武 珊

（青海高等職業(yè)技術(shù)學(xué)院，青海 海東 810600）

在農(nóng)業(yè)信息化技術(shù)不斷發(fā)展的當(dāng)下，果蔬的蟲害防治依舊面臨害蟲檢測(cè)效率低下的問題，同時(shí)也導(dǎo)致了農(nóng)藥智能噴灑精度低的狀況。果蔬種植的蟲害防治不僅要依靠田間實(shí)地調(diào)查，同時(shí)也需要依靠機(jī)器學(xué)習(xí)算法來提高效率、節(jié)約資源［1］。YOLO神經(jīng)網(wǎng)絡(luò)檢測(cè)算法一經(jīng)提出，便被國(guó)內(nèi)外學(xué)者不斷地發(fā)展和完善，在目標(biāo)檢測(cè)場(chǎng)景中，應(yīng)用效果越發(fā)突出［2］。而ISODATA聚類分析方法增加了對(duì)聚類結(jié)果的“合并”和“分裂”操作，避免了K-means算法隨機(jī)K值的缺陷［3］。筆者將兩者融合，應(yīng)用于果蔬種植的蟲害檢測(cè)識(shí)別中，旨在提高蟲害檢測(cè)的效率和精度，從而減少農(nóng)業(yè)生產(chǎn)中的資源浪費(fèi)。

1 文獻(xiàn)綜述

針對(duì)智能交通檢測(cè)圖像中小目標(biāo)檢測(cè)率低的問題，楊飛等［4］提出了一種YOLO-v3的改進(jìn)方法，并通過SPP模塊實(shí)現(xiàn)了局部特征和全局特征的融合提取，試驗(yàn)結(jié)果表明：改進(jìn)后的YOLO-v3算法能有效地檢測(cè)小目標(biāo)，對(duì)小目標(biāo)的平均準(zhǔn)確率具有顯著的提升。同樣，基于智能交通圖像中小目標(biāo)檢測(cè)問題，黃開啟等［5］則對(duì)YOLO-v3的Darknet-53網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了優(yōu)化調(diào)整，結(jié)果表明：改進(jìn)算法在小目標(biāo)檢測(cè)中的平均準(zhǔn)確率為78.8%，取得了較好的小目標(biāo)檢測(cè)效果。王霏等［6］則提出了基于改進(jìn)YOLO-v3算法的文本檢測(cè)方法，用于改善深度學(xué)習(xí)中文本檢測(cè)算法存在的運(yùn)行速度慢、模型體積大等問題，結(jié)果表明：該改進(jìn)算法精度比YOLO-v3提高了7個(gè)百分點(diǎn)，檢測(cè)速度最高可達(dá)22幀/s，與同類算法相比，具有更快的檢測(cè)速度和更小的模型體積。于博文等［7］則將改進(jìn)的YOLO-v3算法應(yīng)用于軍事目標(biāo)檢測(cè)中，在軍事目標(biāo)圖像數(shù)據(jù)集中測(cè)試結(jié)果表明：該算法具有較好的檢測(cè)性能，可為戰(zhàn)場(chǎng)態(tài)勢(shì)生成、分析提供有效的輔助技術(shù)支持。在垃圾分類方面，王子鵬等［8］引入MobileNetv3網(wǎng)絡(luò)替代YOLO-v3的主干網(wǎng)絡(luò)Darknet53，試驗(yàn)表明：該算法能夠滿足邊緣計(jì)算設(shè)備的要求，具備潛在的商業(yè)應(yīng)用價(jià)值。屈文謙等［9］提出了基于YOLO-v3的電網(wǎng)作業(yè)現(xiàn)場(chǎng)安全帽佩戴檢測(cè)算法，有效檢測(cè)電網(wǎng)作業(yè)人員不規(guī)范佩戴安全帽行為，結(jié)果表明：算法在復(fù)雜作業(yè)場(chǎng)景下能夠?qū)崿F(xiàn)有效的檢測(cè)，可為避免電網(wǎng)作業(yè)人員安全隱患提供技術(shù)參考。劉寅［10］融合K-means聚類算法和YOLO-v3網(wǎng)絡(luò)，用于教室內(nèi)的人物目標(biāo)識(shí)別場(chǎng)景，試驗(yàn)表明：改進(jìn)后的YOLO-v3網(wǎng)絡(luò)模型的識(shí)別精度提高了19.11%，但識(shí)別速度有所下降。在信息化控制領(lǐng)域，朱江等［11］提出了一種基于YOLO-v3的端到端的抓取檢測(cè)方法，應(yīng)用于機(jī)器人抓取系統(tǒng)的檢測(cè)模塊，試驗(yàn)表明：基于YOLO-v3的抓取檢測(cè)算法可以有效地提高檢測(cè)的精度和速度。陳耀祖等［12］使用模糊ISODATA動(dòng)態(tài)聚類算法，對(duì)YOLO-v4網(wǎng)絡(luò)的先驗(yàn)框數(shù)目進(jìn)行優(yōu)化，該方法應(yīng)用于智能交通的行駛車輛的要素檢測(cè)時(shí)，訓(xùn)練集中的類間平均準(zhǔn)確率為98.56%，檢測(cè)幀頻為41.43幀/s。ISODATA聚類算法同樣被王磊等［13］應(yīng)用于地理信息檢測(cè)領(lǐng)域，試驗(yàn)表明：該模型滿足洪水變化監(jiān)測(cè)的需求，可用于洪水易發(fā)區(qū)的洪澇災(zāi)害災(zāi)情分析。

