基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法

摘要：在葡萄生產(chǎn)過(guò)程中，葉片病害的及時(shí)檢測(cè)對(duì)于保障產(chǎn)量和品質(zhì)至關(guān)重要。然而，傳統(tǒng)的檢測(cè)方法不僅耗時(shí)且勞力密集，而且往往受限于人為因素，導(dǎo)致檢測(cè)準(zhǔn)確率不高且效率低下。針對(duì)現(xiàn)有葡萄葉片病害檢測(cè)模型準(zhǔn)確率低、花費(fèi)時(shí)間長(zhǎng)等問(wèn)題，本研究提出了一種基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法，以減少現(xiàn)有方法的時(shí)間消耗和人為誤差，提高葡萄生產(chǎn)的整體質(zhì)量和效率。首先，設(shè)計(jì)了一個(gè)特征蒸餾網(wǎng)絡(luò)，該網(wǎng)絡(luò)通過(guò)自注意力精煉機(jī)制有效提升了對(duì)葡萄葉片病害特征的提取能力。其次，采用行錨分類方法替代了傳統(tǒng)的錨框分類，更精確地識(shí)別葡萄葉片上的病害行。最后，引入非局部注意力機(jī)制，進(jìn)一步增強(qiáng)了對(duì)病害位置的預(yù)測(cè)能力。試驗(yàn)結(jié)果表明，本研究方法在葡萄葉片病害數(shù)據(jù)集上表現(xiàn)出較高的檢測(cè)精度和速度，達(dá)到了92.4%的檢測(cè)準(zhǔn)確率和36.8幀/s的檢測(cè)速度，充分證明了本研究算法的有效性和實(shí)用性。為葡萄生產(chǎn)中的病害檢測(cè)提供了一種高效、可靠的新技術(shù)方案，具有廣泛的應(yīng)用潛力和重要的經(jīng)濟(jì)價(jià)值。

關(guān)鍵詞：葡萄；葉片病害；特征蒸餾；行錨；非局部注意力

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

文章編號(hào)：1002-1302（2024）23-0206-08

王" 俏，張" 彪，劉" 鑫. 基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法［J］. 江蘇農(nóng)業(yè)科學(xué)，2024，52（23）：206-213.

doi：10.15889/j.issn.1002-1302.2024.23.028

收稿日期：2023-12-22

基金項(xiàng)目：國(guó)家自然科學(xué)基金（編號(hào)：62303204）；山東省自然科學(xué)基金（編號(hào)：ZR2021QF036）。

作者簡(jiǎn)介：王" 俏（1983—），女，山東淄博人，碩士，副教授，研究方向?yàn)橛?jì)算機(jī)應(yīng)用技術(shù)、人工智能。E-mail：wangqiao198310@163.com。

通信作者：張" 彪，博士，副教授，研究方向?yàn)槿斯ぶ悄?、智能?yōu)化調(diào)度。E-mail：zhangbiao@lcu-cs.com。

葡萄是世界上最重要的果樹(shù)之一，具有很高的經(jīng)濟(jì)價(jià)值和社會(huì)效益。葡萄葉片病害是影響葡萄生長(zhǎng)和品質(zhì)的主要因素之一，嚴(yán)重危害葡萄產(chǎn)業(yè)的發(fā)展［1-3］。因此，及時(shí)準(zhǔn)確地檢測(cè)葡萄葉片病害對(duì)于提高葡萄的產(chǎn)量和質(zhì)量、降低農(nóng)藥的使用量和成本、保護(hù)生態(tài)環(huán)境和人類健康具有重要意義［4-6］。

傳統(tǒng)的葡萄葉片病害檢測(cè)方法主要依賴于人工觀察和判斷，這種方法不僅耗時(shí)耗力，而且受到人為因素的影響較大，如專業(yè)知識(shí)、經(jīng)驗(yàn)、視力、疲勞程度等，導(dǎo)致檢測(cè)結(jié)果存在主觀性和不穩(wěn)定性［5-7］。隨著計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)的發(fā)展，利用圖像處理和機(jī)器學(xué)習(xí)的方法進(jìn)行葡萄葉片病害檢測(cè)成為了一種有效的替代方案［8］。這種方法可以利用大量的葡萄葉片圖像數(shù)據(jù)，自動(dòng)提取葡萄葉片病害的特征，實(shí)現(xiàn)葡萄葉片病害的分類和定位，提高檢測(cè)的準(zhǔn)確率和效率［9-11］。

