趙嘉威 田光兆 邱暢 劉欽 陳晨 謝尚杰

摘要：準(zhǔn)確識別蘋果葉片病害種類以進(jìn)行及時防治對于蘋果增量增產(chǎn)具有重要的意義，為解決同時檢測蘋果葉片多種病害目標(biāo)結(jié)果不準(zhǔn)確的問題，提出一種改進(jìn)的YOLOv4目標(biāo)檢測算法（MC-YOLOv4）對蘋果葉片常見的5種病害（斑點(diǎn)落葉病、褐斑病、灰斑病、花葉病、銹?。┻M(jìn)行檢測。為方便遷移到移動終端，首先，該算法將YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)中的主干特征提取網(wǎng)絡(luò)CSPDarknet53換成了輕量級的MobileNetV3網(wǎng)絡(luò)，并在加強(qiáng)特征提取網(wǎng)絡(luò)結(jié)構(gòu)中引入深度可分離卷積代替?zhèn)鹘y(tǒng)卷積；其次，為提高檢測精度，將卷積注意力機(jī)制模塊CBAM融合至PANet結(jié)構(gòu)中，可增強(qiáng)對有用特征信息的提取；最后，為了使錨框更適應(yīng)本研究的數(shù)據(jù)集，通過K-means聚類算法將模型的錨框信息更新。結(jié)果表明，MC-YOLOv4模型在檢測中的平均精度為97.25%，單張圖像平均檢測時間為13.3 ms，權(quán)重文件大小為55.5 MB。MC-YOLOv4模型對于同時檢測蘋果葉片多種病害目標(biāo)的問題上具有識別速度快、識別精準(zhǔn)度高、可靠性強(qiáng)等特點(diǎn)，該研究為蘋果葉片的病害檢測提供了一種更優(yōu)的方法，有助于實(shí)現(xiàn)精準(zhǔn)施藥，提高蘋果的產(chǎn)量和品質(zhì)。

關(guān)鍵詞：MC-YOLOv4算法；蘋果；葉片病害檢測；卷積神經(jīng)網(wǎng)絡(luò)；注意力機(jī)制

中圖分類號：TP391.4??文獻(xiàn)標(biāo)志碼：A??文章編號：1002-1302（2023）09-0193-06

基金項(xiàng)目：國家自然科學(xué)基金青年科學(xué)基金（編號：31401291）。

作者簡介：趙嘉威（1999—），男，吉林長春人，碩士研究生，主要從事農(nóng)業(yè)智能裝備研究。E-mail：zjw991012@126.com。

通信作者：田光兆，博士，副教授，研究生導(dǎo)師，主要從事農(nóng)業(yè)智能裝備研究。E-mail：tgz@njau.edu.cn。

蘋果作為世界性果品，老少皆宜，具有富含維生素、生態(tài)適應(yīng)性強(qiáng)等特點(diǎn)，受到了世界大多數(shù)人的喜愛。據(jù)國家統(tǒng)計局統(tǒng)計，2020年我國蘋果產(chǎn)量為4 406.61萬t，占世界蘋果總產(chǎn)量50%以上，是最大的蘋果生產(chǎn)和消費(fèi)國［1］。但中國蘋果的優(yōu)果率卻不高，低品質(zhì)果品積壓滯銷，高品質(zhì)果品不能滿足消費(fèi)需求。蘋果的果實(shí)品質(zhì)主要受到病蟲害的影響，實(shí)現(xiàn)高效的病蟲害識別是病蟲害防護(hù)的基礎(chǔ)，對提高蘋果的產(chǎn)量和品質(zhì)具有重要意義［2］。

近年來，傳感器技術(shù)、計算機(jī)技術(shù)、視覺檢測技術(shù)等先進(jìn)技術(shù)的發(fā)展與應(yīng)用極大地加快了我國農(nóng)業(yè)自動化、智能化的發(fā)展［3-6］，其中深度學(xué)習(xí)技術(shù)發(fā)展飛快，眾多基于深度學(xué)習(xí)技術(shù)的檢測算法用于植物病蟲害的檢測［7-8］。在蘋果葉片病害檢測的問題上也有一些學(xué)者使用了基于深度學(xué)習(xí)的目標(biāo)檢測算法對病害進(jìn)行識別。Zhong等基于DenseNet-121深度卷積網(wǎng)絡(luò)，提出了回歸、多標(biāo)簽分類和focus loss function 共3種識別蘋果葉片病害的方法，3種方法的準(zhǔn)確率分別為93.51%、93.31%和93.71%［9］。該研究雖然將蘋果葉片分為6類進(jìn)行檢測，但卻只針對3種葉片病害，缺少普適性，且最終的識別準(zhǔn)確率不高；Bi等通過使用MobileNet模型實(shí)現(xiàn)對蘋果葉片2種病害進(jìn)行識別，與一般的深度學(xué)習(xí)模型相比，它是一個輕量級的模型，可以很容易地部署在移動設(shè)備上，但該研究的平均精確度只有73.50%，且每幅圖像的平均處理時間為 0.22 s，處理效率不高［10］。

