薛霞 劉鵬 周文

摘要：為解決現(xiàn)有識(shí)別方法在植物病害檢測(cè)中遇到的密集分布、不規(guī)則形態(tài)、多尺度目標(biāo)類別、紋理相似性等障礙，提出一種高性能的實(shí)時(shí)細(xì)粒度植物病害檢測(cè)框架。首先，在YOLOv8主干網(wǎng)絡(luò)和頸部設(shè)計(jì)兩個(gè)新的殘差塊，增強(qiáng)特征提取和降低計(jì)算成本；其次，引入DenseNet層，并使用Hard-Swish函數(shù)作為主要激活函數(shù)，以提高模型的準(zhǔn)確性；最后，設(shè)計(jì)PANet網(wǎng)絡(luò)，用于保留細(xì)粒度的局部信息和改善特征融合。在不同的復(fù)雜環(huán)境下，對(duì)番茄植株的四種不同病害進(jìn)行檢測(cè)。試驗(yàn)結(jié)果表明，所提改進(jìn)模型在檢測(cè)準(zhǔn)確性和速度上均優(yōu)于現(xiàn)有模型的檢測(cè)模型。當(dāng)檢測(cè)速度為71.23 FPS時(shí)，所提改進(jìn)模型精確度為92.58%，召回率為97.59%，F(xiàn)1分?jǐn)?shù)為93.64%。為精準(zhǔn)農(nóng)業(yè)自動(dòng)化提供有效的技術(shù)手段。

關(guān)鍵詞：植物病害檢測(cè)；改進(jìn)YOLOv8；實(shí)時(shí)目標(biāo)檢測(cè)；深度神經(jīng)網(wǎng)絡(luò)；殘差網(wǎng)絡(luò)

中圖分類號(hào)：S432； TP391.41

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553 （2024） 05-0188-07

收稿日期：2023年12月11日? 修回日期：2024年2月11日*基金項(xiàng)目：運(yùn)城學(xué)院博士科研啟動(dòng)項(xiàng)目（YQ—2022003）

第一作者：薛霞，女，1985年生，西安人，博士，講師；研究方向?yàn)闄C(jī)器學(xué)習(xí)、人工智能在交叉領(lǐng)域的應(yīng)用等。E-mail：? xuexia201607@163.com

Detection of? real-time fine-grained plant disease based on improved YOLOv8 algorithm

Xue Xia1， Liu Peng2， Zhou Wen3

（1. School of Maths and Information Technology， Yuncheng University， Yuncheng， 044000， China;

2. College of Information Science and Engineering， Shanxi Agricultural University， Jinzhong， 030800， China;

3. Stale Key Laboratory of Computer Architecture， Institute of Compuing Technology，? Chinese Academy of

Sciences， Beijing， 100190， China）

Abstract：

A high-performance real-time fine-grained plant disease detection framework is proposed to solve the problems of dense distribution， irregular shape， multi-scale target category and texture similarity encountered by existing identification methods in plant disease detection. Firstly， two new residual blocks are designed in YOLOv8 backbone network and neck to enhance feature extraction and reduce computing cost. Secondly， the DenseNet layer is introduced and the Hard-Swish function is used as the main activation function to improve the accuracy of the model. Finally， the PANet network is designed to retain fine-grained local information and improve feature fusion. Four different diseases of tomato plants were detected in different complex environments， and the experimental results showed that the proposed model was superior to the most advanced detection models in both accuracy and speed. At the detection rate of 71.23 FPS， the model obtained the precision of 92.58%， the recall rate of 97.59%， and the F1-score of 93.64%， which provided an effective technical means for precision agriculture automation.

Keywords：

plant disease detection; improved YOLOv8; real-time target detection; deep neural network; residual network

