3個部分，包括主干特征提取網(wǎng)絡(luò)CSPDarknet，它在特征提取上有重要的作用，然后是加強特征提取網(wǎng)絡(luò)FPN，特征提取后進行加強，最后是分類器與回歸器YOLO head。首先會對輸入進來的圖片進行resize的處理，采用Focus網(wǎng)絡(luò)結(jié)構(gòu)進行特征抽取，在抽取圖像時，會對圖像進行高、寬的壓縮，同時增加通道數(shù)量。然后，使用Resblock body的結(jié)構(gòu)進行特征提取。這里一共使用4次Resblock body的結(jié)構(gòu)。先選取一個3×3的濾波器，通過濾波器對輸入的層進行寬和高不同通道的壓縮，對通道進行調(diào)整。在第4次的結(jié)構(gòu)中加入了SPP結(jié)構(gòu)，即使用不同池化和的不同池化進行特征提取，如圖6中的3個池化和分別為5、9、13。在使用卷積方法來減少通道數(shù)目之前，進行池化后得到了一個結(jié)果，然后將這個結(jié)果進行迭代。主干特征提取網(wǎng)絡(luò)CSPDarknet起到重要作用，經(jīng)過它可以得到3個有效特征層，對玉米病害的RGB三色圖進行3、4、5次壓縮，結(jié)果的shape分別為（80×80×256）、（40×40×512）、（20×20×1 024）。然后會利用這3個有效特征層進行加強特征提取網(wǎng)絡(luò)的構(gòu)建［12］。在加強特征提取網(wǎng)絡(luò)中，本質(zhì)上是進行特征融合，在融合的過程中，會出現(xiàn)上下取樣的特征融合。采用CSPDarknet和 FPN技術(shù)，在卷積學習過程中得到3種不同的有效特征層。將各特征點視為一系列有通道數(shù)的特征點，用YOLO-s頭判定所述特征點，并判定所述特征點是否存在對象與所述特征點相對應(yīng)。所以，YOLOX-S網(wǎng)絡(luò)的整體工作是提取特征點，強化特征點，并對特征點所對應(yīng)的目標狀態(tài)進行預測。改進YOLOX-S目標檢測算法模型融合了4個注意力機制模塊，在骨干網(wǎng)絡(luò)提取出來3個有效特征層，然后分別加入了注意力機制，同時在采樣后的結(jié)果加入注意力機制，加入的注意力機制均為CBAM模塊。改進后的YOLOX-S網(wǎng)絡(luò)結(jié)構(gòu)如圖8所示。

2.4 特征提取與特征融合

首先，利用CSPDarknet對玉米病害圖像進行一次特征提取，提取的圖像特征命名為“特征層”，即圖像的特征集合。在骨干中，獲取了3個特征層，用于下一步網(wǎng)絡(luò)的構(gòu)建，這3個特征層稱之為“有效特征層”；還使用了Focus網(wǎng)絡(luò)結(jié)構(gòu)，具體的操作：在一幅圖像中，每個像素獲取1個數(shù)值，得到4個單獨的特征層，再疊加4個特征層，寬、高信息就會聚集在通道信息上，而輸入通道則擴大了4倍。然后進行卷積和一系列剩余結(jié)構(gòu)的計算。殘差分為主干和側(cè)枝，主干枝為1×1的卷積，再進行3×3的卷積，其余的殘差不用任何加工，直接相加。BN層就像是Resnet上的殘差值，有效地解決了由于深度加深而導致的梯度消失、梯度爆炸等問題［13］。

在YOLOX-S的網(wǎng)絡(luò)模型中 加強特征提取網(wǎng)

絡(luò)是FPN，在網(wǎng)絡(luò)主要部分中采集到的3個有效的特征層會在該區(qū)域中進行特征的融合，從而達到對各種特征的綜合。在 FPN部分，利用已有的特征層來進行后續(xù)的特征抽取，然后將不同類型的特征層進行特征融合，由上到下將上層的特征信息進行上取樣，然后進行下取樣，輸出3個 YOLO? Head。