在農(nóng)業(yè)果蔬種植中的蟲害防治方面，張建［14］因地制宜地分析了不同區(qū)域的蘋果樹常見病蟲害，同時(shí)，分析了其對(duì)應(yīng)的治理技術(shù)。國(guó)內(nèi)學(xué)者薄曉華［15］分析了林業(yè)技術(shù)對(duì)治理林業(yè)病蟲害的作用，期望通過減少了林業(yè)病蟲害，達(dá)到保護(hù)生態(tài)環(huán)境的目的。類成敏等［16］提出了一種基于多尺度注意力殘差網(wǎng)絡(luò)的桃樹害蟲圖像識(shí)別模型，試驗(yàn)表明：該模型識(shí)別準(zhǔn)確率為93.27%，取得了較好的識(shí)別效果。姚青等［17］提出了基于雙線性注意力網(wǎng)絡(luò)的農(nóng)業(yè)燈誘害蟲細(xì)粒度圖像識(shí)別模型，試驗(yàn)表明：基于雙線性注意力網(wǎng)絡(luò)的農(nóng)業(yè)燈誘害蟲細(xì)粒度圖像識(shí)別模型，可以自動(dòng)識(shí)別6類相似的19種農(nóng)業(yè)燈誘害蟲，提高了農(nóng)業(yè)燈誘害蟲自動(dòng)識(shí)別的準(zhǔn)確率。劉迦南等［18］將LIBSVM工具應(yīng)用于害蟲性別判別中，結(jié)果表明：利用該方法可以對(duì)害蟲性別作出有效判別。

綜上所述，國(guó)內(nèi)學(xué)者在應(yīng)對(duì)農(nóng)業(yè)和林業(yè)領(lǐng)域的病蟲時(shí)，不僅通過地域信息與氣候信息的整合，也利用了深度學(xué)習(xí)、機(jī)器學(xué)習(xí)算法，如SVM和雙線性特征提取等前沿技術(shù)。本研究也從基于CNN網(wǎng)絡(luò)的位置回歸算法YOLO中探索了提高果蔬害蟲識(shí)別精度的模型。YOLO-v3網(wǎng)絡(luò)在國(guó)內(nèi)學(xué)者的探索開發(fā)中已然趨于成熟，在智能角度、電氣工程和軍事檢測(cè)中均有應(yīng)用。本研究也通過融合ISODATA聚類算法和YOLO網(wǎng)絡(luò)檢測(cè)技術(shù)識(shí)別果蔬害蟲，期望為果蔬的蟲害防治和檢測(cè)提供科學(xué)識(shí)別模型的支持。

