基于改進YOLOv5s-ECA-ASFF算法的茶葉病害目標檢測

摘要：在自然場景下，茶葉病害形狀各異、目標小，傳統卷積神經網絡不適用于復雜背景下的病害檢測。因此，提出一種改進的YOLOv5s-ECA-ASFF茶葉病害目標檢測算法。該算法通過引入ECA通道注意力模塊來增強通道維度上的全局上下文信息，并使用自適應空間特征融合（ASFF）技術改進茶葉病害的多尺度特征融合，提高模型的背景抗干擾能力。同時，使用GIoU損失函數作為邊界框損失函數，進一步提高回歸目標的檢測精度。與原始YOLOv5s模型相比，改進YOLOv5s-ECA-ASFF模型在茶白星病、茶輪斑病、茶炭疽病、茶藻斑病的識別平均精度分別提高5%、4%、3%、2%，平均精度均值為92.1%。此外，該模型的圖像檢測速度為64f/s，并且綜合性能也優于YOLOv4、SSD和Faster R-CNN模型。因此，該模型為茶葉在自然生長環境下不同種類病害的檢測提供參考，并為早期預測提供重要的技術支持。

關鍵詞：深度學習；YOLOv5s；茶葉病害；注意力機制；目標檢測

中圖分類號：S24： TP391.4

文獻標識碼：A

Target detection of tea disease based on improved YOLOv5s-ECA-ASFF algorithm

Abstract：

In natural scenes， tea diseases have different shapes and small targets， and traditional convolutional neural networks are not suitable for disease detection under complex background. Therefore， we proposed an improved tea disease target detection algorithm， YOLOv5s-ECA-ASFF. This algorithm introduces ECA channel attention module to enhance the global context information in the channel dimension， and uses adaptive spatial feature fusion （ASFF） technology to improve the multi-scale feature fusion of tea diseases and improve the background anti-jamming ability of the model. At the same time， the GIoU loss function is used as the bounding box loss function to further improve the detection accuracy of the regression target. Compared with the original YOLOv5s model， the average accuracy of the improved YOlOv5S-ECA-ASFF model in the identification of tea white star disease， tea wheel spot disease， tea anthracnose disease and tea algal spot disease was increased by 5%， 4%， 3% and 2%， respectively， and the average accuracy was 92.1%. In addition， the image detection speed of this model is 64 f/s， and the comprehensive performance is better than that of YOLOv4， SSD and Faster R-CNN models. Therefore， the model provides a reference for the detection of different kinds of tea diseases in the natural growing environment， and provides important technical support for early prediction.

Keywords：

deep learning; YOLOv5s; tea diseases; attention mechanism; target detection

0 引言

傳統茶葉病情檢測完全靠人工在山間進行，植保者憑借觀測、觸摸以及經驗來確定茶葉是否健康，這種檢測方法不僅效率低、勞動強度大、實時性差，且因植保人員的主觀判斷以及經驗差異導致識別精度低、誤差大。對于某些病害，如果不能提前施藥進行防治，將嚴重影響普洱茶葉的產量和質量。如果施藥不匹配，還可能導致農藥超標，給土壤和水資源環境帶來污染。普洱茶葉是云南省地理標志農產品，對區域經濟的持續健康發展具有戰略意義［1］。普洱茶葉的常見病害在同一時期、不同海拔處表現出不同的相似性。為了使農民和專家能夠做出及時和高效的管理決策，研究普洱茶葉病害的早期圖像分類識別非常重要。

隨著人工智能技術的發展，利用計算機視覺對作物病害圖像進行自動化識別和診斷成為近年來的研究熱點。傳統的機器學習技術通常包括圖像預處理、圖像分割、特征提取和分類4個階段來檢測農作物病害種類［26］。然而，在機器學習過程中，需要人工設計提取作物特征，這浪費了作物診斷的時間，可能造成大面積茶葉的經濟損失。此外，機器學習只能識別作物的表象特征，無法提取更多底層特征，因此機器學習的進展也受到了限制［78］。

