摘要：針對番茄葉的各類病斑難以區(qū)分、識別效率低等問題，提出一種基于YOLO v8s網(wǎng)絡(luò)改進(jìn)的病害檢測算法BKW-YOLO v8s。首先，將主干網(wǎng)絡(luò)中的Conv和C2f分別用KWConv和重新設(shè)計的C2f_KW模塊代替，將KernelWarehouse卷積模塊與主干網(wǎng)絡(luò)原有的Bottleneck結(jié)構(gòu)相融合，提高了模型的計算效率。其次，為了有效地提升神經(jīng)網(wǎng)絡(luò)表征能力，引入將通道層次與空間層次并聯(lián)且加權(quán)融合的BAM注意力機(jī)制，使模型在不同的圖像上都能取得良好的效果，更具有適應(yīng)性。最后對模型的損失函數(shù)進(jìn)行優(yōu)化，使模型能更加準(zhǔn)確地處理不同目標(biāo)之間的差異，從而獲得分類性能的提升。通過在番茄葉病害數(shù)據(jù)集上進(jìn)行試驗，結(jié)果表明，改進(jìn)后的BKW-YOLO v8s算法與傳統(tǒng)的YOLO v8s相比，準(zhǔn)確率提升了2.8百分點(diǎn)、召回率提升了3.0百分點(diǎn)、mAP@50提升了2.8百分點(diǎn)、達(dá)到92.0%，且計算量降低了33%。本研究改進(jìn)后的模型在番茄葉片圖像的病害檢測方面具有更高的準(zhǔn)確度和穩(wěn)定性，不僅能夠更準(zhǔn)確地定位和識別目標(biāo)，而且有效地降低了漏檢和誤檢率。本研究所提方法不僅優(yōu)化了資源利用效率，也為番茄葉病害的檢測提供了有力的技術(shù)支持，對未來提高番茄生產(chǎn)率具有重要意義。

關(guān)鍵詞：YOLO v8s；KWConv；KernelWarehouse卷積；BAM；損失函數(shù)；番茄葉病害

中圖分類號：S126；TP391.41 文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2024）17-0192-08

收稿日期：2024-02-27

基金項目：國家科技重大專項（編號：2021DJ1006）；新疆自治區(qū)創(chuàng)新人才建設(shè)專項自然科學(xué)計劃（編號：2020D01A132）。

作者簡介：許 悅（2000—），女，湖北仙桃人，碩士研究生，研究方向為目標(biāo)檢測。E-mail：786038203@qq.com。

通信作者：陳 琳，博士，教授，研究方向為網(wǎng)絡(luò)技術(shù)及智慧城市應(yīng)用、多目標(biāo)系統(tǒng)優(yōu)化、巖心顆粒提取與屬性分析。E-mail：chenlin@yangtzeu.edu.cn。

農(nóng)作物病害是我國主要農(nóng)業(yè)災(zāi)害之一，一直是制約著農(nóng)業(yè)高產(chǎn)量、高效益持續(xù)發(fā)展的主要因素之一。番茄作為我國農(nóng)業(yè)領(lǐng)域中一項至關(guān)重要的經(jīng)濟(jì)作物，其產(chǎn)量需求正呈現(xiàn)逐年增長的態(tài)勢。然而，由于番茄病害的頻發(fā)，導(dǎo)致作物產(chǎn)量顯著下降，給我國的農(nóng)業(yè)經(jīng)濟(jì)帶來了不容忽視的巨大損失。因此，番茄病害的早期診斷與防治是促進(jìn)番814d222b92441fd4fbb6a5c1e56d4e5a茄高產(chǎn)的必要條件。快速、準(zhǔn)確的番茄病蟲害檢測對提高番茄的生產(chǎn)率是非常必要的。感染病害的植物通常會呈現(xiàn)顯著的癥狀或損傷。然而，專業(yè)診斷培訓(xùn)投入大、時間長、成本高昂，并且無論是農(nóng)民還是專家，他們在鑒別陌生或者不常見的病蟲害時，準(zhǔn)確率偏低。為了應(yīng)對這些挑戰(zhàn)，利用圖像處理識別技術(shù)基于作物葉、莖、花和果實(shí)的圖像，可以快速而準(zhǔn)確地識別作物疾病，從而降低生產(chǎn)成本。