0 引言

隨著全球人口的增長(zhǎng)和氣候變化，糧食安全問題日益突出［1］。植物病害作為影響糧食產(chǎn)量的主要因素之一，對(duì)農(nóng)業(yè)生產(chǎn)造成了巨大的損失［2］。在我國(guó)，植物病害種類繁多，發(fā)生頻繁，給農(nóng)業(yè)生產(chǎn)帶來了嚴(yán)重困擾［3］。隨著現(xiàn)代農(nóng)業(yè)的發(fā)展，植物病害的檢測(cè)和防治成為農(nóng)業(yè)生產(chǎn)中至關(guān)重要的環(huán)節(jié)。然而，傳統(tǒng)的植物病害檢測(cè)方法主要依靠人工巡檢，這種方法不僅效率低，而且難以實(shí)現(xiàn)大規(guī)模、實(shí)時(shí)的病害監(jiān)測(cè)［4-6］。近年來，深度學(xué)習(xí)技術(shù)在農(nóng)業(yè)領(lǐng)域得到廣泛應(yīng)用，尤其是在圖像分類和目標(biāo)檢測(cè)等計(jì)算機(jī)視覺任務(wù)上［7］。

基于區(qū)域提議網(wǎng)絡(luò)的兩階段模型如Faster R-CNN在檢測(cè)精度上優(yōu)于一階段模型，但檢測(cè)速度較慢［8］。YOLO系列算法是計(jì)算機(jī)視覺領(lǐng)域中著名的實(shí)時(shí)目標(biāo)檢測(cè)算法，其快速、準(zhǔn)確的特點(diǎn)使其在眾多應(yīng)用場(chǎng)景中脫穎而出［9］。楊文姬等［10］針對(duì)傳統(tǒng)的植物病害檢測(cè)方法存在的準(zhǔn)確性和速度不足的問題，提出了一種基于改進(jìn)的YOLOv5深度學(xué)習(xí)模型，能夠有效地識(shí)別蘋果和番茄葉片上的常見病害。趙越等［11］以馬鈴薯葉片為研究對(duì)象，基于TensorFlow平臺(tái)構(gòu)建了Faster R-CNN網(wǎng)絡(luò)模型，利用本地增強(qiáng)技術(shù)對(duì)正常和患有早疫病、晚疫病的馬鈴薯葉片進(jìn)行圖像增廣，同時(shí)采用COCO數(shù)據(jù)集的預(yù)訓(xùn)練權(quán)重進(jìn)行遷移學(xué)習(xí)，分析了數(shù)據(jù)類別對(duì)模型檢測(cè)效果的影響。試驗(yàn)結(jié)果表明，該模型的最高檢測(cè)精度達(dá)到了99.5%，為馬鈴薯病害的快速診斷提供了技術(shù)支持。曾晏林等［12］提出了一種結(jié)合自注意力機(jī)制和Transformer模塊的目標(biāo)檢測(cè)算法，能夠在自然環(huán)境中實(shí)現(xiàn)對(duì)蘋果葉片病蟲害的自動(dòng)識(shí)別和檢測(cè)。該算法具有高速和高精度的特點(diǎn)，為蘋果種植過程中的智能化管理提供參考依據(jù)。

YOLOv8可以有效地提高模型的檢測(cè)準(zhǔn)確度，但由于復(fù)雜的環(huán)境，植物病害檢測(cè)任務(wù)面臨著一些特定的挑戰(zhàn)，特別是密集的細(xì)粒度病害、受感染區(qū)域的不規(guī)則幾何形態(tài)、多尺度感染病灶的共存、受影響區(qū)域和周圍環(huán)境的紋理相似、光照條件的變化、重疊和遮擋等［13］。因此，YOLOv8可能會(huì)提供較低的檢測(cè)準(zhǔn)確度，導(dǎo)致大量的漏檢和誤檢，這是由于對(duì)多尺度病害檢測(cè)問題的細(xì)粒度特征提取不足所致［14］。此外，YOLOv8還會(huì)帶來高計(jì)算成本和較長(zhǎng)的訓(xùn)練時(shí)間，不適合現(xiàn)場(chǎng)移動(dòng)設(shè)備。

為解決植物病害檢測(cè)的實(shí)時(shí)性和精細(xì)度的問題，本文基于YOLOv8算法提出一種新的植物病害檢測(cè)模型。介紹所提算法的原理和結(jié)構(gòu)，分析其在植物病害檢測(cè)中的優(yōu)勢(shì)和不足。針對(duì)植物病害檢測(cè)的特點(diǎn)，對(duì)YOLOv8算法進(jìn)行骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)、激活函數(shù)和特征融合網(wǎng)絡(luò)的改進(jìn)。最后，本文在番茄植物4種常見病害的數(shù)據(jù)集上對(duì)改進(jìn)后的模型進(jìn)行試驗(yàn)評(píng)估，并與YOLOv7和YOLOv8等前沿模型進(jìn)行對(duì)比分析。