隨著GPU計算資源的發展和普及，機器學習的分支—深度學習在計算機視覺領域展現出巨大的應用潛力。深度學習（Deep Learning，DL）通過強大的特征學習能力來解決病害識別問題，它可以通過不同的算法來提取輸入圖像的深層獨立特征，在大規模數據集上取得更好的分類效果［9］。在處理高分辨率圖像時，卷積神經網絡相比其他神經網絡具有明顯優勢。它的卷積層取代了標準神經網絡中的矩陣乘法，并利用拓撲結構的優勢降低了參數數量和網絡模型復雜度，提高了學習效率。此外，卷積神經網絡在作物圖片識別和分類問題上廣泛適用，其準確率往往遠超其他神經網絡。目前，在作物病害識別領域常用的模型有王大慶等［10］基于深度遷移學習理論提出的兩階段遷移學習模型EfficientNet，可以解決在識別復雜背景下玉米葉部病害時出現的域遷移和小樣本問題；龍滿生等［11］通過構建基于卷積神經網絡Alex-Net和遷移學習的模型，成功識別油茶的5種不同病害，準確率達到了96.5%；趙嘉威等［12］則提出了改進的YOLOv4目標檢測算法，用于檢測蘋果葉片的常見病害，其中MC-YOLOv4模型在檢測中的平均精度為97.25%。鄒珺淏等［13］在YOLOv7-tiny模型中引入了加權的多尺度特征融合，提高小目標的檢測精度。劉詩怡等［14］提出一種DCNSE-YOLOv7的深度學習算法對黃瓜葉片病斑細小特征進行精準定位后，提高了對早疫病葉片的檢測性能。李偉豪等［15］提出Yolov7-TSA（Yolov7-Tiny-SiLU-Attention）輕量型網絡架構對多種茶葉病害進行檢測和分類。喬琛等［16］在YOLOv5模型上替換C3模塊后加入NAM注意力機制，提升對黃瓜霜霉病菌孢子檢測速度和精度。

此外，還有其他模型如ResNet［17］、Faster-RCNN［18］、DenseNet［19］、MobileNetV3［20］、ShuffleNet V2［21］結合遷移學習后對不同環境中的作物病害葉片圖像識別方面也取得了重要的成果。現有基于YOLOv3、YOLOv4版本的檢測識別方法在現場作業時不能滿足大規模和實時需求，鑒于YOLOv5系列算法在檢測精度、速度上都優于YOLOv3、YOLOv4，本文探討改進YOLOv5s算法對茶葉病害檢測任務的適用性，旨在提升茶葉病害檢測的準確性；最后，通過自建數據集測試，以驗證改進模型的有效性。

1 YOLOv5網絡結構

YOLOv5是一種常用的目標檢測網絡，以其快速的推理速度和較高的檢測精度而出名。網絡包含4個結構：YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x，不同變體在精度和速度之間的偏向性不同。YOLOv5s是YOLOv5系列中最小的，具有最窄的特征映射，其他3個變體更深更寬。隨著模型復雜度的增加，精度的提高是以更多的計算資源為代價的。為了在保持網絡輕量化的同時實現病蟲害的快速檢測，本文采用YOLOv5s作為基礎模型。YOLOv5網絡結構由Input、Backbone、Neck和Prediction四部分組成［22］，如圖1所示。輸入標準化輸入圖像，主干網絡從輸入圖像中提取關鍵特征，頸部網絡使用特征金字塔網絡融合提取的圖像特征，預測層生成帶有特征映射的錨框，輸出帶有檢測類名稱和概率的邊界框。

YOLOv5s網絡在輸入端使用了Mosaic數據增強算法［23］，該算法是基于Cut Mix算法的改進版，通過隨機裁剪、隨機縮放和隨機排布四張圖片來構建一張新的圖片。Focus模塊用于進行下采樣的切片操作，以減少計算量并提高網絡速度。CBL模塊利用卷積層來提取特征。SPP模塊則使用不同大小的核進行最大池化，并將結果拼接成固定維度的特征向量。頸部網絡采用特征金字塔網絡（FPN）結構和路徑聚合網絡（PAN）結構，用于融合深淺層特征信息，并將輸出的特征向量傳遞到Head模塊進行目標預測和分類。Prediction模塊使用Bounding box中的IoU作為回歸損失函數。