目前，基于圖像處理和機(jī)器學(xué)習(xí)的葡萄葉片病害檢測(cè)方法主要分為2類：基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和基于深度學(xué)習(xí)的方法［12］。基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法通常需要人工設(shè)計(jì)和選擇合適的特征，如顏色、紋理、形狀等，然后利用分類器（如支持向量機(jī)、隨機(jī)森林、K近鄰算法等）進(jìn)行葡萄葉片病害的分類［13-15］。這種方法的缺點(diǎn)是特征的設(shè)計(jì)和選擇依賴于人工經(jīng)驗(yàn)和先驗(yàn)知識(shí)，難以適應(yīng)不同的葡萄葉片病害類型和圖像條件，且特征的表達(dá)能力有限，難以捕捉葡萄葉片病害的細(xì)微差異。

基于深度學(xué)習(xí)的方法則利用神經(jīng)網(wǎng)絡(luò)［如卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）、注意力機(jī)制等］，自動(dòng)地從葡萄葉片圖像中學(xué)習(xí)葡萄葉片病害的特征，實(shí)現(xiàn)葡萄葉片病害的分類和定位［16-18］。黃英來(lái)等提出了一種改進(jìn)輕量卷積網(wǎng)絡(luò)模型，用于提高葡萄葉片病害圖像分類的準(zhǔn)確率和效率［19］。賈璐等設(shè)計(jì)了一個(gè)新的網(wǎng)絡(luò)模型MANet，能夠準(zhǔn)確識(shí)別復(fù)雜環(huán)境下的葡萄病害，其平均識(shí)別準(zhǔn)確率為99.65%，優(yōu)于其他模型［20］。戴久竣等改進(jìn)殘差網(wǎng)絡(luò)，用于葡萄葉片病害識(shí)別中，其識(shí)別準(zhǔn)確率達(dá)到98.20%，比原模型提高了3.18百分點(diǎn)［21］。上述方法的優(yōu)點(diǎn)是特征的提取和選擇無(wú)需人工干預(yù)，能夠適應(yīng)不同的葡萄葉片病害類型和圖像條件，且特征的表達(dá)能力強(qiáng)，能夠捕捉葡萄葉片病害的細(xì)節(jié)和變化。

然而，基于深度學(xué)習(xí)的葡萄葉片病害檢測(cè)方法也存在一些問(wèn)題，主要有以下幾個(gè)方面：（1）葡萄葉片病害的特征提取不充分。由于葡萄葉片病害的形態(tài)和顏色多樣，且受到光照、遮擋、噪聲等因素的干擾，導(dǎo)致葡萄葉片病害的特征提取難度較大，需要更深層次和更細(xì)粒度的特征表示。（2）葡萄葉片病害的分類和定位不精確。由于葡萄葉片病害的分布不均勻，且存在多種病害共存的情況，導(dǎo)致葡萄葉片病害的分類和定位難以準(zhǔn)確劃分，需要更靈活和更魯棒的分類和定位方法。（3）葡萄葉片病害檢測(cè)的速度慢。由于葡萄葉片病害檢測(cè)需要處理大量的葡萄葉片圖像數(shù)據(jù)，且需要進(jìn)行多階段的特征提取、分類和定位，導(dǎo)致葡萄葉片病害檢測(cè)的速度較慢，需要更高效和更簡(jiǎn)潔的檢測(cè)算法。針對(duì)上述問(wèn)題，本研究提出了一種基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法。該算法主要?jiǎng)?chuàng)新點(diǎn)包括以下3個(gè)方面：設(shè)計(jì)一種特征蒸餾網(wǎng)絡(luò)（FDN），利用多尺度特征融合和自注意力精煉機(jī)制，提高了特征提取的質(zhì)量和效率。通過(guò)構(gòu)造教師和學(xué)生網(wǎng)絡(luò)，實(shí)現(xiàn)了特征之間的互相學(xué)習(xí)和優(yōu)化；利用行錨分類方法思想，在不同尺度上生成行錨，代替?zhèn)鹘y(tǒng)的錨框，實(shí)現(xiàn)了對(duì)葡萄葉片病害行的分類。通過(guò)對(duì)行錨進(jìn)行篩選和排序，減少了誤檢和漏檢的情況；設(shè)計(jì)非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊，引入非局部注意力機(jī)制，增強(qiáng)了對(duì)葡萄葉片病害位置的預(yù)測(cè)能力。通過(guò)對(duì)每個(gè)行錨內(nèi)的像素進(jìn)行分類，得到了更準(zhǔn)確的葡萄葉片病害位置。

1" 基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)

