基于YOLO v5的水稻害蟲分類

李濱 樊健

摘要： 針對水稻害蟲識別過程中存在的檢測難度大、模型精度低、計(jì)算量大等問題，以稻縱卷葉螟等14類水稻害蟲為研究對象， 改進(jìn)了YOLO v5檢測算法，引入高效通道注意力機(jī)制（efficient channel attention，ECA）與EIoU（efficient- IoU）損失函數(shù)，并結(jié)合Ghost卷積，提出了一種基于改進(jìn)的YOLO v5水稻害蟲識別方法：（1）通過引入ECA注意力機(jī)制實(shí)現(xiàn)對水稻害蟲識別過程中重要信息的處理，采用跨通道信息交互，保證模型性能和降低復(fù)雜度；（2）引入EIoU損失函數(shù)代替CIoU（complete-IoU）損失函數(shù)，從而降低原有CIoU損失函數(shù)存在的回歸精度問題；（3）利用Ghost卷積替換CBS模塊及C3模塊中的標(biāo)準(zhǔn)卷積，實(shí)現(xiàn)模型輕量化處理。結(jié)果表明，改進(jìn)后的模型較原始YOLO v5模型精度略微提升，參數(shù)量減少，模型體積降低至7.38 MB，較原模型減少了46%，與YOLO v7、Faster-RCNN模型相比，mAP比YOLO v7高1.49百分點(diǎn)，比Faster-RCNN高12.89百分點(diǎn)，且本研究模型體積最小，檢測速度滿足實(shí)時性要求，使水稻害蟲檢測識別能夠更加高效地完成，為水稻害蟲檢測提供了一種更優(yōu)的方法，對于防治水稻害蟲有重要意義。

關(guān)鍵詞： 水稻；害蟲；深度學(xué)習(xí)；Ghost卷積；YOLO v5；輕量化；ECA注意力機(jī)制

中圖分類號：TP391.41；S126 ?文獻(xiàn)標(biāo)志碼：A

文章編號：1002-1302（2024）02-0175-07

水稻在生長過程中易遭到害蟲的侵蝕，且近年來水稻蟲害的暴發(fā)呈上升趨勢，導(dǎo)致水稻產(chǎn)量和品質(zhì)下降，給水稻產(chǎn)業(yè)造成了巨大的損失［1］。害蟲領(lǐng)域的檢測識別技術(shù)落后，會影響對水稻害蟲類別、破壞程度等的判斷。鑒別害蟲傳統(tǒng)的方法主要是根據(jù)主觀直覺以及積累的經(jīng)驗(yàn)，這需要耗費(fèi)大量的人力、物力和時間。因此，開展水稻害蟲識別的研究顯得尤為重要。隨著農(nóng)業(yè)智能化和數(shù)字化不斷推進(jìn)，利用計(jì)算機(jī)圖像識別技術(shù)與機(jī)器學(xué)習(xí)方法對病蟲害進(jìn)行檢測已成為發(fā)展新型農(nóng)業(yè)的研究熱點(diǎn)［2］。楊英茹等結(jié)合顏色紋理特征，提出一種基于支持向量機(jī)（SVM）的復(fù)雜環(huán)境番茄葉部圖像病害識別方法，該方法計(jì)算量小，對系統(tǒng)要求低，準(zhǔn)確率達(dá)97.5%［3］。Sethy等采用深度特征+SVM的方法對4種水稻病害進(jìn)行分類［4］。Qing等通過7倍交叉驗(yàn)證，采用SVM分類器對4種鱗翅目水稻害蟲進(jìn)行檢測，平均準(zhǔn)確率達(dá)97.5%［5］。然而，傳統(tǒng)的機(jī)器學(xué)習(xí)方法只能處理小數(shù)據(jù)模型，不能學(xué)習(xí)特征之間的相互作用，需要依靠人工提取，識別效率不佳。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）是深度學(xué)習(xí)的代表算法之一，目前基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)模型逐漸應(yīng)用于水稻害蟲識別領(lǐng)域中［6］。劉曉鋒等提出一種改進(jìn)的空間殘差網(wǎng)絡(luò)，進(jìn)行農(nóng)作物病蟲害識別，有效地減少了混合噪聲，提高了模型分類精度［7］。Rahman等提出了一種新型的基于兩階段訓(xùn)練的輕量級卷積神經(jīng)網(wǎng)絡(luò)，精度達(dá)93.3%［8］。梁萬杰等設(shè)計(jì)了一個10層的卷積神經(jīng)網(wǎng)絡(luò)識別水稻害蟲，識別精度可達(dá)89.14%［9］。Thenmozhi等提出一種高效的深度CNN模型，結(jié)合遷移學(xué)習(xí)，在3種昆蟲數(shù)據(jù)集上的準(zhǔn)確率均達(dá)95%以上［10］。郭陽等在YOLO v3模型中引入Darknet-53網(wǎng)絡(luò)和多尺度融合，實(shí)現(xiàn)對水稻害蟲的準(zhǔn)確識別，精度可達(dá)91.93%［11］。Chen等在MobileNet-V2網(wǎng)絡(luò)基礎(chǔ)上添加注意力機(jī)制，優(yōu)化損失函數(shù)，并對水稻病害進(jìn)行識別，平均準(zhǔn)確率達(dá)98.48%［12］。