20世紀(jì)80年代，國外學(xué)者引入數(shù)字圖像處理和計算機(jī)視覺技術(shù)，在植物病害診斷領(lǐng)域進(jìn)行了廣泛研究。他們的工作從簡單的圖像預(yù)處理開始，逐漸深入到病斑的特征提取、分割，以及不同病害的準(zhǔn)確識別，這一領(lǐng)域的研究范圍逐漸擴(kuò)大［1-2］。近年來，國內(nèi)也有許多學(xué)者研究了植物病害檢測方法［3］。在番茄葉片病害檢測方面，賈兆紅等提出了基于Res2Net和雙線性注意力的番茄病害識別方法，通過多尺度特征和注意力機(jī)制，提高網(wǎng)絡(luò)的細(xì)粒度表征能力，該方法對于14類番茄葉片的不同程度病害的檢測準(zhǔn)確率高達(dá)86.89%［4］。周巧黎等為實(shí)現(xiàn)番茄病害實(shí)時無損檢測，選用輕量級卷積神經(jīng)網(wǎng)絡(luò) MobileNet v3，引入空洞卷積、感知機(jī)結(jié)構(gòu)和GLU激活函數(shù)優(yōu)化模型，能夠?qū)崟r檢測病害且識別效果較好［5］。Sardogan等提出了一種結(jié)合CNN與學(xué)習(xí)矢量量化的番茄葉病檢測與分類技術(shù)，可以有效識別4種不同類型的番茄葉部病害［6］。蔣清健等以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)提出多尺度卷積神經(jīng)網(wǎng)絡(luò)算法，使用不同卷積核以增加感受視野和提取不同層次特征，識別準(zhǔn)確率較高［7］。儲鑫等以改進(jìn)的YOLO v4算法輕量化為檢測算法，該模型在平均識別精確度、速度以及參數(shù)內(nèi)存大小方面均有較大的提升，但僅有1 000張測試集圖，沒有充足的訓(xùn)練樣本，魯棒性得不到保證［8］。Liu等在YOLO v3算法基礎(chǔ)上進(jìn)行改進(jìn)，運(yùn)用圖像金字塔技術(shù)，實(shí)現(xiàn)了對番茄病蟲害的多尺度特征檢測，從而實(shí)現(xiàn)了對病蟲害的快速分類以及具體位置的精確識別［9］，成功突破了在自然環(huán)境下對番茄病蟲害圖像進(jìn)行識別的關(guān)鍵技術(shù)。

針對番茄葉病害的檢測與識別算法研究已有一定成果，且識別精度和準(zhǔn)確率較高，但上述方法主要聚焦于對整張圖像的番茄葉片進(jìn)行病害檢測，并沒有對具體病斑進(jìn)行精準(zhǔn)識別定位。YOLO v8作為YOLO系列最新推出的單階段檢測算法，模型大小和性能做到了很好的平衡［10-13］。所以本研究選用YOLO v8s網(wǎng)絡(luò)針對番茄葉的具體病斑定位識別進(jìn)行算法的改進(jìn)和優(yōu)化。使用plantvillage數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)進(jìn)行試驗，以期在計算量減少的前提下，提升對番茄葉病斑識別的檢測精度。

1 材料與方法

1.1 試驗環(huán)境及參數(shù)設(shè)置

試驗在Windows 10系統(tǒng)上運(yùn)行，搭載Intel Core i5-13490F CPU 2.50 GHz，NVIDIA GeForce RTX 3080顯卡，內(nèi)存為10 GB。使用python語言編寫算法，訓(xùn)練時batch size設(shè)置為32，epoch設(shè)置為200，初始學(xué)習(xí)率為0.01。輸入圖像尺寸為640像素×640像素。試驗時間為2023年9月至2023年12月，試驗地點(diǎn)為湖北省荊州市長江大學(xué)計算機(jī)科學(xué)學(xué)院。