2 果蔬種植防蟲害的YOLO-v3目標(biāo)檢測(cè)模型的構(gòu)建

2.1 YOLO-v3網(wǎng)絡(luò)的圖像數(shù)據(jù)提取

在計(jì)算機(jī)硬件條件落后的前幾十年，傳統(tǒng)的目標(biāo)檢測(cè)算法通常利用圖像HOG特征提取與分類器算法決策完成。隨著計(jì)算機(jī)技術(shù)和算力資源的不斷發(fā)展，圖像特征提取的方法從人工經(jīng)驗(yàn)構(gòu)建發(fā)展為了HOG算法提取，再發(fā)展到現(xiàn)在常用的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network, CNN）識(shí)別［19］。在目標(biāo)檢測(cè)算法更新的過程中，圖像識(shí)別的精度和計(jì)算效率也不斷提高。雷世威等［20］構(gòu)建的YOLO-v3（You Only Look Once-v3）果蔬蟲害目標(biāo)檢測(cè)原理是基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)回歸。單一的CNN網(wǎng)絡(luò)隨著圖像數(shù)據(jù)量的增加會(huì)出現(xiàn)梯度消失的問題，導(dǎo)致識(shí)別分類精度下降。因此，研究引入YOLO-v3方法主要是通過其殘差網(wǎng)絡(luò)結(jié)構(gòu)避免CNN模型損失值居高不下的震蕩狀態(tài)。CNN網(wǎng)絡(luò)在圖像目標(biāo)檢測(cè)中的應(yīng)用結(jié)構(gòu)如圖1所示。

由圖1可以看出，卷積神經(jīng)網(wǎng)絡(luò)在圖像目標(biāo)識(shí)別中的卷積層的運(yùn)算為核心模塊，包括了卷積運(yùn)算、池化運(yùn)算以及激勵(lì)函數(shù)運(yùn)算3個(gè)數(shù)據(jù)處理層。其余結(jié)構(gòu)部分包括圖像數(shù)據(jù)預(yù)處理的圖片輸入層和結(jié)果輸出層。本次研究應(yīng)用到的激勵(lì)函數(shù)計(jì)算表達(dá)公式如式（1）所示。

圖1 CNN網(wǎng)絡(luò)在圖像目標(biāo)檢測(cè)中的應(yīng)用結(jié)構(gòu)

式（1）為卷積神經(jīng)網(wǎng)絡(luò)的ELU激勵(lì)函數(shù)，其中α表示修正數(shù)據(jù)分布的常數(shù)。CNN網(wǎng)絡(luò)中的卷積運(yùn)算首先需要對(duì)果蔬的病蟲害圖像進(jìn)行預(yù)處理。研究針對(duì)果蔬蟲害構(gòu)建圖像數(shù)據(jù)集，首先通過平移圖像擴(kuò)充數(shù)據(jù)量，增加CNN模型的運(yùn)算精度，其圖像在平移操作之后的矩陣表述如式（2）所示。

式（2）中，M表示平移后的圖像矩陣模型。（x0，y0）表示原圖像的像素位置，（x1，y1）表示平移后的圖像像素位置?！鱴和△y分別表示圖像在橫從坐標(biāo)上的移動(dòng)量。此外，通過對(duì)圖像的水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)同樣可以擴(kuò)充圖像數(shù)據(jù)量，其矩陣模型表述如式（3）所示。

式（3）中，M2和M3分別表示圖像水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)之后的圖像矩陣模型。（x2，y2）和（x3，y3）分別表示圖像水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)之后的像素點(diǎn)位置，w和h分別表示圖像的寬度和高度。針對(duì)網(wǎng)絡(luò)爬取的蟲害圖像數(shù)據(jù)集的缺點(diǎn)，為了準(zhǔn)確地檢測(cè)果蔬害蟲，研究采用非整體標(biāo)注方法平衡蟲害的整體像素，避免害蟲在圖像中像素點(diǎn)的分布不均而導(dǎo)致的農(nóng)藥噴灑定位精度下降，其中，用于檢測(cè)圖像像素點(diǎn)比例的有效像素比（Effective Pixel Proportion, EPP）的計(jì)算公式如式（4）所示。