2.5 結(jié)果預測

該方法利用神經(jīng)網(wǎng)絡(luò)的head部分對圖像結(jié)果進行預測，將神經(jīng)網(wǎng)絡(luò)中的每一幅圖像分成S×S網(wǎng)格，然后根據(jù)這些S×S網(wǎng)格來檢測網(wǎng)絡(luò)中的各個節(jié)點。如果目標的中心在網(wǎng)格中，那么每個網(wǎng)格就會有B個矩形的邊界（x，y，w，h）和它們的可信度，并進行分類。置信度是由網(wǎng)格中被檢測物體的結(jié)果［0，1］的公式（1）限定。0表示最小置信值，1表示最大置信值。

Confidence=Pr（Object）×IoUtruthpred，Pr（Object）∈［0，1］。（1）

3 環(huán)境配置

本研究的所有試驗都是在Windows 10的操作系統(tǒng)下進行的，采用Intel Xeon CPU E5-2650v4的處理器，使用2張NVIDIA GeForce RTX 2080Ti的GPU進行交火，效果大于1張GPU的效率，并配備64 GB的運行內(nèi)存。環(huán)境配置時會通過使用CUDA 10.2和cuDNN 7.6.4來加速模型訓練。本研究以Python 3.7為主要語言，并在此基礎(chǔ)上安裝了諸如Numpy 1.20.1、PyQt5等的深度學習運算程序，建立了一套基于Pytorch的深度學習網(wǎng)絡(luò)模型，并對其進行了相應(yīng)的優(yōu)化。

4 評價標準

YOLOX-S算法可以利用精準率（P）、召回率（R）與F1值來評估評價模型的性能。其中，精確率、召回率和F1值越高，說明模型的性能越好，具體計算公式如下。

P=TPTP+FP×100%；（2）

R=TPTP+FN×100%；（3）

F1=2×P×RP+R。（4）

式中：TP表示玉米病害樣本正確識別圖片數(shù)量；FP表示玉米病害樣本錯誤識別圖片數(shù)量；FN表示未檢測到的玉米病害樣本圖片數(shù)量，張。平均精度（AP）衡量模型在玉米病害圖像4個類別上訓練的好壞，類平均精度（mAP）衡量訓練出來的模型在玉米病害圖像4個類別上的好壞。AP和mAP計算公式如下：

AP=∫10P（R）dR；（5）

mAP=∑ki=1APik。（6）

利用AP公式求出mAP，AP代表精確率、召回率與坐標軸所圍繞圖像的面積，所有類別的AP就是mAP。圖9為YOLOX-S算法中玉米病害葉片的mAP曲線圖，本次試驗目標檢測算法模型對玉米病害識別的類平均精度可達98.54%，一般有精確率和召回率作為評價指標，其中玉米病害的P-R曲線如圖10所示。

4.1 基于通道和空間注意力機制的改進網(wǎng)絡(luò)

改進后的YOLOX-S模型進行如下的操作：首先將玉米病害葉片圖像進行不同規(guī)模的卷積操作，這里包括卷積和池化，在CSPDarknet后面生成3個有效特征層，并將3個注意力機制模塊分別添加到下采樣的結(jié)果中，同時在SPPBottleneck上采樣后的結(jié)果中加入一個注意力機制模塊，加入的4個注意力機制模塊均為CBAM，且加入的位置也不一樣，CBAM是一種特殊的注意力機制，將通道注意力和空間注意力機制相結(jié)合，通過使用不同的權(quán)重來調(diào)整信息的重要性，將重點信息乘以較高的權(quán)重，強調(diào)其重要性，這是一種加強版的注意力機制。在此基礎(chǔ)上，采用了基于最大平均和最大池化的計算方法，將所得到的2種結(jié)果進行相加，得到各通道的權(quán)重（0～1）。在得到該權(quán)重后，將該權(quán)重乘以原來的特征層，從而實現(xiàn)了對通道注意力機制的分離。CBAM的下半部分是空間注意力機制，在每個特征點的通道中，對每個特征點的通道進行最大值和平均。然后將這2種方法疊加在一起，先通過一次通道1的卷積來調(diào)節(jié)通道數(shù)目，再得到一個Sigmoid，得到每個特征點的權(quán)重（0～1）。在得到該權(quán)重之后，將該權(quán)重與原始的輸入特征層相乘［14］。圖11顯示了添加注意力機制前后的例子的比較檢測圖，圖12是添加了注意力機制的 mAP圖。