1.2 數(shù)據(jù)集的獲取以及預(yù)處理

本研究采用的試驗數(shù)據(jù)集來源于網(wǎng)上公開的plantvillage數(shù)據(jù)集，從中選取6類數(shù)據(jù)，包括早疫病、斑枯病、葉霉病、斑點(diǎn)病、瘡痂病和晚疫病，總共1 800張。接著，采用labelimg對這6類基礎(chǔ)數(shù)據(jù)集進(jìn)行細(xì)致標(biāo)注，確保每個病斑都被精確標(biāo)注。按 8 ∶2 的比例劃分為訓(xùn)練集和驗證集并運(yùn)用數(shù)據(jù)增強(qiáng)對其進(jìn)行擴(kuò)充試驗。如圖1所示，總共生成了 5 400 張圖片。將增強(qiáng)后的數(shù)據(jù)集進(jìn)行訓(xùn)練能有效改善模型的性能和魯棒性。

1.3 評價指標(biāo)

在目標(biāo)檢測任務(wù)中，預(yù)測目標(biāo)物體時有4種情況：TP和TN表示正確預(yù)測的情況，其中TP表示正確檢測到目標(biāo)物體，TN表示正確地將非目標(biāo)物體分類為非目標(biāo)物體。FP和FN表示錯誤的情況，其中FP表示將非目標(biāo)物體錯誤地預(yù)測為目標(biāo)物體，F(xiàn)N表示未能正確檢測到目標(biāo)物體。

基于以上4種預(yù)測情況，本研究將使用準(zhǔn)確率、召回率、mAP@50 、mAP@50～95、模型計算量以及F1分?jǐn)?shù)曲線作為評價指標(biāo)。其中準(zhǔn)確率P定義為正確預(yù)測為正例的樣本數(shù)與所有預(yù)測為正例樣本數(shù)之間的比值。公式如下：

P=TPTP+FP。（1）

召回率R表示在所有真實(shí)正例樣本中，模型能夠正確預(yù)測為正例的比例。公式如下：

R=TPTP+FN。（2）

mAP@50和mAP@50～95：mAP@50表示在IoU閾值為50%時的平均精度均值；而mAP@50～95則表示在IoU閾值從50%到95%范圍內(nèi)的平均精度均值。計算方式如下：

mAP@50=1n∑ni=1Pi=1nP1+1nP2+…+1nPn；（3）

mAP@50=1C∑Ck=1mAP@50k；（4）

mAP@50～95=110mAP@50+110mAP@55+…+110mAP@95。（5）

F1分?jǐn)?shù)曲線是準(zhǔn)確率P和召回率R的調(diào)和平均值，公式如下：

F1=2×P×RP+R。（6）

1.4 研究方法

1.4.1 YOLO v8網(wǎng)絡(luò)模型概述

YOLO v8是由Ultralytics研發(fā)的檢測算法，可用于目標(biāo)檢測、圖像分類等任務(wù)。YOLO v8的核心網(wǎng)絡(luò)結(jié)構(gòu)包含主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)三大組成部分。YOLO v8的主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)部分參考了YOLO v7 ELAN的設(shè)計思想，將YOLO v5中的C3模塊替換成C2f模塊并調(diào)整了通道數(shù)，C2f是由C3和ELAN結(jié)合組成的模塊，梯度流更加豐富。頭部網(wǎng)絡(luò)部分使用了將分類和檢測頭分離的解耦頭結(jié)構(gòu)和無錨框。Loss計算包括2個分支：BCE Loss分類分支和Distribution Focal Loss+CIoU Loss回歸分支。本研究將基于YOLO v8s模型進(jìn)行算法優(yōu)化。

