基于YOLO訓練網絡的茶園植物智能識別算法設計與實踐應用

李佳奇

摘要：為了順應時代發展，為智能農業賦能，該文為茶園農業提出了一種茶草識別算法。在綜合考慮準確性檢測效率等因素后，選擇采用YOLOv5算法，在數據集準備中選擇了葉片標記和植株標記兩種方法，比較后得出葉片標記效果更好，在算法運行中又用數據增強的方式進行了改進，而結顯示算法效果很好，可以進行產業化應用。

關鍵詞：YOLOv5；數據增強；標記方式；深度學習；損失函數

中圖分類號：TP18 ? ? ? ?文獻標識碼：A

文章編號：1009-3044（2022）28-0020-03

1 引言

隨著我國各大產業的現代化，傳統行業的智能化成為了一個重要任務，農業的智能化、自動化是其中最重要的部分，這也給茶園智能管理提供了理論依據。智能分別出雜草，從而實現澆水、施肥、除雜草一系列環節的自動化，可以為茶園農業省下大量的人力物力，為農業賦能。

對于自動檢測設備，在茶園中最適合使用的是無人機檢測。無人機檢測的特點是體積小、靈活、續航好，最重要的是寫好的算法編入無人機簡便，易于大量工業生產。筆者開發采用的也是無人機檢測模式，很大原因是無人機檢測便于在實驗室不斷測試實際效果進行改進，其他大型的方式如衛星等很難做到實時改進。

深度學習方法是非常優秀的目標檢測方法，其優勢在于它可以自動提取模型的特征點，隨著數據量的不斷增大，模型的精確度也會不斷提高。過去卷積神經網絡CNN和循環卷積網絡RNN兩個系列被廣泛運用，這兩種網絡的精度和容錯率都得到了保證，但這兩個網絡都模型巨大，難以去實現開發，而且不易于改進算法。本文采用的YOLO算法是近些年出現的新型算法。在YOLO幾次升級中，通過輕量化的改進實現了開發端的人性化。

本文采用的是YOLOv5算法，YOLOv5分為YOLOv5s、TOLOv5l、YOLOv5m、YOLOv5x四種，它們在輸入端具備了圖片自動計算處理、圖片自動縮放等功能，而且繼承了YOLOv4的Mosaic數據增強功能[1]。由于茶草是相對較小的物體，這里采用了速度偏低一些，但是精確率更高的YOLOv5l算法。

2 數據集準備與預處理

本文采用的數據集圖片是通過無人機在茶園中拍攝，拍攝照片的基本要求是同時包含茶與草，光線充足、茶草具有明顯特征[2]。采用無人機拍攝有兩個好處，第一是數據集的準備需要大量的資源和素材，并且要經過層層篩選來選出合適的圖片，而且數據集圖片數量并非越多越好，因為要保證算法的運行效率，所以照片品質尤為重要，無人機拍攝的方式可以保證照片的品質。第二是本文所研究的算法最終服務于產業，無人機識別是產業最常用、效果最好的方式，將算法安置在無人機上，如果數據集也是在無人機上拍攝，使用效果會更好。

為了不斷讓訓練更精進，本文拍攝的圖片源于不同季節和不同角度，并且，人為地對茶草之間的區別分級，使訓練集中既存在茶草混淆的照片又存在茶草區別很大的照片。最終將拍攝的照片分成三個訓練集，通過結果比較得出最優，不至于一個訓練集過大導致速度緩慢。

本文對訓練集的照片進行了旋轉與剪裁處理，消除無用照片面積，避免其余事物的混淆，并且設置了不同效果的光強，從而使訓練網絡得出的結果更加泛化，普適性更高，同時還將照片的茶草比例進行對照處理，使照片中茶草之間的比例差異很大，處理后將照片轉為xml格式。