4.2 與經(jīng)典算法的比較

為探究實時檢測的檢測方法，本研究還訓練了YOLO v3、YOLO v4、Faster R-CNN網(wǎng)絡(luò)與該模型性能進行對比，每種模型都訓練了150個以上的epoch，并且都達到了最大程度的收斂。本研究改進的模型為YOLOX-S-C，圖13展示了4種模型的P-R曲線，可以看出，在同一精確率下改進后的YOLOX-S-C召回率要高于其他3種網(wǎng)絡(luò)模型。同樣，在同一召回率下，改進后的YOLOX-S-C的精度要高于其他網(wǎng)絡(luò)模型。

在測試集上4種不同網(wǎng)絡(luò)的檢測性能結(jié)果如表2所示，可以看出，在訓練性能方面，YOLOX-S-C比其他3種模型的損失值都要低，這表明了YOLOX-S網(wǎng)絡(luò)模型的收斂效果更好，性能有了明顯提高。在檢測性能方面，不論是F1值，還是交并比（IoU）、mAP，改進后的YOLOX-S-C的值都要高于其他3種網(wǎng)絡(luò)模型。充分說明了該模型的召回率、精確率以及模型的識別效果都更優(yōu)。

為檢驗該模型的有效性和局限性，采用同一張圖片對不同的模型進行試驗測試，檢測結(jié)果如圖14所示。從圖14可以很明顯看出，改進后的模型YOLOX-S-C的置信度為0.97，YOLO v4的置信度為0.95，F(xiàn)aster R-CNN的置信度為0.92，YOLO v3的置信度為0.90，加入注意力機制之后的網(wǎng)絡(luò)模型識別效果最佳，該模型具有較高的識別準確率，并且具有較好的泛化性能。

5 華為開發(fā)板Atlas 200DK及其應(yīng)用

Atlas 200DK開發(fā)者套件 Atlas 200 Developer Kit（以下簡稱Atlas 200DK）是一個開發(fā)者板形態(tài)產(chǎn)品，它以昇騰310 AI處理器為核心，為開發(fā)者提供一站式開發(fā)套件，并幫助開發(fā)者進行AI應(yīng)用程序的快速開發(fā)［15］。

5.1 開發(fā)平臺介紹

Atlas 200DK的實物如圖15所示。

Atlas 200DK的系統(tǒng)框圖如圖16所示。

Atlas 200DK的加速模塊具有較強的 AI智能運算能力，能夠?qū)D像、視頻等進行各種數(shù)據(jù)的處理和推理。其中，Hi3559 Camera模塊為圖像/音頻接口模塊，用于進行圖像和音頻的采集和處理。Atlas 200DK提供了USB網(wǎng)卡與NIC網(wǎng)卡，開發(fā)者可通過USB網(wǎng)卡與用戶PC機進行直連通信，可通過NIC網(wǎng)卡將Atlas 200DK接入互聯(lián)網(wǎng)。其中，192.168.0.2這個IP地址是Atlas 200DK中USB網(wǎng)卡默認的，而192.168.1.2這個IP地址是NIC網(wǎng)卡的默認，二者有一定的不同。

5.2 運行環(huán)境搭建

5.2.1 制作Atlas 200DK開發(fā)板啟動盤

通過SD卡制作功能可以自行制作Atlas 200DK開發(fā)者板的系統(tǒng)啟動盤，完成Atlas 200DK操作系統(tǒng)及驅(qū)動固件的安裝。將 SD卡插入讀卡器，并將其與使用者 PC的 USB接口相連接，再利用制卡腳本來完成SD卡的制作。 制卡之前需要進行硬件和軟件包的準備，硬件需要準備1張SD卡，容量為64 G，制作過程中將會對SD卡做格式化處理。

