改進(jìn)YOLOv5的葉片黑斑病檢測算法研究*

郝佳杰 ，方賽銀 ，肖 灑 ，李 明

（1.西南林業(yè)大學(xué)機(jī)械與交通學(xué)院，云南 昆明 650224；2.安徽工程大學(xué)高端裝備先進(jìn)感知與智能控制教育部重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000；3.安徽工程大學(xué)電氣工程學(xué)院，安徽 蕪湖 241000）

葉片黑斑病是指植物葉片上出現(xiàn)黑斑，多露、多雨、多霧等潮濕條件極易引發(fā)黑斑病，嚴(yán)重影響植株的產(chǎn)量和觀賞性[1]。在病蟲害預(yù)防和治理的過程中，首要任務(wù)就是要快速、精準(zhǔn)地識別植株的病斑種類及其所在位置，從而更好地采取有效治理措施[2]。由于現(xiàn)有的目標(biāo)檢測算法效率低下，應(yīng)用性不強(qiáng)，黑斑病的識別往往依靠工作人員的肉眼，人力和時(shí)間成本較高，且受工作人員的主觀影響較大[3]。因此，一種準(zhǔn)確的黑斑病檢測算法至關(guān)重要。

近年來，由于大數(shù)據(jù)分析技術(shù)和GPU的蓬勃發(fā)展，機(jī)器的計(jì)算能力得以提高，深度學(xué)習(xí)技術(shù)也得到了迅速的發(fā)展，并且在農(nóng)業(yè)病蟲害等方面也有了不少應(yīng)用[4]。蔣豐千等[5]將卷積神經(jīng)網(wǎng)絡(luò)及輪廓分割等預(yù)處理方法結(jié)合起來，以生姜的病蟲害圖片為基礎(chǔ)，對姜瘟病、根結(jié)線蟲病、白星病、炭疽病進(jìn)行分類研究，正確率高達(dá)96%。李就好等[6]以Fatester R-CNN為基礎(chǔ)網(wǎng)絡(luò)模型，對自然環(huán)境下的苦瓜葉片進(jìn)行研究，采用ResNet50網(wǎng)絡(luò)進(jìn)行特征提取，檢測到苦瓜健康葉片、灰斑病、白粉病、斑點(diǎn)病和蔓枯病的平均精度均值分別為89.24%、83.31%、81.48%、89.28%和88.62%。李子茂等[7]結(jié)合YOLOv3模型和Inception模塊構(gòu)建月季病蟲害檢測模型，然后通過K-means聚類算法確定檢測所需的Anchor box，最終月季病蟲害的平均檢測精度達(dá)到82.26%。現(xiàn)有的基于深度學(xué)習(xí)的檢測方法在植物病蟲害檢測方面有很多較好的成果，但黑斑病作為世界性病害之一，針對性的研究算法較少。并且現(xiàn)有算法對于葉片中小尺度且分布密集的黑斑仍有較高的漏檢率和錯(cuò)檢率，有待進(jìn)一步提高。

針對以上問題，本文提出了一種以YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)為基礎(chǔ)的改進(jìn)算法。YOLOv5是目前最流行的檢測算法之一，該算法在YOLOv4的基礎(chǔ)上進(jìn)行了一些改進(jìn)，使其在運(yùn)算時(shí)間和檢測精度上都有大幅度改善[8]。由于YOLOv5算法對小尺度目標(biāo)檢測效果不佳，通過增加小尺度檢測層提高網(wǎng)絡(luò)的多尺度學(xué)習(xí)能力；接著通過引入注意力機(jī)制，更好地學(xué)習(xí)小尺度的特征；最后將加權(quán)NMS改為DIoU_NMS，解決標(biāo)準(zhǔn)YOLOv5算法對重疊目標(biāo)檢測正確率低的問題。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv5算法不僅提高了對一般葉片黑斑病的檢測效果，也改善了網(wǎng)絡(luò)對葉片中小尺度且分布密集黑斑病的檢測性能。