對于水稻害蟲檢測識別數(shù)據(jù)集的構(gòu)建比較困難，若數(shù)據(jù)集過少，會使實(shí)際數(shù)據(jù)精度較低，而為了提高卷積神經(jīng)網(wǎng)絡(luò)的精度，需要設(shè)計(jì)較為復(fù)雜的神經(jīng)網(wǎng)絡(luò)，這使得模型參數(shù)設(shè)置困難，計(jì)算難度加大［13］。因此，在設(shè)備計(jì)算能力與存儲空間有限的前提下，模型輕量化很有必要［14］。李衍照等提出Mosaic+Mixup的數(shù)據(jù)增強(qiáng)策略并改進(jìn)YOLO v5模型，進(jìn)行金屬焊縫缺陷檢測，其檢測精度達(dá) 96.88%［15］。馬曉東等用Mish激活函數(shù)替換YOLO v5 模型中的SiLU激活函數(shù)，再融合協(xié)同注意力機(jī)制，改進(jìn)YOLO v5模型，改進(jìn)后的模型識別精度比原模型提高了3.8%［16］。

本研究采用YOLO v5模型，并在此基礎(chǔ)上引入高效通道注意力機(jī)制（efficient channel attention，ECA）降低模型計(jì)算量，通過EIoU損失函數(shù)提高模型精度，并結(jié)合GhostNet網(wǎng)絡(luò)構(gòu)建輕量化模型，對原始的所有普通卷積與C3模塊中的普通卷積進(jìn)行替換，減少參數(shù)量的使用，并且能更好地部署參數(shù)，從而降低卷積計(jì)算的復(fù)雜程度。因此，改進(jìn)的YOLO v5檢測方法能更好地解決水稻害蟲識別過程中識別難度大、費(fèi)時費(fèi)力等問題。

1 數(shù)據(jù)集的構(gòu)建

構(gòu)建水稻害蟲數(shù)據(jù)集，采用IP102數(shù)據(jù)集中的水稻害蟲圖像，共14類，合計(jì)1 248張，蟲類中文名稱及圖片數(shù)量如表1所示。使用LabelImg軟件對圖片進(jìn)行位置及類別標(biāo)注，因本次獲取到的圖像數(shù)量過少，為了降低訓(xùn)練樣本多樣性不足產(chǎn)生的模型過擬合現(xiàn)象，對原始圖像采用縮放、翻轉(zhuǎn)、對比度等離線增強(qiáng)方式擴(kuò)充數(shù)據(jù)集，保證樣本空間的一致性，避免因樣本空間不同而對試驗(yàn)結(jié)果造成干擾。