2 改進YOLOv5s網絡結構

2.1 改進注意力機制

在茶園場景中，識別茶葉病害面臨著病蟲害尺度小、背景干擾大、光照強度情況、數據集像本復雜和病害特征難提取等難點［24］。為解決這些問題，注意力機制被引入，其原理是模仿人腦的視覺注意力機制，提取關鍵信息來快速獲取目標。注意力機制會為網絡輸入的每個通道上的信號賦予一個權重，通過提取通道與通道之間的重要信息來輔助模型做出準確的判斷，類型包括空間域注意力、通道域注意力、混合域注意力和時間域注意力。

目前，大部分目標檢測器采用特征金字塔結構，通過融合深層語義特征和淺層細節特征來獲取多尺度目標特征。為了增強模型對病害目標局部細節信息的提取能力，本文引入了ECA通道注意力機制［25］，它是一種輕量級的通道注意力機制，通過快速一維卷積的方式實現局部跨信道交互，并將其加入YOLOv5s網絡模型中進行特征融合，可以更準確地識別茶葉病害。在復雜背景下，茶葉病害圖像的特征不明顯，并且相同茶葉可能包含多種病害，因此增加通道注意力模塊有助于更好地提取茶葉病害特征。本文將采用如圖2所示的技術路線來解決這個問題。

圖3為ECA通道注意力模塊［26］示意圖。

ECA模型主要通過全局平均池化層（Global Average Pooling layer，GAP）獲得聚集特征，通過執行卷積核大小為k的快速1D卷積來生成信道權重，其中k是通過信道維度C的映射自適應所確定。當通道數為C時，卷積核大小k的自適應函數定義為

式中：

｜F｜odd——F的最近的奇數。

本文中γ參數設置為2，b參數設置為1。

2.2 自適應特征融合機制ASFF

YOLOv5s中PANet（Path Aggregation Network）通常被用作特征融合的模塊。該模塊通過自底向上和自頂向下的兩個路徑進行信息交流和融合，利用不同層次特征圖之間的語義信息來提高目標檢測精度。然而，這種方法只是簡單地將特征圖轉換為相同的大小，無法充分利用不同尺度的特征，因此，本文引入了ASFF，它與基于元素或級聯的多級特征融合方法不同，ASFF的核心思想是自適應地學習不同尺度的特征映射融合的空間權重，并通過學習權重參數將不同層次的特征集成在一起。ASFF的結構如圖4所示。

2.3 改進損失函數

目標檢測算法的損失回歸函數通常由位置回歸損失（Position regression loss）、類別回歸損失（Category regression loss）和置信度回歸損失（Confidence regression loss）三部分組成，即

Loss=λ1Lpos+λ2Lcax+λ3Lcon（2）

式中：

λ1、λ2、λ3——平衡系數。

通常，位置回歸損失的評價指標為交并比IoU（Intersection over Union），該指標用于衡量兩個形狀之間的相似性，計算方法如式（3）所示。

式中：

A——真實框；

B——預測框；

A∩B——預測框和真實框的重疊區域；

A∪B——預測框和真實框的并集。

當預測框和真實框沒有重疊區域時，IoU損失函數無法衡量兩個邊界框之間的距離，也無法進行梯度計算［27］。這將導致收斂速度變慢并且回歸結果不準確。為了解決這個問題，本文采用了GIoU損失函數。與IoU函數相比，GIoU損失函數考慮了預測框和真實框的最小外接矩形框以及預測框之間的面積。這種方法效果更好，計算公式如式（4）所示。

式中：

D——包含A和B的最小凸集。

3 試驗結果分析

3.1 試驗平臺

試驗圖像采集于云南省西雙版納悅城基地，采集時間集中在2021年12月—2022年4月。為了充分考慮到自然光的影響對識別效果的影響，在每日的8：00、10：00、16：00和18：00時間段進行隨機拍攝。茶葉主要的病害包括茶白星病、茶云紋葉枯病、茶輪斑病、茶藻斑病和茶炭疽病5種病害。總共拍攝了900幅作物病害葉片圖像，每種病害葉片圖像有180幅。采集設備為Cannon EOS650D數碼相機，無補充光源操作，拍攝時距離作物葉片約5～20"" cm。病害圖像如圖5所示。試驗環境為計算機配置CPU型號為Intel Core i7-9700 CPU，系統為windows系統，GPU型號為NVIDIA GTX2080Ti，內存為32 GB，1 TB固態硬盤。使用PyTorch深度學習框架來配置所有模型的訓練和測試，所有模型都在GPU上運行，除了模型以外的其他參數都是相同的。