本文采用了兩種方式對訓練集進行標記，一種是將茶草整體進行分別標記，一種是將茶葉片與草葉片進行標記，其中對葉片進行標記結果更加準確，并且沒有明顯降低訓練速度，這種識別算法的設計使得除草等環節運轉更加流暢。此外，整體標記法的應用則符合識別潮流的趨勢。

3 算法實現與改進

3.1 YOLOv5算法簡介

YOLOv5的整體框架相對于先前版本并沒有變化，仍然是分為輸入端、Backbone、Neck、Prediction四個部分。

輸入端實現了Mosaic數據增強、自適應計算、自適應圖片縮放的效果。其中的Mosaic數據增強是在v4版本中最早提出的，它的原理是將多張圖片各取一部分進行裁剪，將裁剪出的各部分組合成一張新的照片，這可以使算法識別的泛型更大，這樣很多實驗數據統計也可以計算到多張圖片。自適應計算使得我們可以人為決定自動設置框的大小，參數則可以進行人工設置。自適應圖片縮放則是將準備的尺寸不一的圖片歸一化并對有的圖片加上黑邊處理。

Backbone包含了Focus結構和CSP結構。CSP繼承于v4版本，其原理是利用卷積核和激活函數來增強網絡的學習能力，比如將一組物體的特征分為兩部分，在不同層次上進行合并，來實現降低內存損耗的效果。Focus結構是將圖像分成多個切片，為之后的特征提取做準備[3]。

Neck運用于Backbone與輸出層中間，主要目的是將物體特征進行融合方便更好地識別，比如從下往上分層級不斷傳輸特征，在每一層級都將特征進行融合。

輸出端包含了Bouding box損失函數和nms非極大值抑制。Bouding box是反映交并比的重要參數，它可以比較出預檢測框與真實檢測框之間的差距，計算方式可通過位置矢量、最小封閉相交矩形等進行計算[4]。nms非極大值抑制可實現目標框篩選的操作，v5版本采用的是加權nms方式。

YOLOv5算法一個典型的特點是極其輕量級，它在繼承了前身結構的完整性和YOLO系列獨特優點的同時，放棄了很多耗時過大、占有內存過大的功能或流程，轉而使用一些重復且又簡單的算法替代，而且YOLOv5的幾種算法符合各種需求，數據集的不同會導致需要的最佳算法不同，YOLOv5恰當地解決了這一問題。

3.2 YOLOv5算法改進

YOLOv5算法是所有Yolo系列算法中所需內存最少的，內存只有14M左右，可以方便地部署在無人機上對農田進行檢測。但是YOLOv5的問題就在于雖然靈活，但是準確度不夠，尤其是小物體多目標的檢測，而對于葉片的標記就是多目標小物體聚集在一起，不利于準確識別。

本文采用數據增強的方式加強識別，如果是對input層進行數據拼接來實現數據增強的話，就會導致原有目標失真，并不能完全體現原有目標的所有特征，雖然提高了精度、操作成本降低，但是整個算法泛化能力下降很多。

本文采用加入自動數據增強算法，數據增強算法現在已經廣泛應用于各類目標檢測，它主要應用在CNN中，對于識別視覺會有很大的提高，而現在這一類算法已經成熟，易于實現。數據增強方法可分為顏色操作和幾何操作兩種。顏色操作主要是對物體的顏色、亮度等進行算法改變，而幾何操作就是對物體的縮放、平移、旋轉等操作[5]。通過這些操作可以將原有數據集中的圖片進行改變，生成新的圖片，從而擴大數據集。改進后，對于目標檢測可以實現多尺度多方位的檢測，充分利用了物體的每一個特征，且對于茶草葉片、顏色操作與幾何操作并不會導致失真，仍會保持其特征。

4 運行結果

本文從多個維度，采用多種方式對運行結果進行分析，圖1為F1-curve結果，縱坐標F1和橫坐標confidence代表了置信度和F1分數的關系圖。圖2為precision-confidence關系圖，代表了預測準確度與置信度關系圖。圖3為recall-confidence關系圖，代表召回率與置信度關系圖。

