基于改進YOLOv8算法的實時細粒度植物病害檢測

摘要：為解決現有識別方法在植物病害檢測中遇到的密集分布、不規則形態、多尺度目標類別、紋理相似性等障礙，提出一種高性能的實時細粒度植物病害檢測框架。首先，在YOLOv8主干網絡和頸部設計兩個新的殘差塊，增強特征提取和降低計算成本；其次，引入DenseNet層，并使用Hard-Swish函數作為主要激活函數，以提高模型的準確性；最后，設計PANet網絡，用于保留細粒度的局部信息和改善特征融合。在不同的復雜環境下，對番茄植株的四種不同病害進行檢測。試驗結果表明，所提改進模型在檢測準確性和速度上均優于現有模型的檢測模型。當檢測速度為71.23 FPS時，所提改進模型精確度為92.58%，召回率為97.59%，F1分數為93.64%。為精準農業自動化提供有效的技術手段。

關鍵詞：植物病害檢測；改進YOLOv8；實時目標檢測；深度神經網絡；殘差網絡

中圖分類號：S432； TP391.41

文獻標識碼：A

文章編號：2095-5553 （2024） 05-0188-07

收稿日期：2023年12月11日" 修回日期：2024年2月11日*基金項目：運城學院博士科研啟動項目（YQ—2022003）

第一作者：薛霞，女，1985年生，西安人，博士，講師；研究方向為機器學習、人工智能在交叉領域的應用等。E-mail：" xuexia201607@163.com

Detection of" real-time fine-grained plant disease based on improved YOLOv8 algorithm

Xue Xia1， Liu Peng2， Zhou Wen3

（1. School of Maths and Information Technology， Yuncheng University， Yuncheng， 044000， China;

2. College of Information Science and Engineering， Shanxi Agricultural University， Jinzhong， 030800， China;

3. Stale Key Laboratory of Computer Architecture， Institute of Compuing Technology，" Chinese Academy of

Sciences， Beijing， 100190， China）

Abstract：

A high-performance real-time fine-grained plant disease detection framework is proposed to solve the problems of dense distribution， irregular shape， multi-scale target category and texture similarity encountered by existing identification methods in plant disease detection. Firstly， two new residual blocks are designed in YOLOv8 backbone network and neck to enhance feature extraction and reduce computing cost. Secondly， the DenseNet layer is introduced and the Hard-Swish function is used as the main activation function to improve the accuracy of the model. Finally， the PANet network is designed to retain fine-grained local information and improve feature fusion. Four different diseases of tomato plants were detected in different complex environments， and the experimental results showed that the proposed model was superior to the most advanced detection models in both accuracy and speed. At the detection rate of 71.23 FPS， the model obtained the precision of 92.58%， the recall rate of 97.59%， and the F1-score of 93.64%， which provided an effective technical means for precision agriculture automation.

Keywords：

plant disease detection; improved YOLOv8; real-time target detection; deep neural network; residual network

0 引言

隨著全球人口的增長和氣候變化，糧食安全問題日益突出［1］。植物病害作為影響糧食產量的主要因素之一，對農業生產造成了巨大的損失［2］。在我國，植物病害種類繁多，發生頻繁，給農業生產帶來了嚴重困擾［3］。隨著現代農業的發展，植物病害的檢測和防治成為農業生產中至關重要的環節。然而，傳統的植物病害檢測方法主要依靠人工巡檢，這種方法不僅效率低，而且難以實現大規模、實時的病害監測［4-6］。近年來，深度學習技術在農業領域得到廣泛應用，尤其是在圖像分類和目標檢測等計算機視覺任務上［7］。