3.2 試驗設置

本文學習框架為Pytorch［28］，試驗環境配置情況如表1所示，訓練過程設置epoch為1 000，Batch_size為8，訓練時訓練過程中使用隨機梯度下降法（Stochastic Gradient Descent，SGD）優化學習率，初始學習率為0.001，置信度閾值統一取0.5，為提高網絡模型的訓練效率，輸入圖片分辨率為640×640，使用標注工具LabelImg軟件對病害圖像進行標注，生成.xml格式類型文件。

3.3 評價指標

為了驗證本試驗所用模型對茶葉病害的識別性能，本文采用精確率（Precision，P）、召回率（Recall，R）、平均精度均值（mean Average Precision，mAP）、精確率和召回率的調和平均數F1值、每秒傳輸幀數（Frames Per Second，FPS）5個指標進行模型評價［29］。

式中：

TP、FP——真實的正樣本、虛假的正樣本；

FN——虛假的負樣本；

M——檢測目標的類別總數；

AP（k）——第k類AP值。

3.4 結果與分析

完成YOLOv5s-ECA-ASFF模型改進后，在同一訓練條件下將YOLOv5s-ECA-ASFF模型與YOLOv5s、YOLOv4、SSD、Faster RCNN四個模型的損失變化曲線進行比對，訓練過程如圖6所示。由圖6可知，ECA-YOLOv5s-ASFF損失曲線在訓練次數達到200次后下降速度逐漸變緩，280次左右趨于穩定，相比其他四種模型穩定性較好，而且損失變化曲線始終位于YOLOv5s、YOLOv4、SSD、Faster RCNN損失曲線下方，表明YOLOv5s-ECA-ASFF模型損失值更小，收斂速度更快，說明基于GIoU損失函數的YOLOv5s-ECA-ASFF模型加快了模型的收斂性能。

3.5 消融試驗

3.5.1 不同注意力機制模塊比較

為了驗證不同策略對檢測性能的影響，本文進行了兩組消融試驗，通過在Backbone層添加三個ECA模塊來降低模型復雜性，以便能更加準確地將注意力分配給潛在特征。為了驗證ECA模塊的特征檢測性能，選擇了高效通道注意機制ECA、混合域注意機制CA（通道注意）、CBAM（卷積塊注意模塊）和SE（擠壓和激勵模塊）進行消融試驗，構建并比較了YOLOv5s-CA、YOLOv5s-SE、YOLOv5s-CBAM和YOLOv5s-ECA四個模型，試驗結果如表2所示。

結果表明，4種注意機制都可以完成茶葉病害特征的檢測。其中，YOLOv5-ECA的最終平均精度mAP@0.5%達到92，相較于YOLOv5s網絡提高了12.5%，同時P和R指標也高于其他三種目標檢測模型。在速度方面，YOLOv5-ECA的檢測速度幾乎與YOLOv5s相同。這是因為引入的ECA模塊輕量化，并能夠適當地進行跨渠道交互，繼承了YOLOv5s的檢測速度優勢，無需消耗過多計算資源。

3.5.2 不同特征融合機制模塊比較

為了驗證特征融合模塊的有效性，本文在YOLOv5s的Neck層增加了ASFF特征融合機制，對YOLOv5s-CA-ASFF、YOLOv5s-SE-ASFF、YOLOv5s-CBAM-ASFF、YOlOv5s-ECA-ASFF進行試驗比較。對比試驗結果如表3所示。

結果表明，就檢測速度表現而言，YOLOv5s-CBAM-ASFF和YOLOv5s-ECA-ASFF之間的差距不大。然而，YOLOv5s-ECA-ASFF通過使用ECA模塊來避免局部跨信道交互策略，并使用自適應一維卷積核來決定局部跨信道相互作用的范圍。因此，YOLOv5s-ECA-ASFF的檢測精度明顯優于YOLOv5s-CBAM-ASFF且提升5.4個百分點。綜合考慮檢測性能、內存和運行速度的需求后選擇YOLOv5s-ECA-ASFF算法進行研究。