模型的識別性能在很大程度上由數(shù)據(jù)集決定，為了探討數(shù)據(jù)集大小對害蟲識別精度的影響，設(shè)置6組不同大小的數(shù)據(jù)集，分別為1 248、2 496、3 744、4 992、6 240、7 488張，對YOLO v5模型進(jìn)行訓(xùn)練，數(shù)據(jù)集以8 ∶ 2的比例劃分訓(xùn)練集和驗(yàn)證集，訓(xùn)練結(jié)果見表2。當(dāng)數(shù)據(jù)集大小為3 744張時，平均精準(zhǔn)度（mAP）達(dá)到了90%以上，數(shù)據(jù)集大小為7 488張時，mAP高達(dá)97.19%，但是訓(xùn)練時間長達(dá)16.57 h，因此本研究采用3 744張的數(shù)據(jù)集進(jìn)行分析。

2 水稻害蟲檢測網(wǎng)絡(luò)

2.1 YOLO v5網(wǎng)絡(luò)模型

YOLO v5網(wǎng)絡(luò)模型是YOLO系列的第5個版本，其結(jié)構(gòu)主要分為輸入端（input）、主干網(wǎng)絡(luò)（backbone）、頸部網(wǎng)絡(luò)（neck）和預(yù)測網(wǎng)絡(luò)（prediction）4個部分（圖1）。輸入端采用Mosaic數(shù)據(jù)增強(qiáng)，其主要思想是任意抽取4張圖片進(jìn)行隨機(jī)裁剪，然后拼接到1張照片上作為訓(xùn)練數(shù)據(jù)，同時也會對每張圖片上的標(biāo)注框進(jìn)行相應(yīng)裁剪，這樣不僅豐富了圖片的背景，也降低了訓(xùn)練時對批量大小（batch size）的依賴性。

主干網(wǎng)絡(luò)對圖像通過深度卷積獲得其特征信息（主要包括Focus模塊、標(biāo)準(zhǔn)卷積（CBS）模塊、C3模塊和SPP模塊）。Focus模塊對輸入的圖像進(jìn)行切片，將特征圖的通道數(shù)擴(kuò)充4倍，然后再通過卷積得到2倍下采樣特征圖。CBS模塊由二維卷積（Conv）、批量標(biāo)準(zhǔn)化（batch normalization，BN）和SiLU激活函數(shù)三者組成。C3模塊由一種殘差結(jié)構(gòu)組成，一定程度上減少了計(jì)算量，加快了推理速度。SPP模塊也稱為空間金字塔池化，通過大小不同的卷積核提取特征后進(jìn)行特征融合，一定程度上解決了目標(biāo)的多尺度問題。

頸部網(wǎng)絡(luò)分為特征金字 塔網(wǎng)絡(luò)（feature pyramid network，F(xiàn)PN） 結(jié)構(gòu)和路徑聚合網(wǎng)絡(luò)（path aggregation? network，PAN）結(jié)構(gòu)。FPN自上向下傳達(dá)強(qiáng)語義特征，PAN從下向上傳達(dá)強(qiáng)定位特征。預(yù)測網(wǎng)絡(luò)生成水稻害蟲的類別概率和位置信息，由3個檢測層組成，對不同尺寸目標(biāo)進(jìn)行檢測。

2.2 改進(jìn)的YOLO v5算法

2.2.1 ECA注意力機(jī)制

深度學(xué)習(xí)中的注意力機(jī)制有助于人們在有限的資源下，從大量無關(guān)背景區(qū)域中篩選出具有重要信息的目標(biāo)區(qū)域，幫助人們更高效地處理視覺信息，因此可以借助特定的注意力機(jī)制來實(shí)現(xiàn)對于水稻害蟲目標(biāo)對象重要信息的處理。常見的注意力機(jī)制有SE-net（squeeze-and-excitation networks）、ECA-net（efficient channel attention networks）、CBAM（convolutional block attention module）等［17］，其中ECA模塊能夠避免降維對檢測結(jié)果造成的誤差，并且通過大小為k的快速一維卷積獲取局部跨通道的交互信息，并通過Sigmoid激活函數(shù)［如式（1）所示］得到各個通道的權(quán)重ω。