基于區域提議網絡的兩階段模型如Faster R-CNN在檢測精度上優于一階段模型，但檢測速度較慢［8］。YOLO系列算法是計算機視覺領域中著名的實時目標檢測算法，其快速、準確的特點使其在眾多應用場景中脫穎而出［9］。楊文姬等［10］針對傳統的植物病害檢測方法存在的準確性和速度不足的問題，提出了一種基于改進的YOLOv5深度學習模型，能夠有效地識別蘋果和番茄葉片上的常見病害。趙越等［11］以馬鈴薯葉片為研究對象，基于TensorFlow平臺構建了Faster R-CNN網絡模型，利用本地增強技術對正常和患有早疫病、晚疫病的馬鈴薯葉片進行圖像增廣，同時采用COCO數據集的預訓練權重進行遷移學習，分析了數據類別對模型檢測效果的影響。試驗結果表明，該模型的最高檢測精度達到了99.5%，為馬鈴薯病害的快速診斷提供了技術支持。曾晏林等［12］提出了一種結合自注意力機制和Transformer模塊的目標檢測算法，能夠在自然環境中實現對蘋果葉片病蟲害的自動識別和檢測。該算法具有高速和高精度的特點，為蘋果種植過程中的智能化管理提供參考依據。

YOLOv8可以有效地提高模型的檢測準確度，但由于復雜的環境，植物病害檢測任務面臨著一些特定的挑戰，特別是密集的細粒度病害、受感染區域的不規則幾何形態、多尺度感染病灶的共存、受影響區域和周圍環境的紋理相似、光照條件的變化、重疊和遮擋等［13］。因此，YOLOv8可能會提供較低的檢測準確度，導致大量的漏檢和誤檢，這是由于對多尺度病害檢測問題的細粒度特征提取不足所致［14］。此外，YOLOv8還會帶來高計算成本和較長的訓練時間，不適合現場移動設備。

為解決植物病害檢測的實時性和精細度的問題，本文基于YOLOv8算法提出一種新的植物病害檢測模型。介紹所提算法的原理和結構，分析其在植物病害檢測中的優勢和不足。針對植物病害檢測的特點，對YOLOv8算法進行骨干網絡、頸部網絡、激活函數和特征融合網絡的改進。最后，本文在番茄植物4種常見病害的數據集上對改進后的模型進行試驗評估，并與YOLOv7和YOLOv8等前沿模型進行對比分析。

1 病害數據

1.1 數據集

本文使用公開可獲得的PlantVillage數據集［15］中的番茄葉片病害圖像。該數據集包含多種植物的不同病害的圖像。從PlantVillage數據集中，抽取4種番茄常見病害類的圖像，分別是早疫病、晚疫病、紫斑病和葉霉病，每類抽取了300張圖像，構建了包含1 200張圖像的初始數據集。

1.2 數據增強

為增強模型的魯棒性和避免過擬合，使用數據擴充的方法對初始數據集進行10倍的擴充，得到包含12 000張圖像的自定義數據集，如圖1所示。從擴充后的數據集中，隨機選擇8 400張圖像作為訓練集，1 800張作為驗證集，1 800張作為測試集。使用開源工具LabelImg進行圖像的標注工作，將目標類及其對應的邊界框坐標保存在PASCAL VOC格式的XML文件中。

2 基于改進的YOLOv8算法

為了解決上述與實時疾病檢測過程相關的問題，對YOLOv8算法［16］進行改進和優化，以實現復雜背景環境中細粒度圖像多屬性檢測的準確預測。通過在復雜背景中實時檢測不同的番茄植物病害，展示模型的有效性，改進的YOLOv8網絡架構如圖2所示。

2.1 主干特征提取網絡

最新的YOLOv8模型采用一個新的骨干網絡，稱為C2f，是在CSPDarknet53的基礎上改進的。C2f模塊使用更多的跳層連接和分割操作，以增強梯度流和特征融合，從而提高模型的表達能力和效率。C2f模塊首先執行1×1卷積，將輸入特征分割為兩部分，然后對其中一部分執行3×3卷積，最后將兩部分特征相加，形成殘差結構。

在Darknet-53網絡［17］中的殘差模型幫助網絡在同時減少可訓練參數數量的情況下，學習更具表達力的特征，輸入圖像的特征層通過卷積操作不斷地進行下采樣，以提取細粒度的豐富語義信息，使其更適合實時檢測。