由圖1～圖3可以看出，檢測關注點應該更多放在草的識別而不是茶的識別，在無人機去茶園識別的過程中，茶的數量遠遠大于草的數量，這個算法可以很輕易地檢測出茶，卻對檢測出草有一定的難度，但是前面提到的葉片標記法，使得結果對檢測草的精確率很高。

圖4為損失函數結果圖，表示運行過程中一系列損失函數的計算。

train/box_loss：在bounding box損失中，YOLOv5是采取GIOU Loss衡量的方式，這個數值越小，就代表識別的方框范圍更準確；train/obj_loss：這個數值主要是衡量目標檢測過程中Loss的均值，數值越小，目標檢測越準確；train/cls_loss：這個數值是用來衡量目標在分類過程中Loss的均值，數值越小，目標檢測越準確；Metrics/Precision：這個數值用來表示精度，是用來表示準確找到的正類與所有找到的正類之間的比值；Metrics/Recall：真實為positive的準確率，也就是樣本所能夠召回的概率。Recall從真實結果角度出發，描述了測試集中的真實正例有多少被二分類器挑選了出來，即真實的正例有多少被該二分類器召回。Val/box_loss：驗證集bounding box損失；Val/obj_loss：驗證集目標檢測loss均值；Val/cls_loss：驗證集分類loss均值。

復訓練是提高算法設計精度以及貼合實際的最好方法，復訓練的前提是有幾組完整的實驗數據，因此將所有損失函數羅列出來是很有必要的，哪個曲線不夠理想，就分析討論這種曲線可能出現的問題去進行改進。目標檢測類型的算法是永遠沒有最優解的，只能是不斷地改進與分析讓算法接近理想化。而分析的過程又避不開實踐環節，后續將對算法進行多次實踐，討論發現問題再對其進行改進。

5 總結

（1） 我國農業智能化發展迅速，而對于茶園農業，高效快速識別方式會為智能農業賦能。傳統的檢測算法已經不能滿足現代產業化的需要，而YOLOv5這個版本在檢測效果上較好，而且具有內存小的成本優勢，便于安置在無人機上，本文采用的智能識別算法可以大大減少澆水、除草、觀測等環節的時間，實現高效率和高準確率的結合。

（2） 相較于之前的版本，YOLOv5算法整體的框架并沒有改變，因此在可靠性上有一定保證，在創新的基礎上確保了不會有太多的缺陷。而且YOLOv5是輕量級算法，所占內存較小。本文采用了YOLOv5最適合葉片檢測的版本，對于多目標、小物體的檢測大大降低了運行算法所需要的時間。

（3） 采用葉片標記法比植株標記法效果更好，相當于擴充了數據集，由于要提高算法運行的效率，減少算法運行的時間，因此數據集的照片數量要進行限制，而葉片的標記可以讓圖片的特征提取量給予更多。

（4） 數據增強的方式可以有效避免該YOLO算法的缺點，改善小物體識別、多物體識別的不足，本文采用了幾何操作與顏色操作，實現了數據增強。

參考文獻：

[1] 蔡鴻峰，吳觀茂.一種基于改進YOLO v3的小目標檢測方法[J].湖北理工學院學報，2021，37（2）：33-36，47.

[2] 張慧春，張萌，邊黎明，等.基于YOLO v5的植物葉綠素含量估測與可視化技術[J].農業機械學報，2022，53（4）：313-321.

[3] 吳睿，畢曉君.基于改進YOLOv5算法的珊瑚礁底棲生物識別方法[J].哈爾濱工程大學學報，2022，43（4）：580-586.

[4] 聶鵬，肖歡，喻聰.YOLOv5預測邊界框分簇自適應損失權重改進模型[J/OL].控制與決策：1-8[2022-03-03].

[5] 王粉花，黃超，趙波，等.基于YOLO算法的手勢識別[J].北京理工大學學報，2020，40（8）：873-879.

【通聯編輯：代影】