針對以上問題，為了使蘋果病害檢測方法兼具檢測效率和檢測精度，本研究選擇YOLOv4算法作為基礎(chǔ)并對其進(jìn)行改進(jìn)。原始YOLOv4算法對于多目標(biāo)的檢測能力有限，當(dāng)病害種類密集時，容易出現(xiàn)漏檢、錯檢現(xiàn)象［11］。且YOLOv4算法的網(wǎng)絡(luò)結(jié)構(gòu)比較復(fù)雜，效率較低，所以將YOLOv4的主干特征提取網(wǎng)絡(luò)CSPDarknet53替換為輕量級MobileNetV3網(wǎng)絡(luò)，并在加強(qiáng)特征提取網(wǎng)絡(luò)結(jié)構(gòu)中引入深度可分離卷積代替?zhèn)鹘y(tǒng)卷積，為提高檢測精度，將卷積注意力機(jī)制模塊CBAM融合至PANet結(jié)構(gòu)中，最后通過K-means聚類算法將模型的錨框信息更新。綜合以上方法提出了MC-YOLOv4算法用于同時檢測蘋果葉片多種病害目標(biāo)。

1?材料與方法

1.1?數(shù)據(jù)采集

本研究所用的數(shù)據(jù)來源于 AI Studio 工程開源數(shù)據(jù)庫，選擇26 376張?zhí)O果葉片病害圖像作為初始數(shù)據(jù)，其中包含5類常見的蘋果葉片病害（斑點(diǎn)落葉病、褐斑病、灰斑病、花葉病、銹?。?，各類病害圖像在5 000張左右。

1.2?數(shù)據(jù)預(yù)處理

為提升模型的魯棒性，利用 python 對初始數(shù)據(jù)集進(jìn)行增廣處理，包括亮度變化、對比度變化、加入噪聲、鏡像翻轉(zhuǎn)和旋轉(zhuǎn)固定角度等。從原始數(shù)據(jù)集26 376張?zhí)O果葉片病害圖像中挑選出特征明顯的5類病害圖像各300張進(jìn)行上述幾種方式的數(shù)據(jù)增強(qiáng)，最終得到5類蘋果葉片病害圖像各600張的增強(qiáng)數(shù)據(jù)集。用標(biāo)注工具Labelimg對3 000張病害圖像按Pascal voc數(shù)據(jù)集的標(biāo)注格式逐一標(biāo)注，其中斑點(diǎn)落葉病標(biāo)注為AAB，褐斑病為ABB，灰斑病為AGS，花葉病為AM，銹病為AR，生成.xml類型的標(biāo)注文件。按7 ∶?2 ∶?1的比例隨機(jī)將標(biāo)注好的3 000張病害圖像分為訓(xùn)練集、驗(yàn)證集和測試集。為使圖像便于輸入模型，將圖像尺寸調(diào)整為 416×416。

1.3?蘋果葉片病害檢測算法

1.3.1?YOLOv4算法?目前，廣泛應(yīng)用于深度學(xué)習(xí)的目標(biāo)檢測算法主要有兩大類：第1類是二階段目標(biāo)檢測算法，代表算法有R-CNN［12］系列等，二階段目標(biāo)檢測算法會先生成一系列候選框，再通過CNN進(jìn)行樣本分類，具有很高的檢測精度，但是檢測速度并不快；第2類是一階段目標(biāo)檢測算法，代表算法有YOLO［13］系列、SSD［14］系列、Retina-Net等，一階段目標(biāo)檢測算法直接回歸物體的類別概率和位置坐標(biāo)值，相對于二階段目標(biāo)檢測算法檢測速度更快，但檢測精度較低［15-19］。