為提高特征圖的語義信息和感受野，YOLOv8模型在特征金字塔的每一層都使用了空間金字塔池化（Spatial Pyramid Pooling，SPP）和特征金字塔注意力網絡（Feature Pyramid Attention Network，PANet）。SPP的數學表達式如式（1）所示。

3.3 試驗結果

為驗證本文模型的有效性，將Faster R-CNN、RetinaNet、SSD、Cascade R-CNN、Mask R-CNN、YOLOv4、YOLOv7和YOLOv8模型在PlantVillage數據集中的番茄葉片病害圖像進行訓練和測試，表2展示8個模型的性能指標。

由表2可知，RetinaNet、SSD、Mask R-CNN和Cascade R-CNN是中等水平的模型，它們在各個指標上都有不同的優劣，沒有明顯的優勢或劣勢。Faster R-CNN是最差的模型，它在所有指標上都表現最低，尤其是在時間和檢測速度上，分別為45.14 ms和23.02FPS，遠低于其他模型。YOLOv8是除了本文模型之外的最佳模型，其在精確度、F1分數、mAP上都超過了90%，并且在時間和檢測速度上也有較好的表現，分別為14.29 ms和70.19FPS。本文模型在所有指標上都表現最優，尤其是在召回率和檢測速度上，分別達到97.59%和71.23FPS，遠高于其他模型。說明通過對骨干網絡、頸部網絡和特征融合網絡的改進，提高了植物病害檢測的實時性、精細度和魯棒性。

表3展示本文模型番茄葉片病害檢測的效果，本文模型的精確度、召回率和F1分數分別達到90.43%、97.25%和93.67%。這說明本文模型在檢測植物病害的目標時，既準確又完整，能夠有效地區分目標和非目標，也能夠覆蓋大部分的目標。

進一步分析可知，本文模型在四個類別上的指標都是最高的，而且相對穩定，沒有明顯的差異。這說明本文模型對不同類別的植物病害都有很好的檢測能力，沒有偏好或忽略某一類別。

3.4 病害檢測可視化

從PlantVillage數據集中隨機抽取了4種番茄常見病害類的圖像，圖4為可視化不同模型對早疫病、晚疫病、紫斑病和葉霉病的檢測效果，白色箭頭表示對應模型預測的未檢測到或錯誤檢測?？梢钥闯霰疚哪Ｐ驮跈z測植物病害方面具有明顯的優勢，無論是在整體性能上還是在不同類別上，都能夠準確地識別不同形狀、大小和顏色的病害區域，同時減少了漏檢和誤檢的情況。相比之下，YOLOv7和YOLOv8模型在檢測植物病害方面表現較差，尤其是在面對復雜和挑戰性的場景時，如高縱橫比的斑點、相似紋理的區域、密集分布的病害等。

4 結論

1）" 本文模型利用殘差模塊、PANet等有效提取細粒度語義特征，提高小目標和多尺度目標的檢測性能。Hard-Swish激活函數增強模型的非線性特征表達能力，提高檢測精度。

2）" 本文提出的基于改進YOLOv8的模型明顯優于原始YOLOv8和YOLOv7模型，在植物病害數據集上取得更高的檢測精度和速度。在番茄葉片病害多類別檢測任務中，本文模型實現實時檢測，獲得92.58%的精確率和71.23 FPS的檢測速度，優于其他模型。

參 考 文 獻

［1］ Sankaran S， Mishra A， Ehsani R， et al. A review of advanced techniques for detecting plant diseases ［J］. Computers and Electronics in Agriculture， 2010， 72（1）： 1-13.

［2］ 張建華， 陳申寬， 張曉振， 等. 人工智能技術在植物葉片病蟲害識別中的研究進展［J］. 種子科技， 2023， 41（16）： 124-126.

［3］ Abade A， Ferreira P A，Vidal F D B. Plant diseases recognition on images using convolutional neural networks： A systematic review ［J］. Computers and Electronics in Agriculture， 2021， 185： 106125.

［4］ Zeng H， Bai Y， Wei Y， et al. Phytomelatonin as a central molecule in plant disease resistance ［J］. Journal of Experimental Botany， 2022， 73（17）： 5874-5885.

