張嘉鎬　楊濟(jì)東　趙俊杰　張旋　易峻峰　李梓銘

關(guān)鍵詞：YOLOv5; 棉花; 枯萎??；小目標(biāo)檢測(cè)；病害檢測(cè)

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2023）20-0051-03

0 引言

在農(nóng)業(yè)產(chǎn)業(yè)中，如何通過計(jì)算機(jī)視覺技術(shù)進(jìn)行作物病害的識(shí)別和監(jiān)測(cè)已經(jīng)引起了廣泛關(guān)注[1]。作物病害的快速準(zhǔn)確識(shí)別是農(nóng)業(yè)產(chǎn)業(yè)提高產(chǎn)量、減少損失的關(guān)鍵。而針對(duì)棉花作物的病害識(shí)別也是非常重要的，因?yàn)槊藁ㄊ鞘澜缟献钪匾募徔椩现?。?jù)統(tǒng)計(jì)，全球每年因棉花病害而導(dǎo)致的經(jīng)濟(jì)損失高達(dá)數(shù)十億美元。為了減少棉花病害造成的損失，許多研究人員和專家們致力于開發(fā)和應(yīng)用各種基于計(jì)算機(jī)視覺技術(shù)的棉花病害識(shí)別方法[2]。其中，目標(biāo)檢測(cè)技術(shù)是一種非常有效的方法，它可以自動(dòng)檢測(cè)圖像中的目標(biāo)并將其分類。

1 研究?jī)?nèi)容

1.1 研究背景及意義

棉花枯萎病是一種棉花生產(chǎn)中常見且危害嚴(yán)重的病害。它主要影響棉花的莖稈和維管束，導(dǎo)致棉株萎蔫、枯死、缺株、減產(chǎn)等問題。因此，對(duì)于棉花生產(chǎn)而言，棉花枯萎病的預(yù)防和治療非常重要。

利用無(wú)人機(jī)拍攝并使用圖像識(shí)別技術(shù)解決棉花枯萎病問題，具有非常重要的意義。通過使用人工智能技術(shù)對(duì)圖像進(jìn)行分析，可以自動(dòng)檢測(cè)并識(shí)別出患有棉花枯萎病的棉株，大大提高了棉花病害的診斷效率和準(zhǔn)確性。同時(shí)，這也有助于節(jié)省人力和時(shí)間成本，降低農(nóng)藥使用量和環(huán)境污染，提高棉花產(chǎn)量和品質(zhì)。

因此，將無(wú)人機(jī)與圖像識(shí)別技術(shù)結(jié)合使用，不僅可以幫助農(nóng)民及時(shí)發(fā)現(xiàn)和治療棉花枯萎病，還可以提高棉花的生產(chǎn)效率和質(zhì)量，這對(duì)于棉花生產(chǎn)來(lái)說(shuō)具有非常重要的意義。

1.2 研究方法

在進(jìn)行檢測(cè)識(shí)別時(shí)，為了快速并且大范圍地采集圖片，需要利用無(wú)人機(jī)拍攝棉花的病蟲害圖片。然而，由于棉花枯萎病形狀多樣，無(wú)人機(jī)拍攝的目標(biāo)相對(duì)來(lái)說(shuō)比較小，圖像比較模糊，采用原來(lái)的模型準(zhǔn)確率較低。

針對(duì)這一問題，首先要對(duì)圖片進(jìn)行預(yù)處理：為了更好地顯示棉花枯萎病的特征，本文構(gòu)建了一個(gè)圖像處理模塊，其功能是將圖片的RGB格式轉(zhuǎn)換成HSV 顏色空間，來(lái)提取患病區(qū)域的顏色特征，并且通過圖像增強(qiáng)來(lái)進(jìn)一步優(yōu)化圖像質(zhì)量。

此外，還需對(duì)YOLOv5的算法進(jìn)行優(yōu)化。首先，為了解決小目標(biāo)檢測(cè)效果不佳的問題，增加了小目標(biāo)檢測(cè)層對(duì)較淺特征圖與深特征圖拼接后進(jìn)行檢測(cè)。其次，引入了注意力機(jī)制，并對(duì)小目標(biāo)檢測(cè)進(jìn)行了優(yōu)化，提高檢測(cè)準(zhǔn)確率。

本文的主要工作可歸納為以下兩點(diǎn)：①構(gòu)建一個(gè)圖像處理模塊，以更好地顯示棉花枯萎病的特征；②優(yōu)化以YOLOv5算法為核心的識(shí)別模型，提高了其對(duì)棉花枯萎病的識(shí)別率。

2 設(shè)計(jì)方案

2.1 流程圖設(shè)計(jì)