ω=σ［C1Dk（y）］。 ?（1）

式中：ω表示各通道權(quán)重；C1D表示一維卷積；k表示一維卷積的內(nèi)核大小。這種方法稱為ECA模塊，在計(jì)算過程中，其只涉及k個參數(shù)的信息，在k為某一特定值的情況下，ECA模塊能實(shí)現(xiàn)與SE-Var同樣的效果，且其模型的復(fù)雜程度更低，因此這種跨通道信息交互的方法能有效保證檢測結(jié)果與檢測效率。ECA注意力機(jī)制能更好地捕捉水稻害蟲圖像的主要信息，有效減小參數(shù)的計(jì)算量。因此，本研究在YOLO v5預(yù)測網(wǎng)絡(luò)前加入ECA注意力機(jī)制，其模塊如圖2所示。其中，k的確定是確定通道交互信息大致范圍的必要條件。在固定group數(shù)量的前提下，高維（低維）通道隨著長距離（短距離）卷積的增大而增大，同理，跨通道信息交互覆蓋率k（即一維卷積的內(nèi)核大小）也會隨著通道維數(shù)C的增加而增大，即二者存在映射關(guān)系，且低維度通道比高維度通道對于卷積作用的影響更小。k可通過ψ（C）進(jìn)行自適應(yīng)的確定，如式（2）所示。

k=ψ（C）= ?log2C γ + b γ ?odd。 ?（2）

式中：b、γ表示線性擬合中所涉及到的非線性參數(shù)；|t|odd表示最接近的奇數(shù)。

在本研究中，給定b和γ的值，分別為1和2，則k值為5。本研究在引入ECA注意力機(jī)制時，采用基于自適應(yīng)卷積核大小的方法，直接在全局平均池化層之后使用1×1卷積層，去除全連接層，完成跨通道間的信息交互，適當(dāng)?shù)目缤ǖ澜换タ梢栽诒３中阅艿耐瑫r顯著降低模型的復(fù)雜性。

2.2.2 損失函數(shù)

損失函數(shù)（loss function）可通過測量實(shí)際測量值與預(yù)測值之間的誤差，來衡量測量模型與數(shù)據(jù)之間的吻合程度，是深度學(xué)習(xí)的重要一環(huán)，很大程度上決定預(yù)測模型的性能［18］。損失函數(shù)針對每個數(shù)據(jù)點(diǎn)進(jìn)行計(jì)算，所得值越高，說明預(yù)測結(jié)果就越不精確，反之，則說明計(jì)算結(jié)果越接近真實(shí)值。可以在訓(xùn)練模型時通過引入損失函數(shù)指導(dǎo)模型的優(yōu)化，因?yàn)樵跇?gòu)建模型的過程中，特征的權(quán)重可能會發(fā)生一定的變化，從而導(dǎo)致預(yù)測結(jié)果發(fā)生相應(yīng)的變化，此時就需要利用損失函數(shù)來判斷模型中特征權(quán)重的具體變化進(jìn)行相應(yīng)的調(diào)整。

在本研究中，損失函數(shù)用于描述害蟲圖像檢測框與真實(shí)框之間的差距，在檢測網(wǎng)絡(luò)中對目標(biāo)對象的概率進(jìn)行分類，對目標(biāo)置信度進(jìn)行評定，并對檢測框位置進(jìn)行標(biāo)定，最后將這3種作為結(jié)果輸出。損失函數(shù)包括置信度損失（obj_loss）、邊框定位損失（box_loss）以及分類損失（cls_loss）3個部分［19］，置信度損失函數(shù)用來計(jì)算對預(yù)測模型所設(shè)定網(wǎng)絡(luò)的置信度，邊框定位損失函數(shù)用來計(jì)算預(yù)測框與真實(shí)框之間的誤差，分類損失函數(shù)用來計(jì)算目標(biāo)框所對應(yīng)的標(biāo)定分類是否正確。

在進(jìn)行水稻害蟲的識別過程中，由于目標(biāo)輸出標(biāo)簽具有互斥性，需要應(yīng)用softmax函數(shù)將目標(biāo)置信度得分轉(zhuǎn)換為總和為1的概率，在YOLO v5中使用多個獨(dú)立的邏輯（logistic）分類器用以替換softmax，可使輸出綜合大于1，從而達(dá)到計(jì)算輸入特定標(biāo)簽的目的。YOLO v5在計(jì)算類別概率和目標(biāo)置信度得分時，使用二元交叉熵?fù)p失函數(shù)，也可以有效避免使用softmax所帶來的弊端，進(jìn)而減小計(jì)算量。在原有的YOLO v5中，對于邊框定位損失，選用CIoU Loss作為其損失函數(shù)［20］，其計(jì)算公式如式（3）所示。