在官網(wǎng)下載Ubuntu操作系統(tǒng)的鏡像程序包與開發(fā)者板驅(qū)動包，首先在Ubuntu操作系統(tǒng)的根目錄安裝軟件運行的交叉編譯器，配置好相應(yīng)的環(huán)境，然后再創(chuàng)建好制卡工作目錄，接下來將獲取的Ubuntu操作系統(tǒng)鏡像包、開發(fā)者板驅(qū)動包上傳到剛才的制卡工作目錄中，然后下載“make_sd_card.py”的制卡口腳本，執(zhí)行制卡指令，python3 make_sd_card.py local /dev/sda為執(zhí)行命令，其中“l(fā)ocal”是以本地的方法生成 SD卡；“/dev/sda”是在終端上顯示“Make SD Card successfully！”時，SD卡所在 USB裝置的名字。SD卡制卡成功時終端回顯信息如圖17所示。

完成制卡后，將SD卡插入 Atlas 200 DK開發(fā)板卡槽，進行通電，上電過程中要注意指示燈陸續(xù)全部點亮，在第1次開機時會進行固件的升級，升級完成后會自動進行重啟的操作。

5.2.2 配置網(wǎng)絡(luò)連接

使用USB連線將Atlas 200DK與主機Ubuntu系統(tǒng)進行連接，數(shù)據(jù)線進行傳輸數(shù)據(jù)信息，二者互相通信的前提是必須將USB網(wǎng)卡的IP 地址配置在同一網(wǎng)段，從而可以在PC機上SSH登錄到Atlas 200DK；然后開發(fā)板通過網(wǎng)線接入路由器插口，并配置開發(fā)板的獲取方式為DHCP，使其可以接入互聯(lián)網(wǎng)。

5.3 開發(fā)環(huán)境搭建

5.3.1 配置Ubuntu X86系統(tǒng)

開發(fā)套件包安裝前需要下載相關(guān)依賴軟件，必須用root用戶執(zhí)行以下操作，為非root用戶賦權(quán)，以root用戶執(zhí)行apt-get install sudo命令安裝sudo，然后打開“/etc/sudoers”文件，添加最后1行為“includedir /etc/sudoers.d”，添加完成后進行保存，然后安裝python依賴以及gcc等軟件。

5.3.2 MindStudio與Atlas 200DK的連接

首先需要配置好MindStudio的運行環(huán)境，配置好以后需進行試運行，接著需要打開路由器，將開發(fā)板通過網(wǎng)線與路由器相連接，并把USB數(shù)據(jù)線與主機連接，實現(xiàn)數(shù)據(jù)通訊，然后給開發(fā)板上電，等指示燈陸續(xù)亮起以后，可實現(xiàn)整體與MindStudio通訊，開發(fā)板的IP地址是192.168.1.2，MindStudio的端口號表示默認即可，本次試驗的端口號默認為22，在第1次登錄時候需要設(shè)置密碼PASSWORD，統(tǒng)一密碼為Mind123456，到現(xiàn)在整個環(huán)境搭建連接成功。圖18為華為開發(fā)板與MindStudio連接成功界面。

5.4 玉米病害識別在Atlas 200DK上的實現(xiàn)

第1步，登錄Ubuntu系統(tǒng)，進入根目錄，然后用 scp 命令將待檢測的玉米病害圖像上傳至華為開發(fā)板中對應(yīng)的工程文件目錄；

第2步，打開MobaXterm遠程登錄軟件，然后使用ssh 命令訪問華為開發(fā)板；

第3步，進入到開發(fā)板內(nèi)部，找到所對應(yīng)的工程文件，執(zhí)行運行程序的源文件；

第4步，通過 scp 命令將最終的檢測結(jié)果拷貝至主機，完成對圖片標注結(jié)果的查看。

下面是對玉米病害識別做的對比試驗，把玉米病害葉片待檢測圖片先放到GPU目標檢測算法中，運行程序，查看識別效果，查看標記框位置，查看置信度，然后原圖像上傳到Atlas 200DK開發(fā)板中，運行檢測目標，生成檢測結(jié)果，再次使用scp命令將檢測結(jié)果傳送到Ubuntu主機上，與之前的GPU檢測后的圖像做對比，發(fā)現(xiàn)識別效果相同，置信度完全一樣，說明此次試驗效果很好，試驗成功，完成了玉米葉片病害識別在Atlas 200DK上的總體設(shè)計開發(fā)與應(yīng)用，玉米葉片病害的原圖像、GPU目標檢測算法的檢測結(jié)果、Atlas 200DK上的檢測結(jié)果如圖19所示。