1.4.2 BKW-YOLO v8s算法

針對基準(zhǔn)模型YOLO v8s對番茄葉病害檢測準(zhǔn)確率低、計算量大等問題，本研究提出了一種基于BKW-YOLO v8s的番茄葉病害識別模型。BKW-YOLO v8s的網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，主要有3個改進(jìn)部分。

為了在優(yōu)化模型性能的同時降低計算成本，將主干網(wǎng)絡(luò)中的Conv和C2f分別用KWConv和全新設(shè)計的C2f_KW模塊代替［14］。為了有效提高神經(jīng)網(wǎng)絡(luò)表征能力，在主干網(wǎng)絡(luò)與頸部網(wǎng)絡(luò)之間引入BAM注意力機(jī)制，并且開銷可以忽略不計。為了提高對圖像的處理能力，引入了具有明智的梯度增益分配策略的WIoU損失函數(shù)。本研究方法在降低計算成本的同時，確保了更高的檢測性能，從而在對番茄葉病斑的識別任務(wù)中展現(xiàn)出了卓越的能力。

1.4.3 KernelWarehouse模塊

在目標(biāo)檢測任務(wù)中，背景干擾往往是一個不可忽視的挑戰(zhàn)。為了使模型能夠更好地應(yīng)對復(fù)雜的場景和目標(biāo)，進(jìn)而提升檢測的準(zhǔn)確性，本研究將KernelWarehouse［15］卷積引入主干網(wǎng)絡(luò)。KernelWarehouse是由Intel在2023年8月提出的通用動態(tài)卷積形式，它可以在參數(shù)效率和表示能力之間取得良好的權(quán)衡。KernelWarehouse方法的示意圖見圖3，它有3個關(guān)鍵組件，即內(nèi)核分區(qū)、倉庫共享和一個新的注意力函數(shù)NAF。

內(nèi)核分區(qū)和倉庫共享：KernelWarehouse首先將ConvNet的任意常規(guī)卷積層的靜態(tài)核W按順序劃分為m個不相交且具有相同維度的核單元w1，w2，…，wm，內(nèi)核分區(qū)可以定義為：

W=w1∪w2∪…∪wm，j，j∈（1，2，…，m），wi∩wj=。（7）

核分區(qū)后，處理核單元w1，w2，…，wm作為“局部核”，并定義一個包含n個相同維數(shù)的核單元的“倉庫”E=（e1，e2，…，en），其中e1，e2，…，en的尺寸和w1，w2，…，wm相同。然后基于預(yù)定義的“倉庫”將每個核單元計算為線性混合物wi。將m個核單元w1，w2，…，wm表示為：

wi=αi1e1+αi2e2+…+αinen，i∈（1，…，m）。（8）

式中：αi1e1，αi2e2，…，αinen是由以輸入x為條件的注意力模塊（x）生成的標(biāo)量注意力。最后，靜態(tài)核W被按順序組裝其相應(yīng)的m個線性混合物所取代。倉庫共享的主要目標(biāo)是通過顯式增強(qiáng)連續(xù)卷積層之間的參數(shù)依賴關(guān)系，進(jìn)一步提高KernelWarehouse的參數(shù)效率和表征能力。

注意力函數(shù)：第2層FC并行生成的m組n個特征logits，由注意力函數(shù)集逐集歸一化。對于靜態(tài)內(nèi)核W中的第i個內(nèi)核單元，將第2層FC生成的n個特征logits設(shè)為zi1，zi2，…，zin，新的注意力函數(shù)定義為：

αij=（1-τ）zij∑np=1zip+τβij，j∈（1，2，…，n）。（9）

式中：τ是在早期訓(xùn)練階段從1線性地降低到0的一個溫度參數(shù)；zij∑np=1zip是一個歸一化函數(shù)，它可以產(chǎn)生具有負(fù)注意力輸出的結(jié)果；βij是一個二進(jìn)制值（0或1），用于初始化注意力。