LCIoU=1-IoU+ ρ2（b，bgt） c2 +αv。 ?（3）

式中：ρ2（b，bgt）表示2個檢測框中心點(diǎn)的距離；c表示2個檢測框所形成的最小包圍矩形的對角線長度；v表示2個檢測框的寬高比的相似程度，其表達(dá)式如式（4）所示；α表示v的重要影響因素，其表達(dá)式如式（5）所示。

v= 4 π ?arctan wgt hgt -arctan w h ?2； ?（4）

α= v （1-IoU）+v 。 ?（5）

然而，CIoU損失函數(shù)的長寬比描述的是相對值，存在一定的模糊界限，當(dāng)預(yù)測框的寬和高滿足{（w=kwgt，h=khgt）|k∈ R +}時，CIoU損失函數(shù)的相對比例懲罰項(xiàng)就不起作用［21］。并且CIoU損失函數(shù)中w和h不能保證同時增大或減小，會給訓(xùn)練過程帶來問題。

因此，本研究在檢測水稻害蟲模型中引入EIoU Loss，以減小CIoU在定位回歸方面存在的誤差，其在CIoU損失函數(shù)的基礎(chǔ)上可以精確檢測重疊面積、邊長以及中心點(diǎn)之間的差異，并解決CIoU存在的寬和高不能同增同減的問題，從而獲取更高精度的檢測樣本，其定義如式（6）所示。

LEIoU=LIoU+Ldis+Lasp=1-IoU+ ρ2（b，bgt） c2 + ρ2（w，wgt） c2w + ρ2（h，hgt） c2h 。 （6）

式中：cw表示同時覆蓋2個矩形框的寬度；ch表示能夠同時覆蓋2個矩形框的寬和高。

2.2.3 Ghost卷積

通過引入EIoU損失函數(shù)雖然可以明顯提高YOLO v5模型的識別效率，但是會增加計(jì)算量，背離檢測模型輕量化的目的。因此，本研究在應(yīng)用EIoU損失函數(shù)基礎(chǔ)上引入Ghost卷積替換CBS模塊中的普通卷積進(jìn)行特征提取，同時，也將C3模塊中的普通卷積替換。Ghost卷積的實(shí)現(xiàn)主要由2個部分組成，通過普通的卷積計(jì)算生成少量特征圖，稱為本征特征圖，如式（7）所示。

Y′=X ×f′。 ?（7）

式中： X 表示輸入特征圖， X ?R h×w×c，且h表示寬度，w表示長度，c表示通道數(shù)；f′表示該層網(wǎng)絡(luò)的卷積核，f′∈ R c×k×k×m（m表示輸出通道數(shù)）； Y ′表示輸出的特征圖， Y ′ R h′×w′×n。

對本征特征圖Y′進(jìn)行線性變化得到更多的特征圖，最后對前面所得的2組特征圖進(jìn)行拼接，形成新的特征圖輸出。Ghost模塊的卷積形成過程如圖3所示。

相較于原始的普通卷積，Ghost卷積能夠保持較高的相似度，并且能顯著降低模型參數(shù)量，使參數(shù)量更容易分布于終端，從而簡化卷積運(yùn)算［22］。二者計(jì)算量的對比如式（8）所示。

rs = n·h′·w′·c·k·k ?n s ·h′·w′·c·k·k+（s-1）· n s ·h′·w′·d·d

= c·k·k ?1 s ·c·k·k+ s-1 s ·d·d ≈ s·c s+c-1 ≈s。 ?（8）

式中：與Ghost卷積相比，普通卷積計(jì)算量是其s倍，在相同參數(shù)的前提下，普通卷積的計(jì)算量也是Ghost卷積的s倍，這充分展示出Ghost卷積在計(jì)算量方面的優(yōu)勢。因此，應(yīng)用Ghost卷積代替原始的普通卷積可以有效降低目標(biāo)的運(yùn)算量，實(shí)現(xiàn)模型輕量化的目的。