1.1" 整體框架

本研究網(wǎng)絡(luò)架構(gòu)由殘差網(wǎng)絡(luò)骨干［22］、FDN以及葡萄葉片病害位置預(yù)測(cè)模塊構(gòu)成，如圖1所示。其中，殘差網(wǎng)絡(luò)負(fù)責(zé)特征編碼，F(xiàn)DN用于多尺度特征的融合，而葡萄葉片病害位置預(yù)測(cè)模塊則利用非局部注意力機(jī)制和全連接層進(jìn)行葡萄葉片病害位置的預(yù)測(cè)。

具體操作過(guò)程中，殘差網(wǎng)絡(luò)先輸出各層深度下的特征圖F1，…，F(xiàn)4。接著，F(xiàn)DN通過(guò)標(biāo)準(zhǔn)卷積、下采樣和上采樣操作進(jìn)行特征融合。其中，標(biāo)準(zhǔn)卷積通過(guò)1×1的卷積核來(lái)降低特征圖F1，…，F(xiàn)4的通道數(shù)，并通過(guò)分組卷積方法融合特征圖I1，…，I4，同時(shí)利用最大池化和雙線性插值方法實(shí)現(xiàn)降維和升維。這樣的設(shè)計(jì)使網(wǎng)絡(luò)可以在深層學(xué)習(xí)豐富的上下文信息，從而更準(zhǔn)確地識(shí)別出葡萄葉片病害特征。

在特征解碼階段，運(yùn)用非局部注意力機(jī)制［23］對(duì)特征進(jìn)行處理，這種機(jī)制包含4個(gè)1×1的標(biāo)準(zhǔn)卷積層，旨在以少量的計(jì)算獲取葡萄葉片病害的全局信息。同時(shí)，通過(guò)全連接層和相關(guān)操作進(jìn)行行錨分類，以預(yù)測(cè)葡萄葉片病害的具體位置。在這一步中，全連接層負(fù)責(zé)預(yù)測(cè)葡萄葉片病害的具體分類，而 reshape 函數(shù)則被用于改變張量的尺寸。

本研究算法的網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)設(shè)置見(jiàn)圖2。網(wǎng)絡(luò)由多個(gè)特征編碼階段組成，每個(gè)階段包含n個(gè)殘差模塊，殘差模塊的參數(shù)為卷積核k、步幅s、邊緣填充p和通道數(shù)c。

1.2" 特征蒸餾網(wǎng)絡(luò)

為了在目標(biāo)檢測(cè)中同時(shí)利用深層特征的語(yǔ)義信息和淺層特征的空間信息，提出了一種FDN架構(gòu)，將不同層次的特征圖進(jìn)行有效的融合。具體來(lái)說(shuō)，F(xiàn)DN首先將高層特征圖通過(guò)分組卷積操作上采樣到與低層特征圖相同的分辨率，然后將兩者進(jìn)行逐元素相加，得到一個(gè)融合后的特征圖。接著，F(xiàn)DN再將融合后的特征圖通過(guò)分組卷積操作下采樣到與高層特征圖相同的分辨率，再次進(jìn)行逐元素相加，得到另一個(gè)融合后的特征圖。這樣，F(xiàn)DN就實(shí)現(xiàn)了從低層到高層，再?gòu)母邔拥降蛯拥碾p向特征傳遞，使得每個(gè)尺度的特征圖都能夠獲得更豐富的信息。FDN的前向推理過(guò)程可以用以下公式表示：

Ii=Conv（Fi）；（1）

Mi=GConvα×Ii+β×resize（Mi+1）α+β；（2）

Oi=GConvα×Ii+β×Mi+λ×resize（Oi-1）α+β+λ。（3）

式中：Conv表示卷積層；GConv表示分組卷積層；Fi、Mi+1、Oi-1分別表示第i層的特征圖、第i+1層的中間輸出和第i-1層的最終輸出；Ii、Mi、Oi分別表示第i層的卷積輸出、第i層的分組卷積輸出和第i層的最終輸出；α和β用于調(diào)節(jié)輸入之間權(quán)重的系數(shù)；λ用于調(diào)節(jié)殘差連接的系數(shù)；resize是用于調(diào)整張量尺寸的函數(shù)。此外，采用分組卷積層來(lái)實(shí)現(xiàn)多尺度的特征整合，這樣可以減少網(wǎng)絡(luò)前向傳播的計(jì)算

量，提高檢測(cè)速度。分組卷積層的計(jì)算過(guò)程如圖3所示。

1.3" 葡萄葉片病害位置預(yù)測(cè)模塊

為提升檢測(cè)速度，使用行錨分類法［24］來(lái)檢測(cè)葡萄葉片病害。設(shè)圖像中最多有C個(gè)葡萄葉片病害，行錨數(shù)為h，每個(gè)行錨分成n個(gè)位置網(wǎng)格，如圖4所示。位置類別預(yù)測(cè)的公式如下：