［5］ Kourelis J， Marchal C， Posbeyikian A， et al. NLR immune receptor-nanobody fusions confer plant disease resistance ［J］. Science， 2023， 379： 934-939.

［6］ Li H， Yoshida S， Mitani N， et al. Disease resistance and growth promotion activities of chitin/cellulose nanofiber from spent mushroom substrate to plant ［J］. Carbohydrate Polymers， 2022， 284： 119233.

［7］ 邵明月， 張建華， 馮全， 等. 深度學習在植物葉部病害檢測與識別的研究進展［J］. 智慧農業（中英文）， 2022， 4（1）： 29-46.

Shao Mingyue， Zhang Jianhua， Feng Quan， et al. Research progress of deep learning in detection and recognition of plant leaf diseases ［J］. Smart Agriculture， 2022， 4（1）： 29-46.

［8］ Du L， Sun Y， Chen S， et al. A novel object detection model based on Faster R-CNN for spodoptera frugiperda according to feeding trace of corn leaves ［J］. Agriculture， 2022， 12（2）： 248.

［9］ Wu K， Zhang J， Yin X， et al. An improved YOLO model for detecting trees suffering from pine wilt disease at different stages of infection ［J］. Remote Sensing Letters， 2023， 14（2）： 114-123.

［10］ 楊文姬， 胡文超， 趙應丁， 等. 基于改進Yolov5植物病害檢測算法研究［J］. 中國農機化學報， 2023， 44（1）： 108-115.

Yang Wenji， Hu Wenchao， Zhao Yingding， et al. Research on plant disease detection algorithm based on improved Yolov5 ［J］. Journal of Chinese Agricultural Mechanization， 2023， 44（1）： 108-115.

［11］ 趙越， 趙輝， 姜永成， 等. 基于深度學習的馬鈴薯葉片病害檢測方法［J］. 中國農機化學報， 2022， 43（10）： 183-189.

Zhao Yue， Zhao Hui， Jiang Yongcheng， et al. Detection method of potato leaf diseases based on deep learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 183-189.

［12］ 曾晏林， 賀壹婷， 藺瑤， 等. 基于BCE-YOLOv5的蘋果葉部病害檢測方法［J］. 江蘇農業科學， 2023， 51（15）： 155-163.

［13］ 李大湘， 滑翠云， 劉穎. 面向蘋果葉部病害識別的細粒度蒸餾模型［J］. 農業工程學報， 2023， 39（7）： 185-194.

Li Daxiang， Hua Cuiyun， Liu Ying. Identifying apple leaf disease using a fine-grained distillation model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（7）： 185-194.

［14］ 賈兆紅， 張袁源， 王海濤， 等. 基于Res2Net和雙線性注意力的番茄病害時期識別方法［J］. 農業機械學報， 2022， 53（7）： 259-266.

Jia Zhaohong， Zhang Yuanyuan， Wang Haitao， et al. Identification method of tomato disease period based on Res2Net and bilinear attention mechanism ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（7）： 259-266.

［15］ Mohanty S P， Hughes D P， Salathé M. Using deep learning for image-based plant disease detection ［J］. Frontiers in Plant Science， 2016， 7： 215232.

［16］ Zhu R， Hao F， Ma D. Research on polygon pest-infected leaf region detection based on YOLOv8 ［J］. Agriculture， 2023， 13（12）： 2253.

［17］ Inui A， Mifune Y， Nishimoto H， et al. Detection of elbow OCD in the ultrasound image by artificial intelligence using YOLOv8 ［J］. Applied Sciences， 2023， 13（13）： 7623.

［18］ Albahli S， Nawaz M. DCNet： DenseNet-77-based CornerNet model for the tomato plant leaf disease detection and classification ［J］. Frontiers in Plant Science， 2022， 13： 957961.

［19］

Li Y， Li S， Du H， et al. YOLO-ACN： Focusing on small target and occluded object detection ［J］. IEEE Access， 2020， 8： 227288-227303.

［20］ Roy A M， Bhaduri J. A deep learning enabled multi-class plant disease detection model based on computer vision ［J］. AI， 2021， 2（3）： 413-428.