3 結(jié)果與分析

3.1 試驗(yàn)環(huán)境與設(shè)置

本試驗(yàn)環(huán)境：InterCoreTM15-12600KF CPU；16 G內(nèi)存；GPU為NVIDIA GeForce RTX3060，顯存12 G；操作系統(tǒng)為Windows 10，64位操作系統(tǒng)；學(xué)習(xí)框架為Pytorch 1.12.1，Cuda版本11.7，Cudnn版本8.5.0。

輸入圖像大小調(diào)整為640像素×640像素，批量大小設(shè)置為16張，初始學(xué)習(xí)率（learning rate）為0.01，訓(xùn)練輪次（epoch）為300輪次，采用Adam優(yōu)化，動量（momentum）設(shè)為0.937，權(quán)重衰減（weight decay）為0.000 5。

3.2 評價指標(biāo)

本試驗(yàn)在研究過程中主要使用4種評價指標(biāo)對改進(jìn)的YOLO v5模型性能進(jìn)行評價，分別為精確率（precision，P）、召回率（recall，R）、平均精度（average precision，AP）和均值平均精度（mean average precision，mAP）。

精確率P表示預(yù)測樣本中預(yù)測正確的正樣本數(shù)量與所有預(yù)測出的正樣本數(shù)量的比值，計(jì)算公式如式（9）所示。

P= TP TP+FP 。 ?（9）

式中：TP（true positive）表示預(yù)測正確的正樣本數(shù)量；FP（false positive）表示預(yù)測錯誤的正樣本數(shù)量。

召回率R表示檢測出正確的正樣本數(shù)量與實(shí)際正樣本總數(shù)量的比值，計(jì)算公式如式（10）所示。

R= TP TP+FN 。 ?（10）

式中：FN（false negative）表示樣本中未被檢測出來的正樣本數(shù)量。平均精度AP是P與R圍成的曲線的面積，其計(jì)算公式如式（11）所示。

AP=∫1 0P（R）dR。 ?（11）

均值平均精度mAP表示各個類別的AP的均值，其衡量指標(biāo)分為mAP@0.5和mAP@0.5 ∶ 0.95等2種，與P和R不同，mAP可以單獨(dú)評價模型的優(yōu)劣，其計(jì)算公式如式（12）所示。

mAP= ∑（AP） n 。 ?（12）

式中：n表示所檢測類別的數(shù)量，個。

3.3 Ghost卷積替換部分試驗(yàn)

Ghost卷積使用較少的參數(shù)和計(jì)算量便可實(shí)現(xiàn)對檢測目標(biāo)特征的識別，從而避免原始模型中存在使用大量卷積核進(jìn)行采樣與融合等操作的問題，也同時減少了輸出的特征圖中包含冗余特征。但是，Ghost卷積在去除冗余特征實(shí)現(xiàn)輕量化的同時，會導(dǎo)致輸出特征圖的精度有所下降、推理速度緩慢等問題。因此，需要后續(xù)進(jìn)一步進(jìn)行Ghost卷積部分的替換試驗(yàn)，探究最佳的Ghost卷積替換部分，從而在實(shí)現(xiàn)模型輕量化的同時，也能適當(dāng)保證其精度。

本研究應(yīng)用Ghost卷積模塊對不同位置進(jìn)行替換并進(jìn)行試驗(yàn)，表3直觀地表達(dá)出各個位置Ghost卷積替換的精度對比，其中主干網(wǎng)絡(luò)表示Ghost卷積模塊替換YOLO v5中主干部分的CBS模塊的普通卷積，頸部網(wǎng)絡(luò)表示Ghost卷積模塊替換YOLO v5中頸部CBS模塊的普通卷積，主干網(wǎng)絡(luò)+頸部網(wǎng)絡(luò)表示Ghost卷積模塊替換YOLO v5所有CBS模塊中的普通卷積。

3.4 對比試驗(yàn)

為進(jìn)一步驗(yàn)證本研究提出的改進(jìn)的YOLO v5算法對水稻蟲害病識別的檢測效果， 將本研究算法與YOLO v5s算法、Faster-RCNN算法以及YOLO v7 算法進(jìn)行對比。訓(xùn)練參數(shù)設(shè)置一致，批量大小設(shè)置為16張，訓(xùn)練300輪次，初始學(xué)習(xí)率0.01，得到的模型指標(biāo)如表4所示。