式（4）中，SO和SM分別表示有效像素?cái)?shù)和圖像最大像素?cái)?shù)。

2.2 基于聚類算法的YOLO-v3特征提取網(wǎng)絡(luò)識(shí)別優(yōu)化方法

卷積神經(jīng)網(wǎng)絡(luò)在應(yīng)用于果蔬的蟲害識(shí)別時(shí)，輸出結(jié)果并非傳統(tǒng)分類的最大概率顯示，而是通過計(jì)算得出害蟲屬于哪種分類。作為在CNN網(wǎng)絡(luò)回歸中應(yīng)用最廣泛的方法之一，Darknet-53是YOLO-v3模型的核心結(jié)構(gòu)［21］。由于模型將要利用不同的特征提取尺度獲得圖像的特征信息，因此，首先需要對(duì)圖像進(jìn)行柵格化處理。通過算法的位置回歸計(jì)算得出害蟲所在的柵格塊位置，并引入傳統(tǒng)RCNN網(wǎng)絡(luò)中的提取預(yù)選框方法（Region Proposal Network, RPN）分辨出檢測(cè)柵格塊的害蟲目標(biāo)個(gè)數(shù)［22］。YOLO-v3模型的損失函數(shù)包括了像素點(diǎn)位置的損失、圖像高寬值的損失、置信度的損失以及分類類別的損失。模型的邊界框位置損失函數(shù)由像素點(diǎn)位置的損失、圖像高寬值的損失組成，其表述如式（5）所示。

式（5）中，lB為邊界框位置損失函數(shù)，l（x,y）為像素點(diǎn)位置的損失，l（wh）表示圖像高寬值的損失。i和j分別表示柵格預(yù)測(cè)的編號(hào)和預(yù)測(cè)網(wǎng)格邊界框的編號(hào)。S2表示圖像的柵格總數(shù)，N表示單個(gè)網(wǎng)格的預(yù)測(cè)邊界框數(shù)量。（xi，yi）為預(yù)測(cè)邊界框的中心點(diǎn)位置，(則表示實(shí)際的邊界框中心點(diǎn)位置。式中的 權(quán)重參數(shù)等于1時(shí)，表示待檢測(cè)網(wǎng)格中確有害蟲目標(biāo)，否則權(quán)重為0.1。同時(shí)，模型的置信度損失數(shù)學(xué)表述如式（6）所示。

式（6）中，lC表示模型的置信度損失，^ic表示實(shí)際檢測(cè)目標(biāo)的置信度，ci表示預(yù)測(cè)目標(biāo)的置信度。I表示檢測(cè)單元格內(nèi)沒有損失的參數(shù)，權(quán)重參數(shù)為1時(shí)，表示待檢測(cè)網(wǎng)格中沒有害蟲目標(biāo)，否則權(quán)重為0。最后，模型的類別損失數(shù)學(xué)表述為式（7）。

式（7）中，lca表示模型的類別損失，a表示類別，pi(a)表示第i個(gè)柵格中的檢測(cè)目標(biāo)屬于類別a的預(yù)測(cè)概率，^ ( )ip a則表示第i個(gè)柵格中的檢測(cè)目標(biāo)屬于類別a的實(shí)際概率。研究采用啟發(fā)式的迭代自組織聚類算法（Iterative self-organizing clustering algorithm, ISODATA）獲取anchor boxs。設(shè)定K0個(gè)初始聚類中心，其合集表示為Z={z1，z2,…，zK0}，設(shè)定初始聚類中心之后，計(jì)算樣本與各聚類中心的距離，距離最小時(shí)，表明樣本屬于該聚類，即：