LOijk=fij（XO）。（4）

式中：i∈［1，C］，j∈［1，h］，k∈［1，n+1］；LOijk是n+1維向量；fij（·）是第j個(gè)行錨上每個(gè)網(wǎng)格屬于葡萄葉片病害i位置的分類器；XO是經(jīng)過(guò)非局部注意力機(jī)制處理的FDN的輸出特征O4；k∈［1，n+1］表示行錨的n個(gè)位置網(wǎng)格和1個(gè)背景網(wǎng)格。

行錨和網(wǎng)格數(shù)量一般遠(yuǎn)小于圖像尺寸，即hlt;lt;H、nlt;lt;W。圖像分割要計(jì)算（C+1）×W×H，而行錨分類只要計(jì)算C×（n+1）×h，所以行錨分類可以大幅降低網(wǎng)絡(luò)計(jì)算量，提升檢測(cè)速度。根據(jù)行錨分類預(yù)測(cè)的位置類別LOijk，用argmax 函數(shù)就能得到葡萄葉片病害位置：

Pij=argmaxkLOijk，k∈［1，n+1］。（5）

預(yù)測(cè)時(shí)，可能有多個(gè)位置網(wǎng)格都是葡萄葉片病害位置的最大概率，這樣利用公式（5）就不能準(zhǔn)確找到葡萄葉片病害位置。為了解決這個(gè)問(wèn)題，本研究使用位置期望的方法來(lái)近似病害位置，得到更精確的葡萄葉片病害位置。首先用softmax 函數(shù)算出每個(gè)網(wǎng)格類別是葡萄葉片病害位置的概率，公式如下：

pijk=exp（LOijk）∑nk=1exp（LOijk）。（6）

其中，pijk是每個(gè)網(wǎng)格是葡萄葉片病害位置的概率；k∈［1，n］表示忽略背景網(wǎng)格，只計(jì)算位置期望。

由公式（6）可得，葡萄葉片病害位置的期望公式如下：

Pij=∑nk=1k·pijk。（7）

在考慮到行錨分類需要全局信息來(lái)檢測(cè)葡萄葉片病害，以及大感受野CNN需要捕獲長(zhǎng)距離的葡萄葉片病害全局信息的限制，因此引入了非局部注意力機(jī)制來(lái)構(gòu)建特征和特征圖之間的關(guān)系，提高葡萄葉片病害位置預(yù)測(cè)的精度，而計(jì)算成本相對(duì)較低。非局部注意力機(jī)制的結(jié)構(gòu)圖如圖5所示，數(shù)學(xué)表達(dá)式如下：

XO=Convexp（QT·K）∑i∈CQexp（QT·K）·VTT+O4。（8）

式中：Q、K、V表示輸入特征圖O4經(jīng)過(guò)3個(gè)不同的 1×1 標(biāo)準(zhǔn)卷積層運(yùn)算后得到的對(duì)應(yīng)輸出特征圖。Q、K、V的維度分別為CO×H×W、CK×H×W、CV×H×W，其中CO=CK=CV=C/8，C是輸入特征圖O4的通道數(shù)，H和W是輸入特征圖O4的高度和寬度；CQ表示在當(dāng)前查詢向量Q下，所有可能的病害位置。

1.4" 網(wǎng)絡(luò)訓(xùn)練

為了讓網(wǎng)絡(luò)能夠?qū)W習(xí)到更好的葡萄葉片病害特征，本研究在FDN 中引入了自注意力精煉的方法。具體來(lái)說(shuō)，將FDN 的輸入特征Im視為學(xué)生網(wǎng)絡(luò)需要學(xué)習(xí)的知識(shí)，將輸出特征Om視為教師網(wǎng)絡(luò)已經(jīng)掌握的知識(shí)，然后使用均方誤差函數(shù)來(lái)衡量?jī)烧咧g的自注意力精煉損失，如下所示：

ζsad=∑4m=1［softmax（∑Cmi=1Im，i）-softmax（∑Cmi=1Om，i）］2。（9）

式中：Im，i表示通道維度中Im的第i個(gè)切片；Cm為特征圖的通道數(shù)。

其次，采用了一種利用教師的預(yù)測(cè)值作為軟標(biāo)簽的方法，來(lái)進(jìn)一步提升學(xué)生網(wǎng)絡(luò)的特征學(xué)習(xí)能力。具體來(lái)說(shuō)，使用KL 散度函數(shù)來(lái)度量教師網(wǎng)絡(luò)和學(xué)生網(wǎng)絡(luò)之間的自知識(shí)精煉損失，如下所示：

