基于改进YOLOF的葡萄叶片黑腐病检测方法研究_薛雅.pdf

基于改进 YOLOF 的葡萄叶片黑腐病检测方法研究薛 雅曹洪武王宇航（塔里木大学信息工程学院，新疆阿拉尔 843300）摘要葡萄在生长过程中易感染各种病害，导致产量和品质下降，对病害的准确识别是防治病害的基础和关键。本文提出了一种基于YOLOF的改进算法，将EfficientNet网络应用于YOLOF算法的主干网络，对葡萄叶片黑腐病病害进行检测。结果表明：改进后的算法识别黑腐病病害的准确率达89.4%，较原YOLOF算法提升了3.1个百分点，为检测葡萄叶部病害提供了一种新的思路。关键词YOLOF；EfficientNet；葡萄叶片；黑腐病；检测方法中图分类号S436.5文献标识码A文章编号 1007-5739（2023）07-0091-04DOI：10.3969/j.issn.1007-5739.2023.07.027开放科学（资源服务）标识码（OSID）：Detection Method for Grape Leaf Black Rot Disease Based on Improved YOLOFXUE YaCAO HongwuWANG Yuhang(College of Information Engineering,Tarim University,Alar Xinjiang 843300)AbstractGrape is easy to be infected with various diseases in the growth process,resulting in the decline of yieldand quality.The accurate identification of diseases is the basis and key to the prevention and control of diseases.Thispaper proposed an improved EfficientNet algorithm based on YOLOF.The network EfficientNet was applied to thebackbone network of YOLOF algorithm to detect grape leaf black rot disease.The results showed that the accuracy of theimproved algorithm reached 89.4%,which was 3.1 percentage points higher than that of the original YOLOF algorithm.The experimental results provide a new idea for detecting grape leaf disease.KeywordsYOLOF;EfficientNet;grape leaf;black rot disease;detection method葡萄是常见的水果之一，在我国产量丰富。近年来，由于环境因素的影响，葡萄植株易感染各种病害1，如霜霉病、黑腐病、褐斑病等。这些病害常发生在葡萄的叶片部位，因而又叫葡萄叶片病害。通常葡萄叶片染病后，会导致光合作用受到影响，进而降低葡萄植株的产量。因此，葡萄叶片病害的高效识别是开展葡萄病虫害防治的基础和关键2。近年来，许多研究者提出了大量关于葡萄病虫害防治的研究方法，主要包括两大类：一类是基于手工提取特征3的病虫害防治方法，另一类是基于卷积神经网络4的病虫害防治方法。在传统农作物病害防治方式下，农民常依据人工种植经验对病害进行主观判断，从而进行病害识别和防治。然而，这一识别方式具有较强的主观性，不仅耗时耗力，而且病害识别的准确率和效率不高，也有可能导致误诊及错误施药。最近提出的卷积神经网络模型可以很好地避免上述问题，采用卷积神经网络模型对农作物病害图像进行检测和识别具有一定实际意义。很多研究者开展了相关研究：ZHU 等5使用 BP 神经网络方法识别 5 种葡萄叶片病害，采用小波变换对葡萄叶片图像去噪，利用 Prewitt 算子提取病变区域边缘；Bharate 等6使用最邻近算法（k-nearest neighbor，KNN）将给定的葡萄叶片分类为健康和非健康，其识别准确率可以达到90%；陈伟7将 SSD 的主干网络替换为 ResNet50，并且将通道数减少至 512 个，进而引入轻量级注意力机制ECA，用以增强网络特征的表征能力，提升葡萄叶片病害的检测速度。Zhao 等8基于 YOLOv2 网络进行番茄病害识别，用 K-means 聚类算法缩短训练时间、提高检测效果，使修改后的网络病害识别效果良好，准基金项目塔里木大学专业学位研究生课程案例库建设项目（TDCCL202105）。作者简介薛雅（1997），女，山西吕梁人，在读硕士研究生。研究方向：农业信息化、数字图像处理。收稿日期 2022-10-08现代农业科技2023 年第 7 期植物保护学91现代农业科技2023 年第 7 期植物保护学N512HWN512HWN512HWN512HW42ClassificationNKAHWRegressionN4AHWObjectnessNAHWCNNDilatedEncoderN512HWC5/DC5NCoutHWDecoderBackboneEncoder图 1YOLOF 算法网络结构模型确率高达 97.24%。何欣9用 Mask R-CNN 对葡萄叶片进行分割提取，通过在 ResNet 网络底层加入 sque-eze-and-exc-itation 机制改进网络以提高其特征提取能力，使改进后的网络对叶片病害识别更加准确。Xie 等10通过在 Faster R-CNN 网络中加入 Inception-v1、Inception-ResNet-v2 以及 SE 注意力模块实现对葡萄叶片病害的实时检测，其 mAP 精度为 81.1%。