式（8）中，Dx表示樣本x與初始聚類中心zi的距離值最小。樣本根據(jù)初始分類完成之后，判斷聚類的樣本數(shù)量，如果數(shù)量小于最小該聚類域的最小樣本數(shù)量，則取消該聚類，令K=K-1，并重新計(jì)算聚類中心距離進(jìn)行分配。分配完成之后計(jì)算所用聚類樣本的中心點(diǎn)，修改聚類中心，其公式用式（9）表示。

式（9）中，Ni表示聚類zi中的所用樣本數(shù)量。重新確定聚類中心之后，判斷分裂與合并操作，即K ≤K0/2時(shí)，進(jìn)行分裂操作；K＞K0/2時(shí)，進(jìn)行合并操作。合并操作的思路為計(jì)算聚類中心的距離，將最小距離的2個(gè)聚類合并為1個(gè)聚類，并使K=K-1。分裂操作需要求得每個(gè)聚類中樣本距離的標(biāo)準(zhǔn)差向量，表示為σi=（σ1i，σ2i, …，σni）T，其中每個(gè)向量的分量計(jì)算公式如式（10）所示。

式（10）中，σij表示聚類zi內(nèi)樣本到聚類中心的標(biāo)準(zhǔn)差向量分量，Ni表示聚類zi中的所用樣本數(shù)量，j表示樣本的特征向量的維數(shù)。求得標(biāo)準(zhǔn)差向量之后取最大值，當(dāng)最大值大于聚類域中的樣本標(biāo)準(zhǔn)差時(shí)，則將聚類zi分裂為2個(gè)聚類，并令K=K+1。分裂完成之后，重新將聚類中心設(shè)定為初始聚類進(jìn)行迭代，直到達(dá)到最大迭代次數(shù)。

由于研究的蟲害樣本數(shù)據(jù)集來源于網(wǎng)絡(luò)爬取，圖像的寬高和大小均不統(tǒng)一，影響CNN卷積網(wǎng)絡(luò)的圖像輸入。出于兼顧模型全局特征提取和局部特征提取的目的，研究在YOLO-v3的卷積層中加入空間金字塔池化（Space Pyramid Pooling, SPP）結(jié)構(gòu)?？臻g金字塔池化可以有效提升特征的表達(dá)能力，同時(shí)產(chǎn)生固定的特征向量?？臻g金字塔池化結(jié)構(gòu)如圖2所示。

假設(shè)輸入圖像的大小為WI×HI×CI，分別表示圖像的寬、高以及通道數(shù)。輸出圖像大小為n×n× Co，分別表示池化數(shù)量和輸出通道數(shù)。根據(jù)以上參數(shù)，計(jì)算池化層核心大小為池化層步長(zhǎng)為同時(shí)，池化層的Padding計(jì)算公式如式（11）所示。

得出卷積網(wǎng)絡(luò)池化層的參數(shù)則可以得出輸出圖像的大小，其寬、高表述如式（12）所示。

式（12）中，WO和HO表示輸出圖像的寬和高。最后，將輸入圖像的大小參數(shù)，分別代入輸出圖像

大小的計(jì)算公式，可以得出以下數(shù)學(xué)表述。

如式（13）所示，可以得出WO=n，HO=n，表明空間金字塔池化結(jié)構(gòu)接受輸入圖像的不同大小。根據(jù)以上YOLO-v3融合迭代自組織聚類算法的果蔬蟲害圖像聚類識(shí)別，將模型的流程結(jié)構(gòu)用圖3表示。

圖3 融合迭代自組織聚類與YOLO-v3網(wǎng)絡(luò)的蟲害圖像識(shí)別模型優(yōu)化流程

如圖3所示，研究所構(gòu)建的YOLO-v3蟲害識(shí)別模型在圖像預(yù)處理階段，通過平移翻轉(zhuǎn)圖像解決了數(shù)據(jù)集樣本數(shù)量較少的問題。在圖像特征提取階段采用了非整體標(biāo)注方法，用于分辨檢測(cè)柵格塊的害蟲目標(biāo)個(gè)數(shù)。在卷積層池化階段，引入了空間金字塔池化結(jié)構(gòu)，解決了網(wǎng)絡(luò)爬取圖像大小尺寸不統(tǒng)一的問題。最后，在聚類階段選擇迭代自組織聚類算法，應(yīng)對(duì)傳統(tǒng)K-Means算法的K值隨機(jī)性問題和對(duì)網(wǎng)絡(luò)爬取蟲害圖像數(shù)據(jù)樣本噪聲要求苛刻的問題。