如圖1所示，首先將采集的圖像輸入圖像預(yù)處理模塊，由于棉花枯萎病的自身特性，經(jīng)過該模塊處理后，病害區(qū)域的顏色相較于未處理的圖片更為明顯。隨后將圖片送至改進(jìn)的YOLOv5算法模型中，改進(jìn)后的算法模型針對(duì)無(wú)人機(jī)拍攝的圖片進(jìn)行了特別優(yōu)化，使得對(duì)小目標(biāo)可以進(jìn)行更準(zhǔn)確的檢測(cè)，對(duì)圖片中的棉花區(qū)域進(jìn)行病害識(shí)別，如果存在病害，則進(jìn)行受災(zāi)分析，最終將結(jié)果反饋至遠(yuǎn)程服務(wù)器。

2.2 圖像采集

影像平臺(tái)使用大疆mini2，該機(jī)型部分影像參數(shù)如表1。圖像采集地點(diǎn)位于新疆維吾爾自治區(qū)奎屯市。

3 改進(jìn)模型

3.1 構(gòu)建圖像預(yù)處理模塊

在本研究中，采用了以下步驟對(duì)圖片進(jìn)行預(yù)處理。首先，將圖片的RGB格式轉(zhuǎn)換成HSV顏色空間。HSV顏色空間包含色相（H） 、飽和度（S） 和明度（V） 三個(gè)維度，與RGB顏色空間相比，由于更接近人類感知顏色的方式，HSV更容易提取出圖像中的顏色特征。本文使用HSV顏色空間來(lái)提取患病區(qū)域的顏色特征，以便區(qū)分正常區(qū)域和病變區(qū)域。然后進(jìn)行圖像增強(qiáng)來(lái)進(jìn)一步優(yōu)化圖像質(zhì)量。對(duì)于拍攝的圖片，由于存在一些噪點(diǎn)和模糊等問題，需利用圖像的腐蝕和膨脹去除圖片上較小的噪點(diǎn)，并利用直方圖均衡化增強(qiáng)圖片的對(duì)比度。通過圖像增強(qiáng)，將圖片的對(duì)比度提高了20%，將圖片的清晰度提高了15%。最后，對(duì)圖像進(jìn)行裁剪和縮放，將圖片的大小統(tǒng)一為640×640像素。以上所有的圖像處理方法都是旨在增強(qiáng)圖像中的患病區(qū)域，以便更好地展示棉花枯萎病的特征。圖2是預(yù)處理前后圖片的對(duì)比。

3.2 改進(jìn)的YOLOv5模型

YOLOv5是一種目標(biāo)檢測(cè)算法，由Ultralytics公司在2020年發(fā)布。相對(duì)于其前身YOLOv4，YOLOv5在速度和準(zhǔn)確度方面都有所提升。YOLOv5的核心是一個(gè)基于骨干網(wǎng)絡(luò)（圖3） 的輕量級(jí)Feature Pyramid Net?work（FPN） 特征提取器，其采用了新穎的特征聚合策略，能夠更好地捕捉物體的特征[4]。此外，YOLOv5還引入了Spatial Pyramid Pooling（SPP） 模塊，用于提高模型的感受野和特征表達(dá)能力。

在本研究中，針對(duì)棉花病蟲害的特點(diǎn)和實(shí)際應(yīng)用中的場(chǎng)景，對(duì)基于YOLOv5的算法進(jìn)行了優(yōu)化。首先，為了解決YOLOv5小目標(biāo)檢測(cè)效果不佳的問題[5]，本文增加了小目標(biāo)檢測(cè)層對(duì)較淺特征圖與深特征圖拼接后進(jìn)行檢測(cè)，通過增加小目標(biāo)檢測(cè)層，可以利用較淺特征圖中保留的小目標(biāo)信息來(lái)提高檢測(cè)精度。同時(shí)，引入注意力機(jī)制，對(duì)小目標(biāo)檢測(cè)進(jìn)行了優(yōu)化。注意力機(jī)制是指通過對(duì)模型內(nèi)部特征的加權(quán)處理，使模型在處理輸入數(shù)據(jù)時(shí)能夠更加關(guān)注重要的部分，從而提高模型的性能[5]。YOLOv5注意力機(jī)制可以捕獲跨通道和位置敏感的信息，從而提高目標(biāo)定位和識(shí)別的準(zhǔn)確性。為此，在本研究中，引入了Squeeze-and-Excitation Network（SENet） 注意力模塊，將其嵌入目標(biāo)檢測(cè)網(wǎng)絡(luò)中。