1 病害數(shù)據(jù)

1.1 數(shù)據(jù)集

本文使用公開可獲得的PlantVillage數(shù)據(jù)集［15］中的番茄葉片病害圖像。該數(shù)據(jù)集包含多種植物的不同病害的圖像。從PlantVillage數(shù)據(jù)集中，抽取4種番茄常見病害類的圖像，分別是早疫病、晚疫病、紫斑病和葉霉病，每類抽取了300張圖像，構(gòu)建了包含1 200張圖像的初始數(shù)據(jù)集。

1.2 數(shù)據(jù)增強(qiáng)

為增強(qiáng)模型的魯棒性和避免過擬合，使用數(shù)據(jù)擴(kuò)充的方法對(duì)初始數(shù)據(jù)集進(jìn)行10倍的擴(kuò)充，得到包含12 000張圖像的自定義數(shù)據(jù)集，如圖1所示。從擴(kuò)充后的數(shù)據(jù)集中，隨機(jī)選擇8 400張圖像作為訓(xùn)練集，1 800張作為驗(yàn)證集，1 800張作為測(cè)試集。使用開源工具LabelImg進(jìn)行圖像的標(biāo)注工作，將目標(biāo)類及其對(duì)應(yīng)的邊界框坐標(biāo)保存在PASCAL VOC格式的XML文件中。

2 基于改進(jìn)的YOLOv8算法

為了解決上述與實(shí)時(shí)疾病檢測(cè)過程相關(guān)的問題，對(duì)YOLOv8算法［16］進(jìn)行改進(jìn)和優(yōu)化，以實(shí)現(xiàn)復(fù)雜背景環(huán)境中細(xì)粒度圖像多屬性檢測(cè)的準(zhǔn)確預(yù)測(cè)。通過在復(fù)雜背景中實(shí)時(shí)檢測(cè)不同的番茄植物病害，展示模型的有效性，改進(jìn)的YOLOv8網(wǎng)絡(luò)架構(gòu)如圖2所示。

2.1 主干特征提取網(wǎng)絡(luò)

最新的YOLOv8模型采用一個(gè)新的骨干網(wǎng)絡(luò)，稱為C2f，是在CSPDarknet53的基礎(chǔ)上改進(jìn)的。C2f模塊使用更多的跳層連接和分割操作，以增強(qiáng)梯度流和特征融合，從而提高模型的表達(dá)能力和效率。C2f模塊首先執(zhí)行1×1卷積，將輸入特征分割為兩部分，然后對(duì)其中一部分執(zhí)行3×3卷積，最后將兩部分特征相加，形成殘差結(jié)構(gòu)。

在Darknet-53網(wǎng)絡(luò)［17］中的殘差模型幫助網(wǎng)絡(luò)在同時(shí)減少可訓(xùn)練參數(shù)數(shù)量的情況下，學(xué)習(xí)更具表達(dá)力的特征，輸入圖像的特征層通過卷積操作不斷地進(jìn)行下采樣，以提取細(xì)粒度的豐富語(yǔ)義信息，使其更適合實(shí)時(shí)檢測(cè)。

為提高特征圖的語(yǔ)義信息和感受野，YOLOv8模型在特征金字塔的每一層都使用了空間金字塔池化（Spatial Pyramid Pooling，SPP）和特征金字塔注意力網(wǎng)絡(luò)（Feature Pyramid Attention Network，PANet）。SPP的數(shù)學(xué)表達(dá)式如式（1）所示。

3.3 試驗(yàn)結(jié)果

為驗(yàn)證本文模型的有效性，將Faster R-CNN、RetinaNet、SSD、Cascade R-CNN、Mask R-CNN、YOLOv4、YOLOv7和YOLOv8模型在PlantVillage數(shù)據(jù)集中的番茄葉片病害圖像進(jìn)行訓(xùn)練和測(cè)試，表2展示8個(gè)模型的性能指標(biāo)。