3 改進(jìn)YOLO-v3模型在果蔬蟲害檢測(cè)中的應(yīng)用研究

3.1 YOLO-v3果蔬蟲害檢測(cè)模型的仿真訓(xùn)練

本次試驗(yàn)的訓(xùn)練數(shù)據(jù)集來源于網(wǎng)絡(luò)圖像爬取，圖像包括了夏、秋兩季常見的5種果蔬植物害蟲。害蟲圖像數(shù)據(jù)集共計(jì)9455個(gè)樣本，其中，1100個(gè)預(yù)留為測(cè)試樣本，其余8355個(gè)樣本劃分為訓(xùn)練樣本。具體的果蔬害蟲圖像樣本見表1。

從表1中可以看出，本次用于仿真試驗(yàn)的圖像數(shù)據(jù)集包括了菜青蟲、葉蟬、桑天牛、蝽象、飛蛾5種。仿真試驗(yàn)主要應(yīng)用的軟件平臺(tái)為PyCharm，設(shè)置仿真訓(xùn)練的最大迭代次數(shù)為8000次，學(xué)習(xí)率為0.01，權(quán)重衰減為0.0005。將訓(xùn)練完成的模型代入其余訓(xùn)練樣本中，進(jìn)行最大次數(shù)為100的仿真訓(xùn)練，對(duì)比傳統(tǒng)YOLO-v3網(wǎng)絡(luò)模型與優(yōu)化后YOLO-v3果蔬蟲害識(shí)別模型在訓(xùn)練過程中的識(shí)別精度，具體如圖4所示。

圖4 傳統(tǒng)YOLO-v3網(wǎng)絡(luò)模型與優(yōu)化YOLO-v3 的訓(xùn)練結(jié)果

表1 圖像樣本數(shù)據(jù)集參數(shù)以及改進(jìn)的YOLO-v3模型參數(shù)

從圖4可以看出，優(yōu)化后的YOLO-v3網(wǎng)絡(luò)模型與傳統(tǒng)模型在迭代次數(shù)超過40次之后，模型識(shí)別精度趨于平穩(wěn)。優(yōu)化后的模型的精度在0.8~0.9區(qū)間內(nèi)浮動(dòng)，而傳統(tǒng)的YOLO-v3則在0.7~0.8的精度值區(qū)間內(nèi)變化。同時(shí)，本次試驗(yàn)的優(yōu)化模型的損失值在迭代次數(shù)超過40次后，大部分變化均在0.00~0.75之間。完成模型的訓(xùn)練之后，試驗(yàn)將優(yōu)化模型中的圖像非整體標(biāo)注方法與傳統(tǒng)的整體標(biāo)注方法對(duì)比，在測(cè)試樣本中隨機(jī)選擇30份圖像樣本，對(duì)比不同標(biāo)注方法對(duì)模型識(shí)別性能的影響，具體測(cè)試結(jié)果如圖5所示。