1 傳統(tǒng)YOLOv5網(wǎng)絡(luò)結(jié)構(gòu)

傳統(tǒng)YOLOv5算法由輸入端Input、主干網(wǎng)絡(luò)Backbone、頸部網(wǎng)絡(luò)Neck和預(yù)測端Prediction四部分構(gòu)成[9]。

Input模塊通過Mosaic數(shù)據(jù)增強(qiáng)和自適應(yīng)錨框計(jì)算兩種方法對輸入圖像進(jìn)行預(yù)處理操作。Backbone模塊主要引進(jìn)Foucs、CSP和SPP三個(gè)結(jié)構(gòu)。Neck模塊采用了特征金字塔網(wǎng)絡(luò)（Feature Pyramid Networks, FPN）結(jié)構(gòu)+路徑聚合網(wǎng)絡(luò)（Path Aggregation Network, PAN）結(jié)構(gòu)。Prediction模塊的Bounding box的損失函數(shù)為GIoU_Loss，它解決了IoU_Loss無法對兩個(gè)沒有交集的物體進(jìn)行優(yōu)化的問題，具有尺度不變性的優(yōu)點(diǎn)。

2 改進(jìn)YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu)

針對YOLOv5檢測葉片黑斑病時(shí)所存在的不足，本文對算法進(jìn)行以下三個(gè)部分改進(jìn)來提高對葉片黑斑病的檢測效果：1）在原結(jié)構(gòu)三個(gè)檢測層的基礎(chǔ)上，增加小尺度檢測層，豐富網(wǎng)絡(luò)的多尺度檢測能力，從而提高對小尺度葉片黑斑病的檢測性能。2）在主干網(wǎng)絡(luò)中加入注意力機(jī)制，采用輕量的注意力模塊，在節(jié)約參數(shù)和注意力的同時(shí)提高網(wǎng)絡(luò)對葉片黑斑病的特征提取能力。3）在目標(biāo)檢測的后續(xù)處理中，將NMS修改為DIoU_NMS，改善對重疊目標(biāo)的檢測性能，應(yīng)對實(shí)際生活中分布密集的葉片黑斑病檢測。

2.1 小尺度檢測層基本原理

YOLOv5采用三個(gè)不同尺度的檢測層對目標(biāo)進(jìn)行檢測，三個(gè)不同的尺度分別檢測8×8以上、20×20以上、40×40以上的目標(biāo)，但對于本實(shí)驗(yàn)中體積較小的葉片黑斑病，經(jīng)過多次卷積后會丟失一些目標(biāo)領(lǐng)域信息，從而導(dǎo)致檢測效率不理想[10]。

為此，本文提出增加一個(gè)小尺度檢測層來解決上述問題，在之前三尺度檢測層的基礎(chǔ)上，增加一個(gè)160×160的檢測尺度，變?yōu)樗某叨葯z測[11]。增加小尺度檢測層的主要過程如下：將80×80的特征圖進(jìn)行上采樣處理，使特征圖擴(kuò)大到160×160，與骨干網(wǎng)絡(luò)中第二層的特征圖進(jìn)行Concat融合，并通過K均值聚類算法（K-means）增加一組Anchor，以此在更大的特征圖進(jìn)行小尺度檢測。雖然增加了計(jì)算量，但葉片黑斑病檢測的精確度確實(shí)有改善。

2.2 注意力機(jī)制基本原理

添加注意力機(jī)制的目的是告訴模型重點(diǎn)關(guān)注目標(biāo)的哪些位置與內(nèi)容，通過注意力權(quán)重施加的方式和位置的差異，可將注意力機(jī)制分為空間域注意力、通道域注意力和混合域注意力三種[12]。