為了平衡檢測精度和檢測速度，Bochkovskiy等在2020年提出了YOLO系列第4代YOLOv4目標(biāo)檢測算法［20］。YOLOv4由主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、預(yù)測網(wǎng)絡(luò)三大部分組成。主干特征提取網(wǎng)絡(luò)使用CSPDarknet53結(jié)構(gòu)，頸部網(wǎng)絡(luò)使用SPP模塊、PANet結(jié)構(gòu)，預(yù)測網(wǎng)絡(luò)依舊使用YOLO Head。

1.3.2?用MobileNetV3替換主干特征提取網(wǎng)絡(luò)?MobileNetV3是最新版的MobileNet網(wǎng)絡(luò)，在其網(wǎng)絡(luò)結(jié)構(gòu)中引入了bneck結(jié)構(gòu)。bneck結(jié)構(gòu)圖如圖1所示，其綜合了MobileNetV2的具有線性瓶頸的逆殘差結(jié)構(gòu)，即先對輸入進(jìn)來的特征圖進(jìn)行1×1的卷積提升維度，使其通道數(shù)得到擴(kuò)張，并具有殘差邊；MobileNetV1的深度可分離卷積，對比常規(guī)的卷積操作，深度可分離卷積節(jié)省了12倍的計算成本，是MobileNetV1網(wǎng)絡(luò)能夠輕量化的關(guān)鍵因素；引入了輕量級的注意力機(jī)制模型用來調(diào)整每個通道的權(quán)重，其包括Squeeze和Excitation兩大部分；使用 H-Swish 激活函數(shù)代替了Swish激活函數(shù)，減少了所需的計算量［21］。Swish激活函數(shù)如式（1）所示。

其中，Sigmoid函數(shù)如式（2）所示。

H-Swish激活函數(shù)如式（3）所示。

其中，ReLU6函數(shù)如式（4）所示。

1.3.3?引入CBAM卷積注意力機(jī)制模塊?為防止替換主干特征提取網(wǎng)絡(luò)后會影響整個模型的精度，在模型PANet結(jié)構(gòu)中的2次上采樣和2次下采樣后分別插入注意力機(jī)制模塊，以加強(qiáng)對輸入特征圖的特征提取。注意力機(jī)制模塊的作用就是讓卷積神經(jīng)網(wǎng)絡(luò)自適應(yīng)注意重要的特征。一般而言，可分為通道注意力機(jī)制和空間注意力機(jī)制。CBAM卷積注意力機(jī)制模塊很好地將通道注意力機(jī)制模塊和空間注意力機(jī)制模塊進(jìn)行了結(jié)合，可以取得更好的效果，其結(jié)構(gòu)如圖2所示。

CBAM結(jié)構(gòu)的上半部分為CAM通道注意力機(jī)制模塊，其結(jié)構(gòu)如圖3所示。CAM結(jié)構(gòu)將輸入進(jìn)來的特征圖F（C×H×W）并行地經(jīng)過基于特征圖高度（H）和特征圖寬度（W）的全局最大池化和全局平均池化，得到2個C×1×1的特征圖，再將得到的特征圖送入共享的全連接層進(jìn)行處理，先壓縮通道數(shù)為C/r （r為減少率），激活函數(shù)為ReLU，再將通道數(shù)擴(kuò)張回C，得到2個激活后的結(jié)果，進(jìn)行加和操作和sigmoid操作，此時獲得了輸入特征每一個通道的權(quán)值MC。將這個權(quán)值再與輸入特征的對應(yīng)元素相乘，得到SAM的輸入特征圖F′（C×H×W），完成通道注意力操作。

CBAM的下半部分為SAM空間注意力機(jī)制模塊，其結(jié)構(gòu)如圖4所示。將F′（C×H×W）經(jīng)過基于通道數(shù)的全局最大池化和全局平均池化，得到2個H×W×1的特征圖，將2個特征圖進(jìn)行通道拼接再經(jīng)過1個7×7卷積操作，降維成H×W×1，最后經(jīng)過sigmoid得到輸入特征每一通道的權(quán)值（MS）。再將其與輸入特征 的對應(yīng)元素相乘，得到最終的特征圖F″（C×H×W），完成空間注意力操作。