圖5 不同標(biāo)注方法下YOLO-v3模型的害蟲識(shí)別性能

圖5 中縱軸的1~5分別表示菜青蟲、葉蟬、桑天牛、蝽象、飛蛾5種害蟲種類。從折線圖可以得知，本次30份樣本測(cè)試中，采用非整體標(biāo)注方法優(yōu)化YOLO-v3模型僅有3處識(shí)別錯(cuò)誤，識(shí)別準(zhǔn)確率為90%；而采用整體標(biāo)注方法的YOLO-v3模型共出現(xiàn)了6處識(shí)別失誤，識(shí)別準(zhǔn)確率為80%。試驗(yàn)表明：YOLO-v3模型在處理圖像樣本時(shí)，采用非整體標(biāo)注方法可以有效地保持模型的分類性能，非整體標(biāo)注方法比整體標(biāo)注方法更可靠。在確定了模型的圖像樣本處理方法之后，本次試驗(yàn)將對(duì)有效像素比的數(shù)值選擇進(jìn)行仿真測(cè)試，驗(yàn)證有效像素比的取值對(duì)模型精度性能的影響。本次試驗(yàn)的測(cè)試樣本從1100個(gè)樣本中隨機(jī)選取，有效像素比參數(shù)取值為30%、60%、80%、90%，分別在圖中以字母a、b、c、d表示，對(duì)比結(jié)果見圖6。

由圖6可以看出，在有效像素比值的不同取值情況下，模型的識(shí)別精度整體與迭代次數(shù)呈正相關(guān)。當(dāng)測(cè)試樣本的迭代次數(shù)為70次時(shí)，模型的識(shí)別精度最高為采用80%比值的模型，其mAP為90.2%。其次為90% EPP值的YOLO-v3模型，模型的mAP為81.8%。而在60%和30%有效像素比值情況下，模型的最高精度分別為78.1%和62.1%，其值遠(yuǎn)低于90%和80% EPP的情況，因此不作考慮。在圖6中，90% EPP的模型最高mAP出現(xiàn)在迭代次數(shù)為50次的時(shí)候，而在迭代次數(shù)大于50次時(shí)，模型的精度反而下降。表明在高像素比的情況下，模型的非整體標(biāo)注圖像方法反而使模型損失了更多的圖像特征信息。本次試驗(yàn)的最大訓(xùn)練迭代次數(shù)超過了50次，因此研究的YOLO-v3模型的圖像有效像素比參數(shù)取值為80%。至此，模型的訓(xùn)練和參數(shù)校對(duì)完成，以下試驗(yàn)部分將對(duì)模型進(jìn)行對(duì)比，參考不同信息的圖像，對(duì)模型的識(shí)別檢測(cè)性能進(jìn)行全面分析。

圖6 不同有效像素比參數(shù)下YOLO-v3模型的害蟲識(shí)別性能

3.2 YOLO-v3果蔬蟲害檢測(cè)模型的性能測(cè)試

為了突出迭代自組織聚類算法和YOLO-v3網(wǎng)絡(luò)模型在果蔬害蟲識(shí)別檢測(cè)中的優(yōu)越性能，試驗(yàn)將1100份測(cè)試樣本數(shù)據(jù)全部代入Faster-RCNN、SSD-300、傳 統(tǒng)YOLO-v3和 優(yōu) 化YOLO-v3模 型中，不同種類害蟲的識(shí)別精度情況如圖7所示。

圖7 不同種類害蟲的識(shí)別精度情況

從圖7可以看出，整體的識(shí)別精度上優(yōu)化YOLO -v3優(yōu)于其他算法。在菜青蟲的圖像識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別率為86.6%，比Faster-RCNN模型高2.2個(gè)百分點(diǎn)，比SSD-300算法高7.5個(gè)百分點(diǎn)，比傳統(tǒng)YOLO-v3模型高1.1個(gè)百分點(diǎn)。而在飛蛾的識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別率同樣最高，為87.8%。桑天牛圖像識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別率為92.1%，比第2高的Faster-RCNN模型多出1.9個(gè)百分點(diǎn)。而在蝽象和葉蟬的圖像識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別率為89.8%和88.3%。模型的蟲害綜合識(shí)別精度如表2所示。