6 結(jié)論

本研究提出了一種改進型YOLOX-S目標檢測模型，實現(xiàn)了對玉米病害葉片的目標檢測，通過對多種注意力機制的對比，選擇了CBAM注意力機制，將其融合到Y(jié)OLOX-S中，增大了感受野，對應(yīng)的權(quán)重也會有所增加，提高了檢測效果，并與其他幾種目標檢測算法做了對比試驗，使得mAP上升到較高的水平，改進后的YOLOX-S模型的mAP提升了約0.2百分點。

將改進后的YOLOX-S目標檢測算法移植到Atlas 200DK中，基于開發(fā)板的特性以及相關(guān)的計算屬性，完成了玉米葉片病害的檢測，并對其效果進行了測試，與GPU開發(fā)測試效果完全一樣，實現(xiàn)了目標檢測算法的移植，可以發(fā)現(xiàn)GPU算法移植到Atlas 200DK上依然發(fā)揮良好的檢測性能。

參考文獻：

［1］邊柯橙. 基于深度學習的玉米常見病害圖像識別研究及應(yīng)用［D］. 蘭州：蘭州財經(jīng)大學，2021.

［2］Hasan M M，Chopin J P，Laga H，et al. Detection and analysis of wheat spikes using convolutional neural networks［J］. Plant Methods，2018，14（1）：1-13.

［3］Chen R C. Automatic license plate recognition via sliding-window darknet-YOLO deep learning［J］. Image and Vision Computing，2019，87：47-56.

［4］畢春光，王金龍，胡 楠，等. 基于貝葉斯神經(jīng)網(wǎng)絡(luò)的玉米病害預警模型［J］. 吉林農(nóng)業(yè)大學學報，202 3（2）：189-195.

［5］毛彥棟，宮 鶴. 基于SVM和DS證據(jù)理論融合多特征的玉米病害識別研究［J］. 中國農(nóng)機化學報，2020，41（4）：152-157.

［6］Atila ，Uar M，Akyol K，et al. Plant leaf disease classification using EfficientNet deep learning model［J］. Ecological Informatics，2021，61：101182.

［7］Cao S H，Xu D A，Hanif M，et al. Genetic architecture underpinning yield component traits in wheat［J］. Theoretical and Applied Genetics，2020，133（6）：1811-1823.

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

［9］胡志偉，楊 華，黃濟民，等. 基于注意力殘差機制的細粒度番茄病害識別［J］. 華南農(nóng)業(yè)大學學報，2019，40（6）：124-132.

［10］趙 越. 基于深度學習田間麥穗檢測計數(shù)方法研究［D］. 天津：天津農(nóng)學院，2021.

［11］洪敏杰，吳 剛，劉星辰，等. 基于注意力機制的肺結(jié)節(jié)檢測算法［J］. 計算機工程與設(shè)計，202 2（1）：83-88.

［12］Militante S V，Gerardo B D，Dionisio N V. Plant leaf detection and disease recognition using deep learning［C］//2019 IEEE Eurasia Conference on IOT，Communication and Engineering （ECICE）. Yunlin，Taiwan，China：IEEE，2019：579-582.

［13］張開興，呂高龍，賈 浩，等. 基于圖像處理和BP神經(jīng)網(wǎng)絡(luò)的玉米葉部病害識別［J］. 中國農(nóng)機化學報，2019，40（8）：122-126.

［14］楊蜀秦，王 帥，王鵬飛，等. 改進YOLOX檢測單位面積麥穗［J］. 農(nóng)業(yè)工程學報，2022，38（15）：143-149.

［15］汪蘇平. 基于華為芯片的人臉屬性識別［D］. 南京：東南大學，2021.