1.3.4?K-means錨框重新聚類?錨框的選擇是準(zhǔn)確預(yù)測目標(biāo)的重要前提之一。YOLOv4模型使用的錨框是基于COCO數(shù)據(jù)集聚類得到，但COCO數(shù)據(jù)集包含了80個類，不同類別的錨框尺寸不一，所以YOLOv4模型的錨框尺寸也有很大差距。本研究針對蘋果葉片病害數(shù)據(jù)集，只包含5個類，多數(shù)錨框尺寸應(yīng)該偏小。為了使MC-YOLOv4目標(biāo)檢測網(wǎng)絡(luò)能夠更加準(zhǔn)確地預(yù)測待檢目標(biāo)位置，本研究利用K-means 聚類算法對已經(jīng)標(biāo)注好的蘋果葉片病害數(shù)據(jù)集重新聚類，最終得到9個錨框，分別為（8，13）、（12，13）、（17，13）、（15，19）、（19，28）、（27，23）、（39，41）、（69，69）、（322，278），更新后的錨框有利于提高蘋果葉片病害的識別精度。改進(jìn)后YOLOv4（MC-YOLOv4）的網(wǎng)絡(luò)結(jié)構(gòu)模型如圖5所示。

2?結(jié)果與分析

2.1?試驗(yàn)環(huán)境與參數(shù)設(shè)置

本研究用的訓(xùn)練平臺硬件：Intel Core i5-12400F CPU@4.4 GHz；GeForce RTX 1080Ti 11G GPU；運(yùn)行內(nèi)存為16 G；操作系統(tǒng)為Windows10 64位；深度學(xué)習(xí)框架選用PyTorch；編程語言為Python；CUDA及GPU加速庫Cudnn的版本為11.0和7.6.5。

對于MC-YOLOv4模型，訓(xùn)練過程中的Batchsize設(shè)置為32，最大學(xué)習(xí)率設(shè)置為0.001，動量設(shè)置為0.937，用Adam優(yōu)化器進(jìn)行優(yōu)化，用Focal loss平衡正負(fù)樣本，正負(fù)樣本平衡參數(shù)設(shè)置為0.25。

2.2?評價指標(biāo)

對于蘋果葉片病害的識別，需考慮檢測網(wǎng)絡(luò)的精度與效率。本研究用平均精度（AP）、平均精度mAP、單張圖像檢測速度（單位ms）、權(quán)重文件大小作為評價指標(biāo)。AP與模型的準(zhǔn)確率（P）和召回率（R）有關(guān)，其計算公式見式（5）～式（8）。

式中：TP為模型檢測正確的數(shù)量；FP為模型檢測錯誤與目標(biāo)分類錯誤的數(shù)量；FN為模型漏檢的數(shù)量；N為類別的數(shù)量。

2.3?模型訓(xùn)練結(jié)果

使用MC-YOLOv4模型在蘋果葉片病害數(shù)據(jù)集上進(jìn)行訓(xùn)練和測試，結(jié)果如圖6所示。

由圖6可知，MC-YOLOv4網(wǎng)絡(luò)模型隨著迭代次數(shù)的增加，驗(yàn)證集損失值和訓(xùn)練集損失值也在不斷減小。在迭代150次后，驗(yàn)證集損失值逐漸大于訓(xùn)練集損失值，有一定的過擬合現(xiàn)象發(fā)生，但兩者相差并不大，且兩者逐漸趨于平穩(wěn)，模型收斂。

對本研究模型MC-YOLOv4、原始YOLOv4模型、Faster R-CNN［22］模型、原始SSD模型分別迭代2 000次，表1為以上4種模型訓(xùn)練結(jié)果對比。與原始YOLOv4模型對比，本研究模型MC-YOLOv4平均精度提高1.88百分點(diǎn)，單張圖像檢測時間減少16.9 ms，權(quán)重文件大小減少188.5 MB；與Faster R-CNN 模型對比，本研究模型MC-YOLOv4平均精度提高4.36百分點(diǎn)，單張圖像檢測時間減少61.1 ms，權(quán)重文件大小減少52.5 MB；與原始SSD模型對比，本研究模型MC-YOLOv4平均精度提高5.31百分點(diǎn)，單張圖像檢測時間減少2.4 ms，權(quán)重文件大小減少37.1 MB。在5類蘋果葉片病害檢測的平均精度上，本研究模型MC-YOLOv4較其他模型都有較明顯的提升，花葉病和銹病的平均精度更是高達(dá)99.88%和97.66%。

2.4?消融試驗(yàn)結(jié)果

MC-YOLOv4算法在原始YOLOv4算法的基礎(chǔ)上替換了主干特征提取網(wǎng)絡(luò)，同時插入了CBAM卷積注意力機(jī)制模塊。為了能夠更清晰地分析本研究提出的改進(jìn)YOLOv4算法（MC-YOLOv4）對原始YOLOv4算法產(chǎn)生的影響，分別進(jìn)行4組試驗(yàn)，具體試驗(yàn)結(jié)果如表2所示。