由表2可知，RetinaNet、SSD、Mask R-CNN和Cascade R-CNN是中等水平的模型，它們?cè)诟鱾€(gè)指標(biāo)上都有不同的優(yōu)劣，沒有明顯的優(yōu)勢(shì)或劣勢(shì)。Faster R-CNN是最差的模型，它在所有指標(biāo)上都表現(xiàn)最低，尤其是在時(shí)間和檢測(cè)速度上，分別為45.14 ms和23.02FPS，遠(yuǎn)低于其他模型。YOLOv8是除了本文模型之外的最佳模型，其在精確度、F1分?jǐn)?shù)、mAP上都超過了90%，并且在時(shí)間和檢測(cè)速度上也有較好的表現(xiàn)，分別為14.29 ms和70.19FPS。本文模型在所有指標(biāo)上都表現(xiàn)最優(yōu)，尤其是在召回率和檢測(cè)速度上，分別達(dá)到97.59%和71.23FPS，遠(yuǎn)高于其他模型。說明通過對(duì)骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)的改進(jìn)，提高了植物病害檢測(cè)的實(shí)時(shí)性、精細(xì)度和魯棒性。

表3展示本文模型番茄葉片病害檢測(cè)的效果，本文模型的精確度、召回率和F1分?jǐn)?shù)分別達(dá)到90.43%、97.25%和93.67%。這說明本文模型在檢測(cè)植物病害的目標(biāo)時(shí)，既準(zhǔn)確又完整，能夠有效地區(qū)分目標(biāo)和非目標(biāo)，也能夠覆蓋大部分的目標(biāo)。

進(jìn)一步分析可知，本文模型在四個(gè)類別上的指標(biāo)都是最高的，而且相對(duì)穩(wěn)定，沒有明顯的差異。這說明本文模型對(duì)不同類別的植物病害都有很好的檢測(cè)能力，沒有偏好或忽略某一類別。

3.4 病害檢測(cè)可視化

從PlantVillage數(shù)據(jù)集中隨機(jī)抽取了4種番茄常見病害類的圖像，圖4為可視化不同模型對(duì)早疫病、晚疫病、紫斑病和葉霉病的檢測(cè)效果，白色箭頭表示對(duì)應(yīng)模型預(yù)測(cè)的未檢測(cè)到或錯(cuò)誤檢測(cè)?？梢钥闯霰疚哪Ｐ驮跈z測(cè)植物病害方面具有明顯的優(yōu)勢(shì)，無論是在整體性能上還是在不同類別上，都能夠準(zhǔn)確地識(shí)別不同形狀、大小和顏色的病害區(qū)域，同時(shí)減少了漏檢和誤檢的情況。相比之下，YOLOv7和YOLOv8模型在檢測(cè)植物病害方面表現(xiàn)較差，尤其是在面對(duì)復(fù)雜和挑戰(zhàn)性的場(chǎng)景時(shí)，如高縱橫比的斑點(diǎn)、相似紋理的區(qū)域、密集分布的病害等。

4 結(jié)論

1）? 本文模型利用殘差模塊、PANet等有效提取細(xì)粒度語(yǔ)義特征，提高小目標(biāo)和多尺度目標(biāo)的檢測(cè)性能。Hard-Swish激活函數(shù)增強(qiáng)模型的非線性特征表達(dá)能力，提高檢測(cè)精度。

2）? 本文提出的基于改進(jìn)YOLOv8的模型明顯優(yōu)于原始YOLOv8和YOLOv7模型，在植物病害數(shù)據(jù)集上取得更高的檢測(cè)精度和速度。在番茄葉片病害多類別檢測(cè)任務(wù)中，本文模型實(shí)現(xiàn)實(shí)時(shí)檢測(cè)，獲得92.58%的精確率和71.23 FPS的檢測(cè)速度，優(yōu)于其他模型。

參 考 文 獻(xiàn)

［1］ Sankaran S， Mishra A， Ehsani R， et al. A review of advanced techniques for detecting plant diseases ［J］. Computers and Electronics in Agriculture， 2010， 72（1）： 1-13.

［2］ 張建華， 陳申寬， 張曉振， 等. 人工智能技術(shù)在植物葉片病蟲害識(shí)別中的研究進(jìn)展［J］. 種子科技， 2023， 41（16）： 124-126.

［3］ Abade A， Ferreira P A，Vidal F D B. Plant diseases recognition on images using convolutional neural networks： A systematic review ［J］. Computers and Electronics in Agriculture， 2021， 185： 106125.

［4］ Zeng H， Bai Y， Wei Y， et al. Phytomelatonin as a central molecule in plant disease resistance ［J］. Journal of Experimental Botany， 2022， 73（17）： 5874-5885.