為進一步驗證改進YOLOv5s-ECA-ASFF算法的有效性和準確性，選擇背景復雜、光照強度不同下的多種病害葉片圖像進行測試，結果如圖7所示，其中A代表茶白星病，B代表茶輪斑病，C代表茶炭疽病，D代表茶藻斑病。

使用相同的數據集，對比YOLOv5s、Faster RCNN、SSD和YOLOv4進行訓練，得到最佳權重之后，在相同測試集上進行測試，通過YOLOv5s-ECA-ASFF模型與其他算法檢測結果比較，對5種目標檢測算法在重合度閾值為0.5時進行mAP、準確度、召回率和檢測速度的計算，結果如表4所示。

4 結論

1） 針對茶葉病害目標檢測精度問題，本文提出一種改進的輕量化YOLOv5s-ECA-ASFF網絡模型。在YOLOv5s模型的特征融合網絡中引入了ECA機制，有效地利用全局維度的交互特征，并在適合通道和空間模塊上發揮更好的作用，同時平衡了運算速度和計算成本。最終，YOLOv5s-ECA-ASFF的平均檢測精度達到93.46%，檢測速度達到64f/s。

2） 在模型特征融合能力進行了兩組消融試驗進行探討，通過使用自適應空間特征融合（ASFF）的方式，將不同層的特征合理地融合在一起，使全局和局部特征的分配更加合理。

3） 為實現模型輕量化，本文選用Mish激活函數替換SiLU激活函數，采用GIoU邊界框損失函數解決了CIoU損失函數中的梯度爆炸和模型提前退化問題，提高模型的精度和在加速模型收斂的同時提高模型精度，增強模型的病斑檢測性能。

4） 在未來的工作中，考慮到茶葉病害的復雜性和多樣性變化，需要進一步研究光照強度、環境因子的影響，以及不斷豐富病害種類和數量，訓練和增強模型性能，以滿足更多場景應用。

參 考 文 獻

［1］ 鄒劍平， 王旭. 基于品牌競爭力評價指標體系的普洱茶競爭力研究［J］. 云南農業大學學報（社會科學）， 2023， 17（3）： 47-54.

Zou Jianping， Wang Xu. Research on the construction of brand competitiveness evaluation system of Puer tea ［J］. Journal of Yunnan Agricultural University （Social Sciences）， 2023， 17（3）： 47-54.

［2］ 雷嘉興， 王偉. 二維傅里葉圖像預處理對DNN網絡的影響研究［J］. 科學技術創新， 2022（11）： 61-64.

Lei Jiaxing， Wang Wei.Research on the effect of image preprocessing with 2D Fourier on DNN network ［J］. Scientific and Technological Innovation， 2022（11）： 61-64

［3］ 平昱愷， 黃鴻云， 江賀， 等. 目標檢測模型的決策依據與可信度分析［J］. 軟件學報， 2022， 33（9）： 3391-3406.

Ping Yukai， Huang Hongyun， Jiang He， et al. Decision basis and credibility analysis of object detection models ［J］. Journal of Software， 2022， 33（9）： 3391-3406

［4］ 史春天， 曾艷陽， 侯守明. 群體智能算法在圖像分割中的應用綜述［J］.計算機工程與應用， 2021， 57（8）： 36-47.

Shi Chuntian， Zeng Yanyang， Hou Shouming. Summary of application of swarm intelligence algorithms in image segmentation ［J］. Computer Engineering and Applications， 2021， 57（8）： 36-47

［5］ 桂澤春， 趙思健. 人工智能在農業風險管理中的應用研究綜述［J］. 智慧農業（中英文）， 2023， 5（1）： 82-98.

Gui Zechun， Zhao Sijian. Research application of artificial intelligence in agricultural risk management： A review ［J］. Smart Agriculture， 2023， 5（1）： 82-98

［6］ 袁洪波， 趙努東， 程曼. 基于圖像處理的田間雜草識別研究進展與展望［J］. 農業機械學報， 2020， 51（S2）： 323-334.