ζskd=softmax（LIijk）·log2softmaxLIijkLOijk。（10）

式中：LOijk和LIijk分別為教師和學(xué)生的葡萄葉片病害位置類別預(yù)測(cè)結(jié)果。

為了使行錨的位置類別預(yù)測(cè)方法更準(zhǔn)確地檢測(cè)葡萄葉片病害的位置，使用交叉熵函數(shù)來(lái)計(jì)算預(yù)測(cè)結(jié)果和真實(shí)標(biāo)簽之間的多分類損失，如下所示：

ζOcls=∑n+1k=1Tij·ln（LOijk）+（1-Tij）·ln（1-LOijk）。（11）

式中：Tij為葡萄葉片病害位置類別標(biāo)簽?，F(xiàn)將葡萄葉片病害位置類別預(yù)測(cè)的偏移量定義為葡萄葉片病害結(jié)構(gòu)，則結(jié)構(gòu)損失可使用L1范數(shù)函數(shù)定義為

ζstr=∑Ci=1∑h-1j=1‖POij，1：n+1，POi，j+1，1：n+1‖1。（12）

綜上所述，在訓(xùn)練過(guò)程中本研究算法的總損失計(jì)算如下：

ζ=ζOcls+α（ζsad+ζskd）+β·ζstr。（13）

式中：α和β是平衡各損失計(jì)算的權(quán)重系數(shù)，均設(shè)置為0.1。

2" 試驗(yàn)設(shè)計(jì)與結(jié)果分析

2.1" 試驗(yàn)環(huán)境與數(shù)據(jù)集

本研究在2023年12月于山東農(nóng)業(yè)大學(xué)作物生物學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室進(jìn)行。試驗(yàn)平臺(tái)使用了以下的軟硬件環(huán)境：操作系統(tǒng)是Window 10，處理器是Intel CoreTM i7-12700H 2.30 GHz，顯卡是GeForce RTX 2050，顯存大小是6 GB。軟件方面，使用了Anaconda、CUDA 11.4.0和Pytorch 1.9.1作為深度學(xué)習(xí)框架。

本研究使用了無(wú)人機(jī)巡檢圖片作為原始數(shù)據(jù)集，其中包括3 000 張健康葡萄葉片圖片和800 張葡萄葉片病害圖片。使用labelImg工具對(duì)圖片進(jìn)行標(biāo)注，然后為了解決葡萄葉片病害圖片數(shù)量不足的問(wèn)題，對(duì)其進(jìn)行了鏡像和旋轉(zhuǎn)等數(shù)據(jù)增強(qiáng)，得到了 1 600 張葡萄葉片病害圖片。最后，將4 600 張圖片分為訓(xùn)練集和測(cè)試集，用于本研究算法的驗(yàn)證部分實(shí)例見(jiàn)圖6。

2.2" 試驗(yàn)參數(shù)和流程設(shè)置

本研究模型的超參數(shù)設(shè)置見(jiàn)表1，模型訓(xùn)練流程見(jiàn)圖7。

2.3" 試驗(yàn)評(píng)價(jià)指標(biāo)

為了評(píng)估目標(biāo)檢測(cè)模型的性能，本研究使用了以下幾個(gè)指標(biāo)：準(zhǔn)確率（P）、召回率（R）、平均精度均值（mAP）和檢測(cè)速度［每秒處理幀數(shù)（FPS）］。它們的計(jì)算公式如下：

P=NTP/（NTP+NFP）×100%；（14）

R=NTP/（NTP+NFP）×100%；（15）

mAP=（∑oi=1Ai）/o，A=∫10P（R）dR；（16）

FPS=1/tavg。（17）

其中：NTP和NFP是正確識(shí)別和錯(cuò)誤識(shí)別的樣本數(shù)；NFP是漏檢的樣本數(shù)；P是檢測(cè)正確的樣本占檢測(cè)出的樣本的比例；R是檢測(cè)出的樣本占所有樣本的比例；o是模型設(shè)定的類別數(shù)，這里取o=2，對(duì)應(yīng)葡萄葉片病害部位；tavg是檢測(cè)1張圖片所花費(fèi)的平均時(shí)間。