本實(shí)驗(yàn)采用混合域注意力方法中的輕量的注意力模塊（Convolutional Block Attention Module, CBAM）方法[10]。CBAM結(jié)構(gòu)包括通道注意力模塊和空間注意力模塊兩個(gè)獨(dú)立部分。這樣既節(jié)約了參數(shù)和計(jì)算力，也可以保證無縫集成到任何CNN架構(gòu)上，可以與基本CNN一起進(jìn)行端到端的訓(xùn)練。

2.3 改進(jìn)非極大抑制函數(shù)

在目標(biāo)檢測的預(yù)測階段，會產(chǎn)生多個(gè)預(yù)測框，其中會有多個(gè)預(yù)測框發(fā)生明顯重疊，并且多個(gè)重疊可能都圍繞同一個(gè)目標(biāo)，這時(shí)候就需要NMS函數(shù)合并同一個(gè)目標(biāo)的類似預(yù)測框，抑制的過程也是迭代—遍歷—消除的過程[13]。而DIoU_Loss將NMS運(yùn)算過程中的IoU改為DIoU。DIoU_Losss既考慮了兩個(gè)預(yù)測框中心點(diǎn)位置的距離，也考慮了預(yù)測框之間的面積，效果更佳。其公式如下：

堅(jiān)持服務(wù)強(qiáng)軍、服務(wù)打贏的創(chuàng)作方向。為兵服務(wù)、為鞏固提高軍隊(duì)?wèi)?zhàn)斗力服務(wù)，歷來是我軍文藝工作的優(yōu)良傳統(tǒng)，是軍事文藝的價(jià)值所在。軍事文藝創(chuàng)作要把打牢官兵聽黨指揮的思想情感基礎(chǔ)作為首要職責(zé)，把謳歌黨、謳歌祖國、謳歌人民、謳歌英雄作為軍事文藝創(chuàng)作的永恒主題，用心用功用情書寫我軍政治建軍、改革強(qiáng)軍、科技興軍、依法治軍的新史詩，塑造我軍有血性、能擔(dān)當(dāng)、敢亮劍的英雄形象，引導(dǎo)官兵積極投身強(qiáng)軍興軍、備戰(zhàn)打仗的偉大實(shí)踐。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)數(shù)據(jù)集

實(shí)驗(yàn)中樣本數(shù)據(jù)集來源主要有兩個(gè)部分，一部分采集于西南林業(yè)大學(xué)，采集對象是生長在自然環(huán)境下患有葉片黑斑病的植株。為了減少不同時(shí)間點(diǎn)下光照角度對目標(biāo)檢測正確率的影響，數(shù)據(jù)采集時(shí)間分別為9：00—10：00、12：00—13：00以及18：00—19：00，共采集圖像700張；另一部分圖像來源于網(wǎng)絡(luò)，共計(jì)200張。將這900張數(shù)據(jù)集采用翻轉(zhuǎn)、旋轉(zhuǎn)、縮放、模糊等數(shù)據(jù)增強(qiáng)的方法將數(shù)據(jù)集擴(kuò)充到3 600張，并按照7∶2∶1隨機(jī)分配成訓(xùn)練集、測試集和驗(yàn)證集。

3.2 實(shí)驗(yàn)配置

本次實(shí)驗(yàn)的環(huán)境如表1所示，選取YOLOv5中模型最小的YOLOv5s進(jìn)行訓(xùn)練，并進(jìn)行大量的實(shí)驗(yàn)選出最合適的超參數(shù)，本實(shí)驗(yàn)的超參數(shù)設(shè)置如下：Epoch設(shè)為100，batch-size設(shè)為2，學(xué)習(xí)率設(shè)為0.000 1。

表1 實(shí)驗(yàn)環(huán)境

3.3 評價(jià)指標(biāo)

為了驗(yàn)證本實(shí)驗(yàn)所用模型對葉片黑斑病的檢測性能，選取精準(zhǔn)率、召回率和平均精度均值作為模型的評價(jià)指標(biāo)[15]。