Yuan Hongbo， Zhao Nudong， Cheng Man. Review of weeds recognition based on image processing ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2020， 51（S2）： 323-334

［7］ Lecun Y， Bengio Y， Hinton G. Deep learning ［J］. Nature， 2015， 521（7553）： 436-444.

［8］ Jan B， Farman H， Khan M， et al. Deep learning in big data analytics： A comparative study ［J］. Comp．Electr．Eng， 2019， 75： 275-287.

［9］ 孫志軍， 薛磊， 許陽明， 等. 深度學習研究綜述［J］. 計算機應用研究， 2012， 29（8）： 2806-2810.

Sun Zhijun， Xue Lei， Xu Yangming， et al. Overview of deep learning ［J］. Application Research of Computers， 2012， 29（8）： 2806-2810.

［10］ 王大慶， 祿琳， 于興龍， 等. 基于深度遷移學習的EfficientNet玉米葉部病害識別［J］. 東北農業大學學報， 2023， 54（5）： 66-76.

Wang Daqing， Lu Lin， Yu Xinglong， et al. Maize leaf diseases identification using EfficientNet based on deep-transfer learning ［J］. Journal of Northeast Agricultural University， 2023， 54（5）： 66-76.

［11］ 龍滿生， 歐陽春娟， 劉歡， 等. 基于卷積神經網絡與遷移學習的油茶病害圖像識別［J］. 農業工程學報， 2018， 34（18）： 194-201.

Long Mansheng， Ouyang Chunjuan， Liu Huan， et al. Image recognition of Camellia oleifera diseases based on convolutional neural network amp; transfer learning ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2018， 34（18）： 194-201.

［12］ 趙嘉威， 田光兆， 邱暢， 等. 基于改進YOLOv4算法的蘋果葉片病害檢測方法［J］. 江蘇農業科學， 2023， 51（9）： 193-199.

Zhao Jiawei， Tian Guangzhao， Qiu Chang， et al. Detection method of apple leaf diseases based on improved YOLOv4 algorithm ［J］. Jiangsu Agricultural Sciences， 2023， 51（9）： 193-199.

［13］ 鄒珺淏， 任酉貴， 冷芳玲， 等. LW-YOLOv7SAR： 輕量SAR圖像目標檢測方法［J/OL］. 小型微型計算機系統：1-9［2023-11-06］.

Zou Junhao， Ren Yougui， Leng Fangling， et al. LW-YOLOv7SAR： Lightweight SAR image object detection method ［J/OL］. Journal of Chinese Computer Systems： 1-9［2023-11-06］.

［14］ 劉詩怡， 胡濱， 趙春. 基于改進YOLOv7的黃瓜葉片病蟲害檢測與識別［J］. 農業工程學報， 2023， 39（15）： 163-171.

Liu Shiyi， Hu Bin， Zhao Chun. Detection and identification of cucumber leaf diseases based on improved YOLOv7［J］.Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（15）： 163-171.

［15］ 李偉豪， 詹煒， 周婉， 等. 輕量型Yolov7-TSA網絡在茶葉病害檢測識別中的研究與應用［J］. 河南農業科學， 2023， 52（5）： 162-169.

Li Weihao， Zhan Wei， Zhou Wan， et al. Research and application of lightweight Yolov7-TSA network in tea disease detection and identification ［J］. Journal of Henan Agricultural Sciences， 2023， 52（5）： 162-169.

［16］ 喬琛， 韓夢瑤， 高葦， 等. 基于Faster-NAM-YOLO的黃瓜霜霉病菌孢子檢測［J］. 農業機械學報， 2023， 54（12）： 288-299.

Qiao Chen， Han Mengyao， Gao Wei， et al. Quantitative detection of cucumber downy mildew spores at multi-scale based on Faster-NAM-YOLO ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（12）： 288-299.

［17］ 熊夢園， 詹煒， 桂連友， 等. 基于ResNet模型的玉米葉片病害檢測與識別［J］. 江蘇農業科學， 2023， 51（8）： 164-170.

Xiong Mengyuan， Zhan Wei， Gui Lianyou， et al. Detection and identification of corn leaf diseases based on ResNet model ［J］. Jiangsu Agricultural Sciences， 2023， 51（8）： 164-170.