2.4" 試驗(yàn)結(jié)果

2.4.1" 算法性能對(duì)比與分析

為了驗(yàn)證本研究方法的有效性，在相同的試驗(yàn)環(huán)境下，將本研究的改進(jìn)方法與SSD、Faster R-CNN、YOLO v5等常用的目標(biāo)檢測(cè)模型進(jìn)行對(duì)比試驗(yàn)，并測(cè)試了葡萄葉片病害識(shí)別的精度和速度等評(píng)價(jià)指標(biāo)。試驗(yàn)結(jié)果見(jiàn)表2。可以看出，本研究方法在所有的指標(biāo)上都表現(xiàn)得最好，說(shuō)明它具有較高的檢測(cè)質(zhì)量和速度。在P指標(biāo)上比SSD高了10百分點(diǎn)，比Faster R-CNN高了3.9百分點(diǎn)，比YOLO v5高了1.8百分點(diǎn)，說(shuō)明本研究方法可以更準(zhǔn)確地識(shí)別出葡萄葉片病害的缺陷位置，減小了誤檢的概率。在R指標(biāo)上比SSD高了

11.0百分點(diǎn)，比Faster R-CNN高了6.4百分點(diǎn)，比YOLO v5高了3.6百分點(diǎn)，這說(shuō)明本研究方法可以更全面地覆蓋所有的葡萄葉片病害樣本，減少了漏檢的情況。在mAP指標(biāo)上比SSD高了11.0百分點(diǎn)，比Faster R-CNN高了6.4百分點(diǎn)，比YOLO v5高了3.2百分點(diǎn)，說(shuō)明本研究方法可以更穩(wěn)定地保持高水平的檢測(cè)性能，不受不同難度級(jí)別和場(chǎng)景變化的影響。在檢測(cè)速度指標(biāo)上比SSD快了12.3幀/s，比Faster R-CNN快了3.2幀/s，比YOLO v5快了15.1幀/s，說(shuō)明本研究方法可以更快地處理圖像數(shù)據(jù)，提高了檢測(cè)的實(shí)時(shí)性和效率。

不同模型在試驗(yàn)中的收斂性情況見(jiàn)圖8?？梢钥闯霰狙芯糠椒ㄔ谑諗啃苑矫鎯?yōu)于SSD、Faster R-CNN和YOLO v5 3種常用的目標(biāo)檢測(cè)模型，說(shuō)明本研究方法具有較強(qiáng)的學(xué)習(xí)能力和適應(yīng)性。

2.4.2" 消融試驗(yàn)

為進(jìn)一步驗(yàn)證本研究模型的有效性，設(shè)置3組消融試驗(yàn)，結(jié)果見(jiàn)表3。消融試驗(yàn)的步驟是：

從本研究方法中移除特征蒸餾網(wǎng)絡(luò)，只使用基礎(chǔ)網(wǎng)絡(luò)進(jìn)行特征提取，得到消融模型1。

從本研究方法中移除行錨分類方法，使用傳統(tǒng)的錨框進(jìn)行目標(biāo)檢測(cè)，得到消融模型2。

從本研究方法中移除非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊，只使用簡(jiǎn)單的回歸層進(jìn)行位置預(yù)測(cè)，得到消融模型3。

在相同的試驗(yàn)環(huán)境和數(shù)據(jù)集下，分別測(cè)試本研究方法和3個(gè)消融模型在葡萄葉片病害檢測(cè)任務(wù)上的性能，使用P、R、mAP和檢測(cè)速度4個(gè)指標(biāo)進(jìn)行評(píng)價(jià)。

比較本研究方法和消融模型1，可以看出特征蒸餾網(wǎng)絡(luò)對(duì)葡萄葉片病害特征提取的質(zhì)量和效率有顯著的提升作用。特征蒸餾網(wǎng)絡(luò)可以利用多尺度特征融合和自注意力精煉機(jī)制，增強(qiáng)了特征之間的互補(bǔ)性和表達(dá)能力。通過(guò)構(gòu)造教師和學(xué)生網(wǎng)絡(luò)，可以實(shí)現(xiàn)特征之間的互相學(xué)習(xí)和優(yōu)化。特征蒸餾網(wǎng)絡(luò)使本研究方法在P上提高了3.7百分點(diǎn)，在R上提高了5.5百分點(diǎn)，在mAP上提高了5.5百分點(diǎn)，在檢測(cè)速度上提高了2.3幀/s。比較本研究方法和消融模型2，可以看出行錨分類方法對(duì)葡萄葉片病害行的分類有明顯的優(yōu)勢(shì)。行錨分類方法可以在不同尺度上生成行錨，代替?zhèn)鹘y(tǒng)的錨框，減少了誤檢和漏檢的情況。行錨分類方法使本研究方法在P上提高了3.0百分點(diǎn)，在R上提高了4.1百分點(diǎn)，在mAP上提高了4.1百分點(diǎn)，檢測(cè)速度提高了4.0幀/s。比較本研究方法和消融模型3，可以看出非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊對(duì)葡萄葉片病害位置的預(yù)測(cè)能力有顯著的增強(qiáng)作用。非局部注意力機(jī)制可以捕捉圖像中不同區(qū)域之間的長(zhǎng)距離依賴關(guān)系，提高了位置預(yù)測(cè)的精度和魯棒性。非局部注意力機(jī)制使本研究方法在P上提高了1.6百分點(diǎn)，在R上提高了2.4百分點(diǎn)，在mAP上提高了2.4百分點(diǎn)，在檢測(cè)速度上提高了1.6幀/s。綜上所述，本研究方法中的3個(gè)主要模塊都對(duì)葡萄葉片病害檢測(cè)性能有正向的影響，說(shuō)明本研究方法是有效的。