精準(zhǔn)率定義為：

召回率定義為：

平均精度均值定義為：

其中，TP表示檢測正確的葉片黑斑病數(shù)目，F(xiàn)P表示虛警的葉片黑斑病數(shù)目，F(xiàn)N表示漏檢的葉片黑斑病數(shù)目。

3.4 實(shí)驗(yàn)結(jié)果與分析

表2 不同改進(jìn)模塊對算法的提升

算法的邊界框損失函數(shù)如圖1所示，縱坐標(biāo)為預(yù)測框的Loss損失值，橫坐標(biāo)為Epoch訓(xùn)練次數(shù)，虛線代表標(biāo)準(zhǔn)YOLOv5算法，實(shí)線代表本實(shí)驗(yàn)算法，即改進(jìn)后的算法。通過觀察可知，前80輪訓(xùn)練兩種模型都迅速收斂，后20輪逐漸平穩(wěn)，通過比較兩條曲線，可以看出改進(jìn)后的YOLOv5算法的損失函數(shù)收斂性更好，且改進(jìn)后的算法的邊界框損失值均小于標(biāo)準(zhǔn)YOLOv5算法。

圖1 Loss值曲線

圖2為改進(jìn)前后的葉片黑斑病檢測結(jié)果對比，通過對比五組圖片，可以觀察到改進(jìn)后的算法在小尺度檢測方面有很大的提高，與傳統(tǒng)的YOLOv5算法檢測結(jié)果相比，改進(jìn)后算法的檢測精度有所提高。通過對比第三組圖片可知，改進(jìn)后的算法對葉片黑斑病細(xì)節(jié)更加明確，改善了對背景的誤檢問題。通過對比第五組圖片可知，改進(jìn)后的算法在密集黑斑病檢測方面有相應(yīng)的改善。綜上所述，改進(jìn)后的YOLOv5算法可以更準(zhǔn)確地檢測出相應(yīng)的葉片黑斑病，通過增加小尺度檢測層并通過K-means算法聚類得到錨框進(jìn)行線性縮放操作，降低了對葉片小尺度黑斑的漏檢率，對小尺度黑斑病有較好的檢測效果；在主干網(wǎng)絡(luò)中增加注意力機(jī)制使算法更加準(zhǔn)確地定位和識別葉片黑斑病，降低背景對黑斑病檢測影響，以此降低網(wǎng)絡(luò)模型對葉片黑斑病的誤檢率；最后修改非極大值抑制函數(shù)，改善了網(wǎng)絡(luò)模型對葉片密集黑斑的識別效果，使得改進(jìn)后的YOLOv5算法在密集黑斑病檢測方面也非常適用。

圖2 改進(jìn)前后結(jié)果對比

4 結(jié)論

葉片黑斑病面積較小、分布密集，因此不利于檢測?，F(xiàn)有算法對葉片黑斑病的檢測效率低下，為了提高對葉片黑斑病的檢測正確率，課題組提出了一種改進(jìn)的YOLOv5算法。對比不同改進(jìn)模塊對葉片黑斑病的檢測結(jié)果，選取最優(yōu)的葉片黑斑病檢測算法。

實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv5算法的收斂性優(yōu)于原算法，且在小尺度黑斑病檢測方面有很大的改進(jìn)，提高了對葉片黑斑病的檢測正確率。不同背景對改進(jìn)的YOLOv5算法的檢測效果沒有影響，模型對背景的復(fù)雜度要求不高。目前，對植物微小病蟲害的研究相對較少，檢測算法識別效果不佳，改進(jìn)后的YOLOv5算法可以改善小尺度病斑和復(fù)雜背景帶來的病斑目標(biāo)難以精確定位和識別的問題，可為病斑的早期干預(yù)和治療提供科學(xué)依據(jù)。未來可以將遷移學(xué)習(xí)應(yīng)用到Y(jié)OLOv5算法檢測，探索一種可以識別所有病蟲害的檢測算法，提高研究算法的便捷性和實(shí)用性，并進(jìn)一步實(shí)現(xiàn)遠(yuǎn)程實(shí)時(shí)檢測植物病蟲害。