YOLO v7是YOLO系列的最新算法。由表4可知，YOLO v7算法在本研究自制數(shù)據(jù)集上的表現(xiàn)不如YOLO v5s，其mAP比YOLO v5s低1.49%。本研究算法較其他算法有更高mAP的值，且模型體積最小，僅7.38 MB。

圖4、圖5展示了7種水稻害蟲的檢測結(jié)果，通過對比可以看出，本研究算法較YOLO v5模型檢測精度整體上升，部分害蟲檢測精度略微下降，如白背飛虱和稻薊馬，但檢測精度僅相差0.04%，滿足實(shí)際檢測需求。

3.5 消融試驗(yàn)

為驗(yàn)證改進(jìn)YOLO v5算法的有效性，本研究用自制數(shù)據(jù)集設(shè)置消融對比試驗(yàn)，以驗(yàn)證每個改進(jìn)策略對模型性能的影響，試驗(yàn)考慮了ECA模塊、EIoU模 塊、GhostNet-Conv模塊和GhostNet-C3模塊 4??個因素，依次將4個改進(jìn)策略添加到原YOLO v5s算法模型中，在同一試驗(yàn)條件下訓(xùn)練300輪次，訓(xùn)練結(jié)果如表5所示。

首先，在YOLO v5s模型的檢測網(wǎng)絡(luò)前加入ECA注意力機(jī)制，增強(qiáng)特征聚合；然后，將邊框損失函數(shù)用EIoU進(jìn)行替換，加速收斂并提高回歸精度；再次，將YOLO v5s中CBS模塊中的Conv標(biāo)準(zhǔn)卷積換為GhostNet卷積，將模型體積減少3.5 MB；最后，將C3模塊中的所有Conv標(biāo)準(zhǔn)卷積替換為GhostNet卷積，模型體積再次減少2.82 MB。通過消融試驗(yàn)對各個模塊的優(yōu)化效果的驗(yàn)證，發(fā)現(xiàn)本研究算法的mAP較YOLO v5s模型提升0.09百分點(diǎn)，模型體積降低到了7.38 MB，且模型的識別速度仍滿足實(shí)時性要求。

4 結(jié)論

本研究選取稻縱卷葉螟、稻葉毛蟲、稻潛葉蠅等14類害蟲構(gòu)建數(shù)據(jù)集，針對采用傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的水稻害蟲識別方法中存在的識別正確率低、效率低等現(xiàn)象，提出一種基于YOLO v5的水稻害蟲識別方法，主要改進(jìn)如下：（1）在預(yù)測網(wǎng)絡(luò)前引入ECA注意力機(jī)制；（2）邊框損失函數(shù)采用EIoU；（3）將CBS模塊和C3模塊中的標(biāo)準(zhǔn)卷積換為Ghost卷積。與YOLO系列最新的算法YOLO v7、Faster-RCNN進(jìn)行對比，本研究算法模型擁有最高的mAP（94.21%）和最小的模型體積（7.38 MB）。

參考文獻(xiàn)：

［1］ 車 琳，蔣沁宏，王 也，等.我國水稻五大產(chǎn)區(qū)蟲害發(fā)生及防控情況差異的比較分析［J］. 植物保護(hù)，2022，48（3）：233-241.

［2］Daniya T，Vigneshwari S. A review on machine learning techniques for rice plant disease detection in agricultural research［J］. International Journal of Advanced Science and Technology，2019，28（13）：49-62.

［3］楊英茹，吳華瑞，張 燕，等. 基于復(fù)雜環(huán)境的番茄葉部圖像病蟲害識別［J］. 中國農(nóng)機(jī)化學(xué)報，2021，42（9）：177-186.

［4］Sethy P K，Barpanda N K，Rath A K，et al. Deep feature based rice leaf disease identification using support vector machine［J］. Computers and Electronics in Agriculture，2020，175：105527.

［5］Qing Y A O，Jun L V，Liu Q J，et al. An insect imaging system to automate rice lighttrap pest identification［J］. Journal of Integrative Agriculture，2012，11（6）：978-985.