為了使番茄葉病害識別具有更好的效果，本研究在主干網(wǎng)絡(luò)中引入KWConv將Conv替換，同時利用KernelWarehouse卷積的思想，設(shè)計一個全新的模塊C2f_KW，如圖4所示，C2f_KW是運(yùn)用KW Bottleneck結(jié)構(gòu)替換C2f模塊中的Bottleneck結(jié)構(gòu)。如圖5所示，KW Bottleneck結(jié)構(gòu)可以增強(qiáng)上下文的依賴性，提高網(wǎng)絡(luò)的學(xué)習(xí)能力。通過對全局信息的綜合利用，模型能夠高效融合多尺度特征，在目標(biāo)檢測和定位任務(wù)中，展現(xiàn)出了更高的精準(zhǔn)度。

1.4.4 BAM模塊

由于本研究使用的數(shù)據(jù)集的圖像中，多種病害特征并不容易區(qū)分，為了有效提高神經(jīng)網(wǎng)絡(luò)表征能力和感受野處理能力，在主干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)之間引入了BAM模塊［16］，也稱為瓶頸注意力模塊，有效提升了對病害特征識別的效果。BAM模塊可以以端到端的方式與任何前饋卷積神經(jīng)網(wǎng)絡(luò)集成，運(yùn)用特征通道和空間路徑2條獨(dú)立路徑，分別進(jìn)行注意力的推斷和映射。通過加強(qiáng)重要通道和空間位置的特征響應(yīng)，使模型在不同的圖像上都能取得良好的效果，更具有適應(yīng)性。BAM模塊與CBAM模塊非常相似，都是運(yùn)用了雙通道注意力，不同點(diǎn)在于CBAM是將2個注意力串聯(lián)，而BAM則是將2個注意力的輸出分別通過相乘的方式進(jìn)行融合，從而得到最終的輸出［17］。BAM的整體結(jié)構(gòu)如圖6所示。

對于輸入特征圖F∈RC×H×W，BAM推斷出一個3D注意圖M（F）∈RC×H×W，細(xì)化后的特征圖 計算公式如下：

F′=F+FM（F）。（10）

式中：表示逐元素乘法。BAM模塊由通道注意力和空間注意力2個分支構(gòu)成。通道注意力分支首先對每個通道的特征圖執(zhí)行全局平均池化操作，接下來采用了一個帶隱藏層的多層感知器（MLP），并附加了一個批量歸一化（BN）層，對空間分支的輸出進(jìn)行了尺度校準(zhǔn)。以下是通道注意力的具體計算方式：

MC（F）=BN｛MLP［AvgPool（F）］｝

=BN｛W1［W0AvgPool（F）+b0］+b1｝。（11）

空間注意力分支采用ResNet提出的“瓶頸結(jié)構(gòu)”，節(jié)省了參數(shù)量和計算開銷［18］。首先通過對特征圖F∈RC×H×W進(jìn)行1×1卷積，整合通道信息后，使用2個3×3的擴(kuò)展卷積以提取和融合圖像中豐富的上下文信息，最終再利用一個1×1卷積層將處理后的特征圖轉(zhuǎn)化為一個R1×H×W空間注意力圖。以下是空間注意力的具體計算方式：

MS（F）=BN〔f1×13｛f3×32［f3×31（f1×10（F））］｝〕。（12）

2個注意力分支的結(jié)合：從2個注意分支中獲取通道注意MC（F）和空間注意MS（F）后，將兩者擴(kuò)展到C×H×W，進(jìn)行元素相加組合實(shí)現(xiàn)有效的梯度流動，再采用一個Sigmoid函數(shù)來獲得最終的3D注意映射M（F）。

由于BAM模塊在突破模型瓶頸、增強(qiáng)神經(jīng)網(wǎng)絡(luò)表征能力方面表現(xiàn)出色，所以本研究將BAM模塊引入到主干網(wǎng)絡(luò)，讓主干網(wǎng)絡(luò)向下傳遞更有效的關(guān)鍵信息，提升對病害特征識別的效果。