試驗(yàn)1為原始YOLOv4算法，該算法對蘋果葉片5種病害的平均精度為95.37%，單張圖像檢測時間為30.2 ms，權(quán)重文件大小為244 MB；試驗(yàn)2為只引入CBAM模塊后的算法，由于添加了注意力機(jī)制模塊，增強(qiáng)了對有用特征信息的提取，所以該算法的平均精度提升1.13百分點(diǎn)，同時因?yàn)樽⒁饬C(jī)制模塊也會增加一定的計算量，所以單張圖像檢測時間增加0.7 ms，權(quán)重文件大小增加2 MB；試驗(yàn)3為只替換主干特征提取網(wǎng)絡(luò)的算法，由于MobileNet網(wǎng)絡(luò)具有更小的體積、更高的精準(zhǔn)度和更少的計算量，所以該算法的平均精度提升1.05百分點(diǎn)，單張圖像檢測時間減少17.9 ms，權(quán)重文件大小減少190.2 MB；試驗(yàn)4為引入CBAM模塊和替換主干特征提取網(wǎng)絡(luò)的算法，即本研究算法MC-YOLOv4結(jié)合了CBAM模塊和MobileNet網(wǎng)絡(luò)的優(yōu)勢，該算法的平均精度提升1.88百分點(diǎn)，單張圖像檢測時間減少16.9 ms，權(quán)重文件大小減少188.5 MB。

2.5?葉片病害檢測試驗(yàn)

為了測試不同的模型對于蘋果葉片多病害目標(biāo)同時檢測的表現(xiàn)情況，隨機(jī)從蘋果葉片5種病害的數(shù)據(jù)集中選擇9張病害圖像拼接成1張圖像進(jìn)行檢測，圖7為不同模型對于蘋果葉片多病害目標(biāo)同時檢測的3組試驗(yàn)結(jié)果。試驗(yàn)的置信度設(shè)置為0.5，圖中虛線方框?yàn)槿斯?biāo)注的模型漏檢的病害目標(biāo)，三角形框?yàn)槿斯?biāo)注的模型錯檢的病害目標(biāo)，其他實(shí)線方框?yàn)槟Ｐ偷淖R別結(jié)果。其中，MC-YOLOv4 模型在3組試驗(yàn)中未出現(xiàn)漏檢、錯檢現(xiàn)象，單幅圖像平均檢測時間為13.82 ms；原始YOLOv4模型漏檢2處病害目標(biāo)，錯檢2處病害目標(biāo)，單幅圖像平均檢測時間為30.27 ms；Faster R-CNN 模型漏檢5處病害目標(biāo)，錯檢1處病害目標(biāo)，單幅圖像平均檢測時間為75.10 ms；SSD模型漏檢45處病害目標(biāo)，錯檢2處病害目標(biāo)，單幅圖像平均檢測時間為16.36 ms。試驗(yàn)結(jié)果表明，MC-YOLOv4模型對于同時檢測蘋果葉片多種病害目標(biāo)上具有識別速度快、識別精準(zhǔn)度高、可靠性強(qiáng)等優(yōu)勢。

3?結(jié)論

本研究在YOLOv4算法的基礎(chǔ)上進(jìn)行改進(jìn)，提出了MC-YOLOv4目標(biāo)檢測算法。將YOLOv4的主干特征提取網(wǎng)絡(luò)CSPDarknet53替換為輕量級MobileNetV3網(wǎng)絡(luò)，并在加強(qiáng)特征提取網(wǎng)絡(luò)結(jié)構(gòu)中引

入深度可分離卷積代替?zhèn)鹘y(tǒng)卷積減少了模型的計算量，加快了模型的檢測速度；將卷積注意力機(jī)制模塊CBAM融合至PANet結(jié)構(gòu)中，提高了模型的檢測精度；利用K-means聚類算法對錨框信息進(jìn)行更新，以適應(yīng)本研究的蘋果葉片病害數(shù)據(jù)集。

基于采集和數(shù)據(jù)增強(qiáng)后的3 000張圖片，分別使用MC-YOLOv4、YOLOv4、Faster R-CNN、SSD模型進(jìn)行試驗(yàn)。結(jié)果表明，MC-YOLOv4目標(biāo)檢測算法的平均精度為97.25%，單張圖像檢測時間為13.3 ms，權(quán)重文件大小為55.5 MB，各項(xiàng)參數(shù)皆優(yōu)于其他網(wǎng)絡(luò)模型。