2.4.3" 檢測(cè)算法可視化

以白腐病為例，可視化不同模型的病害檢測(cè)效果，進(jìn)而直觀驗(yàn)證本研究模型的優(yōu)勢(shì)。由圖9可知，SSD和YOLO v5 的檢測(cè)結(jié)果較差，它們沒(méi)有檢測(cè)出白腐病的位置，只是將整個(gè)葉片作為1個(gè)目標(biāo)。這可能是因?yàn)榘赘〉拿娣e較小，而這2種算法對(duì)小目標(biāo)的檢測(cè)能力較弱。Faster R-CNN 的檢測(cè)結(jié)果較好，它檢測(cè)出了白腐病的位置，但是邊界框的大小和形狀不太準(zhǔn)確，有些過(guò)大或過(guò)小，有些不符合白腐病的形狀。這可能是因?yàn)?Faster R-CNN 使用的錨框是固定的尺寸和比例，不能很好地適應(yīng)不同的目標(biāo)。本研究方法的檢測(cè)結(jié)果最好，它檢測(cè)出了白腐病的位置，而且邊界框的大小和形狀都比較準(zhǔn)確，與白腐病的實(shí)際情況相符。這可能是因?yàn)楸狙芯糠椒ㄊ褂玫男绣^分類方法

可以動(dòng)態(tài)地生成不同的錨框，而且利用了特征蒸餾網(wǎng)絡(luò)和自注意力精煉機(jī)制提高了特征提取的效果，還采用了非局部注意力機(jī)制增強(qiáng)了位置預(yù)測(cè)的能力。

3" 結(jié)論

本研究針對(duì)葡萄葉片病害的檢測(cè)精度低、速度慢等問(wèn)題，提出了一種基于改進(jìn)行錨分類的快速葡萄葉片病害檢測(cè)算法。首先設(shè)計(jì)了FDN，并利用多尺度特征融合和自注意力精煉機(jī)制，有效提升了葡萄葉片病害特征提取的質(zhì)量和效率。同時(shí)，通過(guò)教師和學(xué)生網(wǎng)絡(luò)的運(yùn)用，實(shí)現(xiàn)了特征之間的互相學(xué)習(xí)和優(yōu)化。進(jìn)一步利用行錨分類方法在不同尺度上生成行錨，以替代傳統(tǒng)的錨框，實(shí)現(xiàn)了對(duì)葡萄葉片病害行的分類。這一策略顯著減少了誤檢和漏檢的情況。然后，通過(guò)設(shè)計(jì)非局部注意力機(jī)制的葡萄葉片病害位置預(yù)測(cè)模塊，成功增強(qiáng)了對(duì)葡萄葉片病害位置的預(yù)測(cè)能力。通過(guò)在真實(shí)數(shù)據(jù)集上對(duì)算法性能的評(píng)估，以及與其他深度學(xué)習(xí)檢測(cè)算法的對(duì)比，證明了本研究提出的算法具有較高的檢測(cè)精度和速度。檢測(cè)準(zhǔn)確率達(dá)到了92.4%，而檢測(cè)速度達(dá)到了36.8幀/s，研究結(jié)果明顯優(yōu)于當(dāng)前多數(shù)先進(jìn)方法，并將為葡萄葉片病害檢測(cè)在實(shí)際應(yīng)用中提供有效的技術(shù)支持。

參考文獻(xiàn)：

［1］張曉月，郭俊強(qiáng)，王祎瑋，等. 避雨栽培對(duì)鮮食葡萄植株生長(zhǎng)及病害發(fā)生的影響［J］. 西北植物學(xué)報(bào)，2023，43（2）：255-264.

［2］Lin J，Chen X，Pan R，et al. GrapeNet：a lightweight convolutional neural network model for identification of grape leaf diseases［J］. Agriculture，2022，12（6）：887.