1.4.5 IoU損失函數(shù)的優(yōu)化

原始YOLO v8模型的回歸損失是 DFL Loss+CIoU Loss，但CIoU在關(guān)注邊界框坐標(biāo)和類別誤差時，忽視了不同目標(biāo)的難度與重要性差異。為了克服這一不足，WIoU損失函數(shù)［14］引入了目標(biāo)的困難程度權(quán)重，以更加準(zhǔn)確地處理不同目標(biāo)之間的差異［19］。這一改進(jìn)有助于提升模型在目標(biāo)檢測中的表現(xiàn)。然而，對于低質(zhì)量樣本，其相關(guān)的幾何度量往往對模型產(chǎn)生過度懲罰，影響泛化能力。為此，WIoU基于距離度量設(shè)計了距離注意力，形成了雙層注意力機(jī)制，并在WIoU v1版本中實(shí)現(xiàn)了這一改進(jìn)，其公式如下：

LWIoU v1=RWIoULIoU。（13）

其中：

RWIoU=exp（x-xgt）2+（y-ygt）2［（Wg）2+（Hg）2］*。（14）

在WIoU損失函數(shù)中，通過特定的調(diào)整，對于普通質(zhì)量的錨框，LIoU將被顯著放大以引起更多關(guān)注；而對于高質(zhì)量的錨框，RWIoU則會被降低，尤其是在錨框與目標(biāo)框高度重合時，減少了對中心點(diǎn)距離的關(guān)注。為了進(jìn)一步優(yōu)化模型的分類性能，降低簡單示例對損失值的貢獻(xiàn)，參考Focal Loss設(shè)計了一種單調(diào)聚焦機(jī)制，即WIoU v2，其公式如下：

LWIoU v2=L*IoULIoUγLWIoU v1，γ>0。（15）

式中：LIoU能夠確保梯度增益r=L*IoULIoUγ得以維持在一個較高水平，從而有效避免了訓(xùn)練后期可能出現(xiàn)的收斂速度放緩的問題。

本研究選用WIoU v2損失函數(shù)代替CIoU并與DFL Loss結(jié)合為最終的回歸損失，能夠增強(qiáng)對圖像處理的能力，從而提升模型的性能。

2 結(jié)果與分析

2.1 損失函數(shù)試驗

WIoU損失函數(shù)有3個版本，對3個版本在相同試驗環(huán)境下依次進(jìn)行試驗，結(jié)果如表1所示。

試驗結(jié)果表明，WIoU v2改進(jìn)模型取得效果最優(yōu)，與原模型的損失函數(shù)相比，準(zhǔn)確率和召回率皆提高了1.4百分點(diǎn)，mAP@50提高了1.2百分點(diǎn)，mAP@50～95提高了0.4百分點(diǎn)。WIoU v2能有效降低簡單示例對損失值的貢獻(xiàn)，使得模型能夠聚焦于困難示例，獲得性能的提升。因此，本研究選用WIoU v2損失函數(shù)代替CIoU并進(jìn)行后續(xù)改進(jìn)試驗。

2.2 消融試驗

為了驗證BKW-YOLO v8s模型改進(jìn)的各個模塊以及最終組合的有效性，設(shè)計消融試驗將3種模塊改進(jìn)的不同組合在相同的數(shù)據(jù)集和參數(shù)設(shè)置下進(jìn)行對比，以保證試驗的公正性。

試驗結(jié)果表明，與原始YOLO v8s相比，同時引入KW模塊、BAM Attention和WIoU損失函數(shù)的BKW-YOLO v8s模型，經(jīng)過200輪迭代訓(xùn)練在準(zhǔn)確率、召回率、mAP@50和mAP@50～95這4個重要指標(biāo)上分別提高了2.8、3.0、2.8、2.1百分點(diǎn)，計算量降低了33%（表2）。不僅節(jié)省資源消耗，還使各項指標(biāo)均創(chuàng)新高。這表明本研究的改進(jìn)算法BKW-YOLO v8s在實(shí)際應(yīng)用中取得了顯著效果。