王云露等11通过在 ResNet 网络中添加特征金字塔进行多尺度特征融合，以提高模型的鲁棒性，并通过 Ca-scade R-CNN 中的级联机制产生高质量的建议框，使改进后的模型对病斑目标定位更加准确。Tahir 等12基于迁移学习重新初始化网络的深度架构，结果表明，改进后的网络可以对苹果患病叶片进行高效分类。李鑫然等13改进 Faster R-CNN 算法，通过特征金字塔进行特征融合、提取，精确区域池化，减少量化导致的图像像素值偏差，提高网络对苹果叶片病害的检测性能。Zhong 等14在 Densenet-121 网络的基础上提出了回归、多标签分类和对焦损失等多个任务，用以识别苹果叶片病害，结果表明，该方法的检测精度高于传统的分类方法。综合以上研究可以发现，将深度学习应用于农作物叶片病害识别具有可行性和有效性，但是其仍有一些不足，比如模型识别准确率还有进一步提升的空间，训练参数较多限制了模型部署和实际应用。针对以上问题，本文提出了基于 YOLOF 算法的葡萄叶片病害识别，引入了 EfficientNet 网络替换YOLOF 算法的主干网络，形成改进的 YOLOF 算法进行葡萄病害识别，经过训练得到葡萄病害图像识别模型。大量的真实数据试验说明了本文构建的模型可以实现对葡萄叶片病害的准确识别。1数据与方法1.1数据来源与处理1.1.1数据来源。本试验使用的葡萄叶片病害图片均来自 PlantVillage 数据集。该数据集提供了多种植物的图像数据，包含不同植物的病害叶片与健康叶片的图像数据，为人们的研究提供了极大的便利。本文选取数据库中葡萄叶片患黑腐病的 1 156 张图像数据作为试验数据。1.1.2图像数据扩充。为了丰富数据的多样性，提高模型的泛化能力，本文基于以下 3 种方法对数据集进行扩充：随机裁剪，即通过随机选择某个像素位置和方向对给定图像进行裁剪；颜色增亮，即通过更改图像的色调、饱和度、亮度以及改变亮度与饱和度的比例来提高图像颜色亮度；旋转，对图像沿顺时针和逆时针方向随机旋转一定的角度。数据扩充后，把数据集图像的分辨率设为 256256。经过预处理，最终得到 1 542 张黑腐病图片作为最终试验的葡萄病害数据集，并以 9 1 的切分比例将数据集随机切分为训练集和测试集。1.2葡萄叶片病害检测模型1.2.1YOLOF 算法。YOLOF（you only look one-levelfeature）15从寻求特征金字塔网络（feature pyramid net-works，FPN）优化问题的替代方案入手，仅使用单层特征图就可以获得与特征金字塔网络方案相当的精度，同时检测速度提高 2.5 倍。YOLOF 算法网络结构模型如图 1 所示。YOLOF 将整个算法结构分为 3 个部分，Backbone（主干网络）部分算法采用了经典的 ResNet 和 Res-NeXt 作为主干网络，主干网络的输出采用了 2 个版本，其一为相对于输入图像采样率为 32、通道数 2048 的feature map，即网络结构图中的 C5；其二为相对于输入图像采样率为 16、通道数为 2048 的 feature map，即92网络结构模型（图 1）中的 DC5。Encoder（编码器）部分用来处理 Backbone 提取的特征，使用 Dilated Encoder 模块代替 FPN，并解决了正样本锚框分布不均匀问题。Dilated Encoder 由 2 个组件构成，即 Projector 模块和 Residual Blocks 模块，如图 2 所示。先利用 2 种卷积核（11 和 33）将特征通道数减少到 512，再通过 4 个连续的残差单元提取特征。在每个残差单元中，先利用 11 卷积降低特征图维度，减少计算量，再使用 33 的空洞卷积来增大感受野，最后通过 11 大小的卷积恢复处理后的特征图的通道数。在 4 个残差单元中，空洞卷积的膨胀系数分别为 2、4、6、8。Decoder（解码器）部分将编码器部分处理后的结果传输给解码器用于分类和回归。Decoder 部分与RetinaNet 中的设置类似，包含 2 个平行的分支：目标分类和回归。其中与 RetinaNet 不同的是 2 个分支的卷积层数，其中回归分支包含 4 个卷积层、批处理归一化层（batch normalization，BN）和激活函数 Relu 层；而分类分支包含 2 个卷积层、归一化层和激活函数层。此外，该算法借鉴 Autoassign 的思想，为回归分支的每个先验框增加一个没有直接监督的隐式的预测目标，而最后的分类置信度由分类分支的输出和预测目标得分相乘得到。1.2.2YOLOF 算法的改进思路。本文对 YOLOF 算法的主干网络进行了改进，将 Resnet 网络替换为 Efficient-Net 轻量级网络，可以减少模型算法训练过程中的参数，从而提高特征提取能力；在网络中设置复合缩放系数，以平衡网络的宽度、深度和图像分辨率，从而使网络在维度扩展过程中可以获得更好的模型性能。具体描述如下：在模型构建过程中，基于 EfficientNet 网络参数较少的特性，本文将 Resnet 网络替换为 EfficientNet 轻量级网络以改进 YOLOF 模型。EfficientNet 网络设置有多个 MBConv 模块，包括 Inverted residuals 结构和残差结构。首先，使用 Swish 激活函数进行 11 卷积操作来提升网络的维数；其次，在 33 或 55 的深度可分离卷积后，增加一个通道的注意力机制；最后，利用 11 卷积进行降维，增加一个大的残差边进行特征层的相加操作，以提高算法的特征提取能力。与此同时，对于网络的提升，EfficientNet 通过设置复合缩放系数很好地平衡了网络的宽度、深度和图像分辨率这个 3 个维度。为此，本文首先给出卷积神经网络的具体定义：一般情况下 1 个卷积神经网络有多个结构相同的卷积层，这些多个结构