［6］馬佳佳，陳友鵬，王克強(qiáng)，等. 基于優(yōu)化SVM的蟲害圖像識別研究［J］. 中國糧油學(xué)報，2022，37（5）：10-15.

［7］劉曉鋒，高麗梅. ?基于改進(jìn)空間殘差收縮網(wǎng)絡(luò)模型的農(nóng)作物病蟲害識別［J］. 山東農(nóng)業(yè)大學(xué)學(xué)報（自然科學(xué)版），2022，53（2）：259-264.

［8］ Rahman C R，Arko P S，Ali M E，et al. Identification and recognition of rice diseases and pests using convolutional neural networks［J］. Biosystems Engineering，2020，194：112-120.

［9］梁萬杰，曹宏鑫. 基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識別［J］. 江蘇農(nóng)業(yè)科學(xué)，2017，45（20）：241-243，253.

［10］ Thenmozhi K，Reddy U S. Crop pest classification based on deep convolutional neural network and transfer learning［J］. Computers and Electronics in Agriculture，2019，164：104906.

［11］郭 陽，許貝貝，陳桂鵬，等. 基于卷積神經(jīng)網(wǎng)絡(luò)的水稻蟲害識別方法［J］. 中國農(nóng)業(yè)科技導(dǎo)報，2021，23（11）：99-109.

［12］Chen J，Zhang D F，Zeb A，et al. Identification of rice plant diseases using lightweight attention networks［J］. Expert Systems with Applications，2021，169：114514.

［13］王江晴，冀 星，莫海芳，等. 基于輕量化VGG的植物病蟲害識別［J］. 中國農(nóng)機(jī)化學(xué)報，2022，43（4）：25-31.

［14］ 周 維，牛永真，王亞煒，等. 基于改進(jìn)的YOLO v4-GhostNet水稻病蟲害識別方法［J］. 江蘇農(nóng)業(yè)學(xué)報，2022，38（3）：685-695.

［15］李衍照，于 鐳，田金文. 基于改進(jìn)YOLO v5的金屬焊縫缺陷檢測［J］. 電子測量技術(shù)，2022，45（19）：70-75.

［16］馬曉東，魏利勝，劉小琿. 基于新型YOLO v5算法的磁懸浮球精確識別［J］. 電子測量與儀器學(xué)報，2022，36（8）：204-212.

［17］張宸嘉，朱 磊，俞 璐. 卷積神經(jīng)網(wǎng)絡(luò)中的注意力機(jī)制綜述［J］. 計(jì)算機(jī)工程與應(yīng)用，2021，57（20）：64-72.

［18］肖雨晴，楊慧敏. 基于改進(jìn)YOLO v3算法的交通場景目標(biāo)檢測［J］. 森林工程，2022，38（6）：164-171.

［19］郭 文，李 冬，袁 飛. 多尺度注意力融合和抗噪聲的輕量點(diǎn)云人臉識別模型［J］. 圖學(xué)學(xué)報，2022，43（6）：1124-1133.

［20］Wang Z，Sun W，Zhu Q，et al. Face mask-wearing detection model based on loss function and attention mechanism［J］. Computational Intelligence and Neuroscience，2022，2022：2452291.

［21］孫麗萍，譚少亨，周宏威，等. 基于YOLO v5的林業(yè)有害生物檢測與識別［J］. 森林工程，2022，38（5）：104-109，120.

［22］付思琴，邱 濤，王權(quán)順，等. 基于改進(jìn)YOLO v4的焊接件表面缺陷檢測算法［J］. 包裝工程，2022，43（15）：23-32.

收 稿日期：2023-04-12

基金項(xiàng)目：黑龍江省哈爾濱市應(yīng)用技術(shù)研究與開發(fā)項(xiàng)目（留學(xué)回國創(chuàng)業(yè)人才A類）（編號：2017RALXJ011）。

作者簡介：李 濱（1975—），男，黑龍江哈爾濱人，博士，副教授，研究方向?yàn)橄冗M(jìn)制造技術(shù)及裝備、智能農(nóng)業(yè)技術(shù)及裝備。E-mail：630104635@qq.com。