［18］ 毛銳， 張宇晨， 王澤璽， 等. 利用改進Faster-RCNN識別小麥條銹病和黃矮病［J］. 農業工程學報， 2022， 38（17）： 176-185.

Mao Rui， Zhang Yuchen， Wang Zexi， et al. Recognizing stripe rust and yellow dwarf of wheat using improved Faster-RCNN ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（17）： 176-185.

［19］ 曹藤寶， 張欣， 陳孝玉龍， 等. 融合空間注意力機制和DenseNet的玉米病害分類方法［J］. 無線電工程， 2022， 52（10）： 1710-1717.

Cao Tengbao， Zhang Xin， Chen Xiaoyulong， et al. Maize disease classification method based on spatial attention mechanism and DenseNet ［J］. Radio Engineering， 2022， 52（10）： 1710-1717.

［20］ 徐振南， 王建坤， 胡益嘉， 等. 基于MobileNetV3的馬鈴薯病害識別［J］. 江蘇農業科學， 2022， 50（10）： 176-182.

Xu Zhennan， Wang Jiankun， Hu Yijia， et al. Potato disease recognition based on MobileNetV3 ［J］. Jiangsu Agricultural Sciences， 2022， 50（10）： 176-182.

［21］ 李好， 邱衛根， 張立臣. 改進ShuffleNet V2的輕量級農作物病害識別方法［J］. 計算機工程與應用， 2022， 58（12）： 260-268.

Li Hao， Qiu Weigen， Zhang Lichen. Improved ShuffleNet V2 for lightweight crop disease identification ［J］. Computer Engineering and Applications， 2022， 58（12）： 260-268.

［22］ 孫豐剛， 王云露， 蘭鵬， 等. 基于改進YOLOv5s和遷移學習的蘋果果實病害識別方法［J］. 農業工程學報， 2022， 38（11）： 171-179.

Sun Fenggang， Wang Yunlu， Lan Peng， et al. Identification of apple fruit diseases using improved YOLOv5s and transfer learning ［J］.Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（11）： 171-179.

［23］ Tian M， Liao Z H. Research on flower image classification method based on YOLOv5 ［J］. Journal of Physics： Conference Series， 2021， 2024（1）.

［24］ 許偉， 熊衛華， 姚杰， 等. 基于改進YOLOv3算法在垃圾檢測上的應用［J］. 光電子·激光， 2020， 31（9）： 928-938.

Xu Wei， Xiong Weihua， Yao Jie，et al. Application of garbage detection based on improved YOLOv3 algorithm ［J］. Journal of Optoelectronics·Laser， 2020， 31（9）： 928-938.

［25］ Xu X W， Wang J W， Zhong B F， et al. Deep learning-based tool wear prediction and its application for machining process using multi-scale feature fusion and channel attention mechanism ［J］. Measurement， 2021， 177： 109254.

［26］ Wang Q L， Wu B G， Zhu P F， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks ［C］. 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Seattle： IEEE， 2020： 11531-11539.

［27］ 張秀花， 靜茂凱， 袁永偉， 等. 基于改進YOLOv3-Tiny的番茄苗分級檢測［J］. 農業工程學報， 2022， 38（1）： 221-229.

Zhang Xiuhua， Jing Maokai， Yuan Yongwei， et al. Tomato seedling classification detection using improved YOLOv3-Tiny ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（1）： 221-229.

［28］ 李永上， 馬榮貴， 張美月. 改進YOLOv5s+DeepSORT的監控視頻車流量統計［J］. 計算機工程與應用， 2022， 58（5）： 271-279.

Li Yongshang， Ma Ronggui， Zhang Meiyue. Traffic monitoring video vehicle volume statistics method based on improved YOLOv5s+DeepSORT ［J］. Computer Engineering and Applications， 2022， 58（5）： 271-279.

［29］ 文斌， 曹仁軒， 楊啟良， 等. 改進YOLOv3算法檢測三七葉片病害［J］. 農業工程學報， 2022， 38（3）： 164-172.

Wen Bin， Cao Renxuan， Yang Qiliang， et al. Detecting leaf disease for Panax notoginseng using an improved YOLOv3 algorithm ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（3）： 164-172.