表2 4種算法模型的綜合識(shí)別精度和識(shí)別速度情況

由表2可知，在綜合識(shí)別精度上，最高的算法模型為優(yōu)化的YOLO-v3網(wǎng)絡(luò)，其mAP為88.92%，比Faster-RCNN高3.7個(gè)百分點(diǎn)。而在識(shí)別速度上，速度最快的為SSD-300，速度為41幀/s，其次為傳統(tǒng)YOLO-v3模型，速度為25幀/s。研究?jī)?yōu)化的YOLO-v3網(wǎng)絡(luò)在速度上僅比傳統(tǒng)YOLO-v3模型低4幀/s。試驗(yàn)表明：模型在對(duì)比害蟲等小目標(biāo)圖像內(nèi)，精度性能優(yōu)越。因此，試驗(yàn)將對(duì)比不同模型在馬鈴薯、大白菜、梨樹以及蘋果樹圖像中的蟲害檢測(cè)效果，具體結(jié)果如圖8所示。

圖8 不同種類果蔬的蟲害識(shí)別精度情況

從圖8中可以看出，在馬鈴薯蟲害的圖像識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別精度為88.91%。在大白菜蟲害的圖像識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別精度為86.27%。在梨樹蟲害的圖像識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別精度為88.91%。在蘋果樹蟲害的圖像識(shí)別中，優(yōu)化YOLO-v3模型的識(shí)別精度為85.21%。在果蔬植物圖像背景的影響下，模型的綜合識(shí)別精度如表3所示。

表3 4種算法模型的綜合識(shí)別精度和識(shí)別速度情況

由表3可知，在綜合識(shí)別精度上，最高的算法模型為優(yōu)化的YOLO-v3網(wǎng)絡(luò)，其mAP為87.32%，比傳統(tǒng)YOLO-v3模型高4.4個(gè)百分點(diǎn)。而在識(shí)別速度上，速度最快的為SSD-300，速度為26幀/s，其次為研究構(gòu)建的優(yōu)化YOLO-v3模型，速度為17幀/s。試驗(yàn)表明：模型在對(duì)比果蔬植物背景的蟲害目標(biāo)檢測(cè)中，精度、性能保持穩(wěn)定。最后，試驗(yàn)隨機(jī)從測(cè)試數(shù)據(jù)集中抽取50個(gè)樣本，測(cè)試模型的識(shí)別精度，具體見圖9。

圖9 優(yōu)化YOLO-v3模型的識(shí)別測(cè)試

圖9中縱軸的1~5分別表示菜青蟲、葉蟬、桑天牛、蝽象、飛蛾5種害蟲種類。從折線圖可以得知，本次50份樣本測(cè)試中，識(shí)別正確的樣本共計(jì)45份，識(shí)別準(zhǔn)確率為90%。

4 結(jié)論

出于確定模型參數(shù)并驗(yàn)證模型性能的目的，研究在構(gòu)建了蟲害圖像數(shù)據(jù)集后，經(jīng)過仿真訓(xùn)練和不同參數(shù)結(jié)果的測(cè)試試驗(yàn)，確定了EPP參數(shù)為80%的同時(shí)，也驗(yàn)證了非整體標(biāo)注圖像處理方法的有效性。以害蟲種類和果蔬圖像背景為區(qū)分，研究進(jìn)行了2次模型的識(shí)別精度和檢測(cè)速度對(duì)比。在害蟲種類識(shí)別的訓(xùn)練中，優(yōu)化的YOLO-v3網(wǎng)絡(luò)mAP為88.92%，比Faster-RCNN高3.7個(gè)百分點(diǎn)。而在果蔬圖像背景測(cè)試中，優(yōu)化的YOLO-v3網(wǎng)絡(luò)mAP為87.32%，比傳統(tǒng)YOLO-v3模型高4.4個(gè)百分點(diǎn)。試驗(yàn)表明：在不同的圖像目標(biāo)分類中，研究構(gòu)建的YOLO-v3模型比Faster-RCNN和傳統(tǒng)YOLO-v3網(wǎng)絡(luò)精度更高，測(cè)試性能更穩(wěn)定。本次試驗(yàn)的不足之處在于2次測(cè)試試驗(yàn)的數(shù)據(jù)來源單一，缺乏實(shí)際數(shù)據(jù)樣本進(jìn)行對(duì)比，模型的實(shí)際應(yīng)用效果有待進(jìn)一步確定。