基于YOLO v5s的茶葉病蟲害檢測方法

陳德瓊，曠丞吉

(1.銅仁市住房和城鄉建設局；2.銅仁學院 大數據學院，貴州 銅仁 554300)

茶葉作為中國茶文化的主要原料，其需求較大，種植面積較廣，而茶葉病蟲害直接影響了茶葉的產量和質量，是茶葉種植需要解決的關鍵問題之一。在茶葉病蟲害的識別方面，傳統方式主要是依賴茶農的種植經驗來判斷，該方式效率較低，很容易導致茶葉病蟲害的誤判，導致用錯藥或不能有效抑制病蟲害的傳播，嚴重制約了茶葉的增產和提質。

隨著信息技術的發展，越來越多的學者將深度學習算法應用于植物的病蟲害檢測，利用卷積神經網絡（Convolutional Neural Network，CNN）[1-2]模型提取病蟲害特征，經過有監督學習方法訓練模型，用訓練好的模型識別待檢測的茶葉病蟲害，相較于傳承的基于于病斑圖像分隔[3-4]、基于病斑圖像特征提取[5-6]、分類聚類[7-8]等方法。基于CNN構建的模型能更好的提取病蟲害特征，具有更好的魯棒性。在茶葉病蟲害檢測模型研究方面，孫艷歌等[9]將自注意力機制引入病蟲害特征檢測上，利用多頭自注意力機制提取多種尺度下的全局上下文信息，對復雜背景的茶葉圖片病蟲害識別具有較好效果；余小東[10]、趙立[11]等利用遷移學習方法對棉花等農作物的病蟲害進行了識別，取得了較好效果，但這些研究中，針對茶葉病蟲害初期的識別效果不是很理想，茶葉病蟲害初期，病斑區域小，在特征提取過程中，容易丟失原有病斑特征，對此，本文提出利用YOLO v5s對茶葉病蟲害進行檢測，以提高病蟲害檢測準確率。

1 模型構建與實驗

1.1 基于YOLO v5s的模型

YOLO v5是YOLO系列中性能較好的One-Stage模型，其相比于Faster-RCNN[7]的Two-Stage目標檢測方法來說，具有更快的檢測速度和更高的準確率。YOLO v5模型的網絡示意圖如圖1所示。

圖1 YOLO v5模型的網絡示意圖

由圖1可知，將茶葉病蟲害圖片輸入主干網絡中，經過兩輪卷積網絡提取特征后進入C3處理模塊，C3模塊的結構示意圖如圖2所示。經過多輪卷積模塊和C3模塊后，進入SPPF模塊，SPPF模塊的示意圖如圖3所示。

圖2 C3模塊的結構示意圖

圖3 SPPF模塊的結構示意圖

在圖2中，CBS模塊由Conv、BN及SiLU激活函數構成，BottleNeck由兩個CBS模塊構成，使用殘差方式融合輸出參數，以保證特征數不變。

在SPPF模塊中，其主要由CBS模塊和池化模塊構成，輸入圖像經過CBS模塊、池化層后進行Concat操作，通過Concat操作將輸入特征圖各維度的輸出連接起來，可以獲得信息更豐富的特征圖，該方法可以有效提高茶葉病蟲害檢測的準確率。

1.2 實驗數據集構建

本實驗通過實地采集和網絡收集茶葉病蟲害圖片共3000余張，病蟲害類型主要包括炭疽病、葉枯病、白星病、螨蟲等18種。為了提升模型性能，通過對采集來的病蟲害圖片進行裁剪、旋轉等空間變換和像素變換，以增強訓練數據集，提升訓練模型的性能，實驗數據集共4020張，如圖4所示。

圖4 茶葉病蟲害實驗集圖片

在獲得茶葉病蟲害數據集后，經過Label Img標注軟件標注后，構建好了實驗所需的標注信息（Annotations）、圖像集合（ImageSets）等文件信息，同時生成實驗所需的train.txt、trainval.txt、val.txt的內容，標記后的圖像如圖5所示。

圖5 茶葉病蟲害圖像標記示意圖

1.3 實驗環境搭建

為了加快模型訓練和識別的速度，本實驗搭建了如下表1所示實驗平臺。

表1 模型訓練實驗環境

1.4 實驗評價指標

本實驗中使用平均精度均值（meanaverageprecision，mAP）來度量算法，其計算公式如式（1）所示。其中，N表示參與實驗的茶葉病蟲害種類，表示第i種病蟲害的平均檢測精確度。

1.5 實驗結果與分析

將茶葉病蟲害實驗集劃分為3組，分別是訓練集（80%）、測試集（10%）和驗證集（10%），通過基于YOLO v5s模型訓練，獲得能檢測茶葉病蟲害的識別模型。檢測模型經過訓練后，獲得如圖6所示識別結果示意圖。

圖6 病蟲害檢測結果示意圖

為了對比檢測模型的優勢，將實驗集分別使用Faster-RCNN、YOLO v5s進行了對比實驗，使用YOLO v5s檢測獲得如表2所示準確率情況。

表2 YOLO v5s識別準確率情況

經實驗，Faster-RCNN的平均準確率為39.4%，由表2的實驗結果可知，YOLO v5s對部分茶葉病蟲害檢測準確率優于Faster-RCNN方法，但準確率仍有提升空間。

2 結語

本文通過將YOLO v5s應用在茶葉病蟲害的檢測上，獲得了較好檢測準確率。通過將其部署在服務器上，可通過B/S模式構建應用系統，在移動端調用該識別模型，并傳回識別結果，對快速檢測茶葉病蟲害具有重要意義，同時，對提升茶葉產量和質量具有重要價值。