基于EBP-YOLOv8 的葡萄葉病害檢測與識別方法研究

摘 要： 為提高實際環境中葡萄葉病害檢測的準確率，適合視頻實時監測、無人機等嵌入式AI應用場景，對YOLOv8 目標檢測模型從模型結構、輕量化等方面進行改進，構建了EBP-YOLOv8。首先在頸部網絡中引入BiFPN 結構，加強模型特征層之間的融合，改善對小目標的檢測能力；其次使用C2_P來替換頸部網絡中的C2f 結構，實現模型的輕量化，在降低模型計算量的同時而不影響其精度；然后在特征提取網絡中融入EMA注意力機制，提升網絡對感興趣區域的關注，提升模型對復雜背景、相似病斑的識別能力；最后將CIoU 損失函數替換為ECIoU 損失函數，進一步提升模型的檢測性能，使模型能夠更好地收斂。EBP-YOLOv8 對比YOLOv8n、Faster-RCNN、RetinaNet、YOLOv8n、YOLOv8s、YOLOv7、YOLOv7-Tiny、YOLOv4-Tiny，mAP分別提升了3.2%、13.87%、3.49%、3.2%、1.3%、5%、4.7%、8.8%，模型大小僅5.3MB。改進后的算法在輕量化及保證實時性的同時有效提高了檢測精度，可以為開發葡萄葉病害實時檢測邊緣系統提供有效參考。

關鍵詞： 葡萄葉病害；YOLOv8；BiFPN；EMA注意力機制；輕量化

中圖法分類號： TP391.4 文獻標識碼： A 文章編號： 1000-2324（2024）03-0322-13

葡萄葉病害嚴重影響葡萄的產量和品質，及時、準確地檢測和識別葡萄葉病害對于制定有效的防治措施非常重要。傳統的病害檢測方法通常基于人工觀察和識別，但這種方法耗時且易受主觀因素的影響，限制了檢測效率和準確性。

隨著計算機視覺和深度學習技術的快速發展，基于圖像處理和機器學習的自動化檢測方法［1-3］逐步應用。其中，YOLO系列［4-6］算法作為一種快速準確的實時目標檢測算法，已經在各個領域取得了顯著的成果。專家學者使用深度學習的方法在農作物病害識別方面開始探索。王衛星等［7］提出將GhostNet 引入YOLOv4 算法，引入CBAM注意力機制，對5 種荔枝葉部病蟲害的檢測準確率達89.76%，雖然模型的檢測精度有提高，但模型的內存占用量也增大了。王超學等［8］將EfficientNet 結構引入YOLOv3 算法對葡萄病害進行識別，檢測精度得到有效提升，模型大小達到117 MB，訓練時間長，參數量計算量大，不利于部署在計算量有限的硬件條件。劉君等［9］提出一種基于YOLOv3 的番茄病蟲害檢測算法，準確率達85.09%，檢測速度為70 幀/s，該模型雖然準確率較高，但存在檢測速度較慢、模型較大、誤判風險及數據依賴性強等不足。文斌等［10］提出一種改進的AD-YOLOv3 算法檢測三七葉片病害，將YOLOv3 中原始特征金字塔替換為AFP注意力特征金字塔，并引入了雙瓶頸層，對提取的特征進行后處理，檢測平均精度均值達80.55%，提升了三七葉片病害檢測的精度和魯棒性，尤其在復雜環境下表現更佳，但可能存在模型復雜度較高和計算資源需求較大的缺點以及對小目標檢測能力較弱。張楠楠等［11］提出將CBAM注意力機制引入YOLOv7 模型來檢測棉花葉片的3 種病害圖像，并與YOLOv5 進行了對比試驗，檢測精度達85.5%，模型的內存占用量大，其對于復雜環境下的棉花葉片檢測并不理想。BAO W X 等［12］提出將改進的YOLOv5 算法，通過RCAN重建高分辨率圖像和引入多尺度RFB 模塊與CBAM注意力機制，有效提升了茶葉樹干探測的準確性和效率，檢測平均精度均值達73.8%。然而，該方法增加了模型的復雜性和計算成本，對硬件資源要求較高。

上述算法應用于病蟲害檢測中，存在模型參數計算量較大，不能同時兼顧圖像的檢測精度與速度。最新版本的YOLOv8n 模型是速度最快且參數大小最小的版本，僅為6.2 M，非常適合應用于實時監測的場景。為了獲得兼具速度和精度且易于實現的病害檢測方法，準確且快速的檢測出葡萄葉病害信息，本研究提出一種基于改進的YOLOv8n 算法，首先在特征提取網絡中融入EMA［13］（Efficient Multi-Scale Attention）注意力機制，提升網絡對感興趣區域的關注，提升模型對復雜背景、相似病斑的識別能力；其次將頸部網絡中的FPN［14］（Feature Pyramid Networks）和PAN（Path Aggregation Network）結構改為結合了BiFPN［15-16］思想的特征融合結構，可以增強特征的傳遞和融合能力，使得低層級特征和高層級特征之間的信息交互更加充分，從而提高模型對小目標［17］的感知能力。然后通過將C2_P引入頸部網絡，可以簡化模型結構并降低計算復雜度，且能夠更快地提取特征并進行目標檢測。最后將邊界框回歸損失函數CIoU 替換為ECIoU，模型在訓練過程中可以更準確地學習目標之間的空間關系，進而提高邊界框的回歸精度，加速模型的收斂。

本研究通過采用改進的YOLOv8n 算法，有效地提高了對復雜背景下小目標病害的識別能力，提高了對葡萄葉病害的檢測精度和速度。本研究旨在為實時、高效的農作物病害監測和管理提供理論依據和技術支持。

1 材料和方法

1.1 試驗材料

本文以葡萄葉的黑腐病、黑麻疹、葉枯病為研究對象。本研究的葡萄葉病害數據在云南省彌勒市東風慕稀葡萄種植園由Intel RealSenseD435i 相機拍攝的1 853 張圖像和PlantVillge 數據集的5 055張圖像共同構成。試驗于2023年5月-2024 年1 月進行，利用Labelimg 標注工具對數據集進行標注，所有病害圖像均只標注病斑，圖1展示了葡萄葉病害原始數據集及標注，注格式為VOC格式。最后將數據集劃分為訓練集、驗證集和測試集，比例為8∶1∶1。圖2 為標簽的分布情況，表1為3種葡萄葉病害的圖像分布。