［3］許文燕. 基于輕量化神經(jīng)網(wǎng)絡(luò)的葡萄葉部病害檢測(cè)裝置研制［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（19）：181-189.

［4］趙" 兵，馮" 全. 基于全卷積網(wǎng)絡(luò)的葡萄病害葉片分割［J］. 南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，41（4）：752-759.

［5］Javidan S M，Banakar A，Vakilian K A，et al. Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning［J］. Smart Agricultural Technology，2023，3：100081.

［6］謝圣橋，宋" 健，湯修映，等. 基于遷移學(xué)習(xí)和殘差網(wǎng)絡(luò)的葡萄葉部病害識(shí)別［J］. 農(nóng)機(jī)化研究，2023，45（8）：18-23，28.

［7］Lu X Y，Yang R，Zhou J，et al. A hybrid model of ghost-convolution enlightened transformer for effective diagnosis of grape leaf disease and pest［J］. Journal of King Saud University-Computer and Information Sciences，2022，34（5）：1755-1767.

［8］劉闐宇，馮" 全，楊" 森. 基于卷積神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害檢測(cè)方法［J］. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，49（3）：73-83.

［9］王書(shū)志，喬" 虹，馮" 全，等. 基于顯著性目標(biāo)檢測(cè)的葡萄葉片病害分割［J］. 湖南農(nóng)業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，47（1）：101-107.

［10］Yin X，Li W H，Li Z，et al. Recognition of grape leaf diseases using MobileNet v3 and deep transfer learning［J］. International Journal of Agricultural and Biological Engineering，2022，15（3）：184-194.

［11］喬" 虹，馮" 全，張" 芮，等. 基于時(shí)序圖像跟蹤的葡萄葉片病害動(dòng)態(tài)監(jiān)測(cè)［J］. 農(nóng)業(yè)工程學(xué)報(bào)，2018，34（17）：167-175.

［12］雷建云，葉" 莎，夏" 夢(mèng)，等. 基于改進(jìn)YOLO v4的葡萄葉片病害檢測(cè)［J］. 中南民族大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，41（6）：712-719.

［13］Shantkumari M，Uma S V. Grape leaf image classification based on machine learning technique for accurate leaf disease detection［J］. Multimedia Tools and Applications，2023，82（1）：1477-1487.

［14］方" 逵，李" 成，何" 瀟，等. 基于三維重建的多角度葡萄葉病害識(shí)別方法研究［J］. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2022，24（7）：86-96.

［15］王超學(xué)，祁" 昕，馬" 罡，等. 基于YOLO v3的葡萄病害人工智能識(shí)別系統(tǒng)［J］. 植物保護(hù)，2022，48（6）：278-288.

［16］何" 欣，李書(shū)琴，劉" 斌. 基于多尺度殘差神經(jīng)網(wǎng)絡(luò)的葡萄葉片病害識(shí)別［J］. 計(jì)算機(jī)工程，2021，47（5）：285-291，300.

［17］Suo J Y，Zhan J L，Zhou G X，et al. CASM-AMFMNet：a network based on coordinate attention shuffle mechanism and asymmetric multi-scale fusion module for classification of grape leaf diseases［J］. Frontiers in Plant Science，2022，13：846767.

［18］戴久竣，馬肄恒，吳" 堅(jiān)，等. 基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（5）：208-215.

［19］黃英來(lái)，李" 寧，劉鎮(zhèn)波，等. 改進(jìn)輕量卷積網(wǎng)絡(luò)在葡萄病害葉片的分類方法［J］. 哈爾濱理工大學(xué)學(xué)報(bào)，2023，28（3）：1-9.

［20］賈" 璐，葉中華. 基于注意力機(jī)制和特征融合的葡萄病害識(shí)別模型［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（7）：223-233.

［21］戴久竣，馬肄恒，吳" 堅(jiān)，等. 基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識(shí)別［J］. 江蘇農(nóng)業(yè)科學(xué)，2023，51（5）：208-215.

［22］朱" 帥，王金聰，任洪娥，等. 基于多特征融合的殘差網(wǎng)絡(luò)果樹(shù)葉片病害識(shí)別［J］. 森林工程，2022，38（1）：108-114，123.

［23］Qian X F，Zhang C Q，Chen L，et al. Deep learning-based identification of maize leaf diseases is improved by an attention mechanism：self-attention［J］. Frontiers in Plant Science，2022，13：864486.

［24］Bari B S，Islam M N，Rashid M，et al. A real-time approach of diagnosing rice leaf disease using deep learning-based faster R-CNN framework［J］. PeerJ Computer Science，2021，7：432.