［5］ Kourelis J， Marchal C， Posbeyikian A， et al. NLR immune receptor-nanobody fusions confer plant disease resistance ［J］. Science， 2023， 379： 934-939.

［6］ Li H， Yoshida S， Mitani N， et al. Disease resistance and growth promotion activities of chitin/cellulose nanofiber from spent mushroom substrate to plant ［J］. Carbohydrate Polymers， 2022， 284： 119233.

［7］ 邵明月， 張建華， 馮全， 等. 深度學(xué)習(xí)在植物葉部病害檢測(cè)與識(shí)別的研究進(jìn)展［J］. 智慧農(nóng)業(yè)（中英文）， 2022， 4（1）： 29-46.

Shao Mingyue， Zhang Jianhua， Feng Quan， et al. Research progress of deep learning in detection and recognition of plant leaf diseases ［J］. Smart Agriculture， 2022， 4（1）： 29-46.

［8］ Du L， Sun Y， Chen S， et al. A novel object detection model based on Faster R-CNN for spodoptera frugiperda according to feeding trace of corn leaves ［J］. Agriculture， 2022， 12（2）： 248.

［9］ Wu K， Zhang J， Yin X， et al. An improved YOLO model for detecting trees suffering from pine wilt disease at different stages of infection ［J］. Remote Sensing Letters， 2023， 14（2）： 114-123.

［10］ 楊文姬， 胡文超， 趙應(yīng)丁， 等. 基于改進(jìn)Yolov5植物病害檢測(cè)算法研究［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2023， 44（1）： 108-115.

Yang Wenji， Hu Wenchao， Zhao Yingding， et al. Research on plant disease detection algorithm based on improved Yolov5 ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（1）： 108-115.

［11］ 趙越， 趙輝， 姜永成， 等. 基于深度學(xué)習(xí)的馬鈴薯葉片病害檢測(cè)方法［J］. 中國(guó)農(nóng)機(jī)化學(xué)報(bào)， 2022， 43（10）： 183-189.

Zhao Yue， Zhao Hui， Jiang Yongcheng， et al. Detection method of potato leaf diseases based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 183-189.

［12］ 曾晏林， 賀壹婷， 藺瑤， 等. 基于BCE-YOLOv5的蘋果葉部病害檢測(cè)方法［J］. 江蘇農(nóng)業(yè)科學(xué)， 2023， 51（15）： 155-163.

［13］ 李大湘， 滑翠云， 劉穎. 面向蘋果葉部病害識(shí)別的細(xì)粒度蒸餾模型［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2023， 39（7）： 185-194.

Li Daxiang， Hua Cuiyun， Liu Ying. Identifying apple leaf disease using a fine-grained distillation model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（7）： 185-194.

［14］ 賈兆紅， 張?jiān)矗?王海濤， 等. 基于Res2Net和雙線性注意力的番茄病害時(shí)期識(shí)別方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（7）： 259-266.

Jia Zhaohong， Zhang Yuanyuan， Wang Haitao， et al. Identification method of tomato disease period based on Res2Net and bilinear attention mechanism ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（7）： 259-266.

［15］ Mohanty S P， Hughes D P， Salathé M. Using deep learning for image-based plant disease detection ［J］. Frontiers in Plant Science， 2016， 7： 215232.

［16］ Zhu R， Hao F， Ma D. Research on polygon pest-infected leaf region detection based on YOLOv8 ［J］. Agriculture， 2023， 13（12）： 2253.

［17］ Inui A， Mifune Y， Nishimoto H， et al. Detection of elbow OCD in the ultrasound image by artificial intelligence using YOLOv8 ［J］. Applied Sciences， 2023， 13（13）： 7623.

［18］ Albahli S， Nawaz M. DCNet： DenseNet-77-based CornerNet model for the tomato plant leaf disease detection and classification ［J］. Frontiers in Plant Science， 2022， 13： 957961.

［19］

Li Y， Li S， Du H， et al. YOLO-ACN： Focusing on small target and occluded object detection ［J］. IEEE Access， 2020， 8： 227288-227303.

［20］ Roy A M， Bhaduri J. A deep learning enabled multi-class plant disease detection model based on computer vision ［J］. AI， 2021， 2（3）： 413-428.