通過消融試驗(yàn)更清晰地分析本研究提出的改進(jìn)YOLOv4算法（MC-YOLOv4）對原始YOLOv4算法產(chǎn)生的影響。4種目標(biāo)檢測算法的對比試驗(yàn)結(jié)果表明，MC-YOLOv4算法在同時檢測蘋果葉片多種病害目標(biāo)上具有明顯的速度和精度優(yōu)勢。

參考文獻(xiàn)：

［1］王?璇，劉軍弟，邵礫群，等. 我國蘋果產(chǎn)業(yè)年度發(fā)展?fàn)顩r及其趨勢與建議［J］. 中國果樹，2018（3）：101-104，108.

［2］李保華，王彩霞，董向麗.我國蘋果主要病害研究進(jìn)展與病害防治中的問題［J］. 植物保護(hù)，2013，39（5）：46-54.

［3］顧寶興，劉?欽，田光兆，等. 基于改進(jìn)YOLOv3的果樹樹干識別和定位［J］. 農(nóng)業(yè)工程學(xué)報，2022，38（6）：122-129.

［4］張?漫，季宇寒，李世超，等. 農(nóng)業(yè)機(jī)械導(dǎo)航技術(shù)研究進(jìn)展［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2020，51（4）：1-18.

［5］袁祥州，黃恩臨. 歐盟智慧農(nóng)業(yè)發(fā)展經(jīng)驗(yàn)及其借鑒［J］. 世界農(nóng)業(yè)，2022（5）：27-36.

［6］Xu J Y，Gu B X，Tian G Z. Review of agricultural IoT technology［J］. Artificial Intelligence in Agriculture，2022，6：10-22.

［7］余?凱，賈?磊，陳雨強(qiáng)，等. 深度學(xué)習(xí)的昨天、今天和明天［J］. 計算機(jī)研究與發(fā)展，2013，50（9）：1799-1804.

［8］張慧春，周宏平，鄭加強(qiáng)，等. 植物表型平臺與圖像分析技術(shù)研究進(jìn)展與展望［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2020，51（3）：1-17.

［9］Zhong Y，Zhao M. Research on deep learning in apple leaf disease recognition［J］. Computers and Electronics in Agriculture，2020，168：105146.

［10］Bi C K，Wang J M，Duan Y L，et al. MobileNet based apple leaf diseases identification［J］. Mobile Networks and Applications，2022，27（1）：172-180.

［11］文?斌，曹仁軒，楊啟良，等. 改進(jìn)YOLOv3算法檢測三七葉片病害［J］. 農(nóng)業(yè)工程學(xué)報，2022，38（3）：164-172.

［12］Girshick R，Donahue J，Darrell T，et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition，2014：580-587.

［13］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，2016：779-788.

［14］Liu W，Anguelov D，Erhan D，et al. SSD：single shot MultiBox detector［M］//Computer vision-ECCV 2016.Cham：Springer International Publishing，2016：21-37.

［15］王相友，李晏興，楊振宇，等. 基于改進(jìn)YOLOv4模型的馬鈴薯中土塊石塊檢測方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52（8）：241-247，262.

［16］李菊霞，李艷文，牛?帆，等. 基于YOLOv4的豬只飲食行為檢測方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2021，52（3）：251-256.

［17］劉莫塵，高甜甜，馬宗旭，等. 基于MSRCR-YOLOv4-tiny的田間玉米雜草檢測模型［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2022，53（2）：246-255，335.

［18］王巧華，顧?偉，蔡沛忠，等. 基于改進(jìn)YOLOv4的群體棉種雙面破損檢測方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報，2022，53（1）：389-397.

［19］吳?雪，宋曉茹，高?嵩，等. 基于深度學(xué)習(xí)的目標(biāo)檢測算法綜述［J］. 傳感器與微系統(tǒng)，2021，40（2）：4-7，18.

［20］Bochkovskiy A， Wang C Y， Liao H Y M. Yolov4： optimal speed and accuracy of object detection［EB/OL］. （2004-01-09）［2022-09-10］.https：//arxiv.org/abs/2004.10934.

［21］張兆國，張振東，李加念，等. 采用改進(jìn)Yolov4模型檢測復(fù)雜環(huán)境下馬鈴薯［J］. 農(nóng)業(yè)工程學(xué)報，2021，37（22）：170-178.

［22］Ren S Q，He K M，Girshick R，et al. Faster R-CNN：towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.