2.3 對比試驗

為了評估所提算法BKW-YOLO v8s相對于當(dāng)前熱門的病害檢測模型的優(yōu)越性［20］，本研究將在相同的試驗條件（統(tǒng)一的配置和相同的數(shù)據(jù)集以及相同的參數(shù)設(shè)置）下，對比本研究算法與YOLO v3-tiny、YOLO v5s、YOLO v7以及YOLO v8s的差異（表3）。并比較它們的F1分?jǐn)?shù)曲線（圖7）。

由圖7和表3可知，改進(jìn)后的算法BKW-YOLO v8s與以上其他主流的病害檢測模型相比，具有較高的準(zhǔn)確率、召回率和平均精度以及F1分?jǐn)?shù)表現(xiàn)。它在設(shè)計上充分考慮了模型的復(fù)雜度和計算效率之間的平衡，以提供良好的性能和實(shí)用性。

2.4 檢測結(jié)果

為了更直觀地展示BKW-YOLO v8s算法的有效性，本研究將YOLOv5s、YOLOv8s以及BKW-YOLO v8s算法在6類番茄葉病害圖片上的檢測結(jié)果進(jìn)行對比，見圖8。檢測結(jié)果體現(xiàn)了不論是小尺寸的目標(biāo)還是具有復(fù)雜形狀的目標(biāo)，改進(jìn)后的模型都能夠更好地區(qū)分它們，實(shí)現(xiàn)更精確的目標(biāo)檢測。斑點(diǎn)病的病害特征不明顯，容易出現(xiàn)漏檢，而改進(jìn)后的模型能夠檢測出不明顯的特征，這表明本研究所提出的模型具有更強(qiáng)的上下文感知能力和特征融合能力。其中對葉霉病的檢測，YOLO v5s和YOLO v8s都出現(xiàn)了在同一個目標(biāo)周圍生成了多個重疊的邊界框的情況，而改進(jìn)后的模型成功解決了多個重疊邊界框的問題。通過精確的位置預(yù)測和目標(biāo)分類，模型能夠準(zhǔn)確地定位和識別目標(biāo)。綜上所述，改進(jìn)后的BKW-YOLO v8s模型在目標(biāo)檢測方面展現(xiàn)出卓越的性能。通過特征融合、上下文感知和抑制干擾能力的提升， 該模型能夠更準(zhǔn)確地定位和識別目標(biāo)，在目標(biāo)檢測任務(wù)上表現(xiàn)出更高的準(zhǔn)確性和魯棒性。并且在目標(biāo)檢測中不再出現(xiàn)多個重疊邊界框的情況，實(shí)現(xiàn)了更精確、更清晰的檢測結(jié)果，使整體的檢測性能和效果都得到了提升。

3 討論與結(jié)論

本研究針對番茄葉片的各類病斑識別正確率、效率低的問題，提出一種在計算量和準(zhǔn)確率方面取得較好的平衡的BKW-YOLO v8s模型，在卷積塊和損失函數(shù)上對原模型做了改進(jìn)。試驗后發(fā)現(xiàn)，改進(jìn)后的模型通過優(yōu)化邊界框生成和后處理策略，成功解決了多個重疊邊界框的問題，目標(biāo)檢測的準(zhǔn)確度和穩(wěn)定性均實(shí)現(xiàn)了顯著的提升。對比原 YOLO v8s 模型分別在準(zhǔn)確率和平均精度上都提升了2.8百分點(diǎn)，召回率提升了3.0百分點(diǎn)。這驗證了改進(jìn)后的方法能夠更準(zhǔn)確地定位和識別目標(biāo)，有效地降低了漏檢和誤檢率。本研究對YOLO v8s模型的改進(jìn)取得了一定的成果，并在番茄葉病害檢測任務(wù)中展現(xiàn)了優(yōu)越性能。這些積極的成果將為目標(biāo)檢測的未來發(fā)展提供強(qiáng)有力的支持，并為實(shí)際應(yīng)用提供更準(zhǔn)確、高效的解決方案。

參考文獻(xiàn)：

［1］Morbekar A，Parihar A，Jadhav R. Crop disease detection using YOLO［C］//2020 international conference for emerging technology （INCET）. Belgaum：IEEE，2020：1-5.