SENet注意力模塊分為兩個(gè)部分，squeeze部分和excitation部分[7]。在squeeze部分中，全局平均池化操作被用于壓縮通道特征，將每個(gè)通道的特征圖壓縮成一個(gè)標(biāo)量，用于描述該通道的重要性。在excitation部分中，通過兩個(gè)全連接層對(duì)每個(gè)通道進(jìn)行加權(quán)處理，得到每個(gè)通道的重要性權(quán)重，用于對(duì)特征圖進(jìn)行調(diào)整。這樣，模型就可以在特征提取過程中自適應(yīng)地調(diào)整不同通道的權(quán)重，從而更加關(guān)注重要的特征，提高小目標(biāo)檢測(cè)的精度[8]。如圖4是SENet注意力模塊的示意圖。

本文將SENet注意力模塊嵌入YOLOv5的FPN特征提取器中，對(duì)小目標(biāo)進(jìn)行優(yōu)化。實(shí)驗(yàn)結(jié)果表明，引入SENet注意力機(jī)制后，模型在小目標(biāo)檢測(cè)任務(wù)上的精度得到了一定的提升。

4 實(shí)驗(yàn)內(nèi)容

4.1 實(shí)驗(yàn)環(huán)境說(shuō)明

在本研究中，硬件配置是關(guān)鍵因素之一。為了保證算法的高效運(yùn)行和準(zhǔn)確性，本文選擇了一臺(tái)高性能的計(jì)算機(jī)，并配備了適合本研究需求的硬件組件。下面詳細(xì)介紹硬件配置，實(shí)驗(yàn)平臺(tái)具體配置參數(shù)見表2。

訓(xùn)練使用的圖片經(jīng)過預(yù)處理后，統(tǒng)一為640×640 像素，使用超參數(shù)訓(xùn)練，這種訓(xùn)練方法可以控制訓(xùn)練進(jìn)程，提高平臺(tái)利用率和檢測(cè)效率，部分超參數(shù)見表3。

4.2 實(shí)驗(yàn)結(jié)果對(duì)比

本文對(duì)采集的數(shù)據(jù)進(jìn)行300輪次訓(xùn)練迭代，從圖5的對(duì)比圖可以看出，模型預(yù)測(cè)的和原來(lái)標(biāo)注的基本重合，預(yù)測(cè)出的棉花枯萎病區(qū)域覆蓋面積和實(shí)際標(biāo)注的面積相近，說(shuō)明本文所提出的方法具有較好的棉花枯萎病檢測(cè)效果。為了對(duì)比了不同模型的實(shí)驗(yàn)結(jié)果，本文選取了Mask R-CNN、原始的YOLOv7s和原始的YOLOv5s三種目標(biāo)檢測(cè)算法進(jìn)行對(duì)比實(shí)驗(yàn)，并通過準(zhǔn)確率、召回率和mAP_0.5等指標(biāo)對(duì)它們進(jìn)行了評(píng)估。結(jié)果見表4，改進(jìn)的YOLOv5算法在準(zhǔn)確率和mAP_0.5 方面均表現(xiàn)出色，其準(zhǔn)確率相比之前提升了7.55%，mAP_0.5提升了11.48%。而原始的YOLOv7s在準(zhǔn)確率上不及本方案，Mask R-CNN在召回率與mAP_0.5 數(shù)值上不及本方案。這表明，本文提出的算法能夠有效地提高目標(biāo)檢測(cè)的精度和效率，未來(lái)有望在最新的算法平臺(tái)中取得更好的效果。

5 結(jié)論

本研究針對(duì)棉花病害的自動(dòng)識(shí)別問題，提出了一種基于圖像處理和深度學(xué)習(xí)算法的解決方案。該方案主要分為兩個(gè)部分，首先是對(duì)采集的棉花病害圖像進(jìn)行預(yù)處理，包括顏色空間轉(zhuǎn)換和圖像增強(qiáng)等操作，以便更好地提取圖像特征。其次是基于YOLOv5算法和注意力機(jī)制對(duì)預(yù)處理后的圖像進(jìn)行目標(biāo)檢測(cè)，從而實(shí)現(xiàn)對(duì)棉花病害的高精準(zhǔn)度的識(shí)別。在實(shí)驗(yàn)中，首先采集了大量的棉花病害圖像，并將其分為訓(xùn)練集和測(cè)試集進(jìn)行模型訓(xùn)練和評(píng)估。實(shí)驗(yàn)結(jié)果表明，所提出的解決方案在識(shí)別準(zhǔn)確率優(yōu)于其他對(duì)比算法，具有較高的實(shí)用價(jià)值。未來(lái)，將繼續(xù)探索如何進(jìn)一步提高識(shí)別精度和速度，并將該方案應(yīng)用于實(shí)際的棉花種植中，以提高農(nóng)業(yè)生產(chǎn)的效益和質(zhì)量。