［2］Azath M，Zekiwos A. Deep learning-based image processing for cotton leaf disease and pest diagnosis［J］. Journal of Electrical and Computer Engineering，2021，2021：1-10.

［3］袁霖潔，谷志新，高 丹，等.基于Faster R-CNN的玉米病蟲害識別算法研究［J］. 林業(yè)機(jī)械與木工設(shè)備，2023，51（3）：58-61.

［4］賈兆紅，張袁源，王海濤，等. 基于Res2Net和雙線性注意力的番茄病害時期識別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2022，53（7）：259-266.

［5］周巧黎，馬 麗，曹麗英，等. 基于改進(jìn)輕量級卷積神經(jīng)網(wǎng)絡(luò)MobileNet v3的番茄葉片病害識別［J］. 智慧農(nóng)業(yè)（中英文），2022，4（1）：47-56.

［6］Sardogan M，Tuncer A，Ozen Y. Plant leaf disease detection and classification based on CNN with LVQ algorithm［C］//2018 3rd international conference on computer science and engineering （UBMK）. Sarajevo：IEEE，2018：382-385.

［7］蔣清健，姚 勇，王亞玲，等. 基于多尺度卷積神經(jīng)網(wǎng)絡(luò)算法的番茄葉片病害識別［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（15）：211-216.

［8］儲 鑫，李 祥，羅 斌，等. 基于改進(jìn)YOLO v4算法的番茄葉部病害識別方法［J］. 江蘇農(nóng)業(yè)學(xué)報，2023，39（5）：1199-1208.

［9］Liu J，Wang X W. Tomato diseases and pests detection based on improved YOLO v3 convolutional neural network［J］. Frontiers in Plant Science，2020，11：898.

［10］Redmon J，F(xiàn)arhadi A. YOLO v3：an incremental improvement［J］.

arXiv preprint arXiv：1804.02767，2018.

［11］Bochkovskiy A，Wang C Y，Liao H Y M. YOLO v4：optimal speed and accuracy of object detection［J］. arXiv preprint arXiv：2004.10934，2020.

［12］Li C，Li L，Jiang H，et al. YOLO v6：a single-stage object detection framework for industrial applications［J］. arXiv preprint arXiv：2209.02976，2022.

［13］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］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition，2023：7464-7475.

［14］Ale L H，Sheta A，Li L Z，et al. Deep learning based plant disease detection for smart agriculture［C］//2019 IEEE Globecom Workshops （GC Wkshps）. Waikoloa HI：IEEE，2019：1-6.

［15］Li C，Yao A. KernelWarehouse：towards parameter-efficient dynamic convolution［J］. arXiv preprint arXiv：2308.08361，2023.

［16］Park J，Woo S，Lee J Y，et al. Bam：bottleneck attention module［J］. arXiv preprint arXiv：1807.06514，2018.

［17］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［M］//Lecture notes in computer science．Cham：Springer International Publishing，2018：3-19.

［18］He K M，Zhang X，Ren S Q，et al. Deep residual learning for image recognition［J］. arXiv：1512.03385.

［19］Tong Z，Chen Y，Xu Z，et al. Wise-IoU：bounding box regression loss with dynamic focusing mechanism［J］. arXiv preprint arXiv：2301.10051，2023.

［20］Ahmed S. Analysis of the performance of YOLO models for tomato plant diseases identification［M］//Computer vision and machine learning in agriculture（volume 3）. Singapore：Springer Nature Singapore，2023：115-129.