基于Swin Transformer和YOLOv8的玉米葉病害識別算法研究

摘" " 要：為了提高對玉米葉病蟲害的準確識別度，本文提出了一種結合Swin Transformer和YOLOv8網絡的改進算法。基于YOLOv8網絡，算法引入了Focus和Depthwise Convolution等模塊，減少了計算量和參數，增加了感受野和特征通道，并提高了特征融合和傳輸能力。此外，算法還采用了Wise Intersection over Union（WIoU）損失函數來優化網絡。結果表明，在自建的玉米葉病害數據集上，Swin Transformer-YOLO模型取得了優異的表現，準確率為91.5%，平均精度（mAP@0.5）為89.4%，顯著優于其他檢測器。與主流算法（如YOLOv8、YOLOv7、YOLOv5和YOLOx）相比，Swin Transformer-YOLO模型在各項指標上均表現出色，特別是在準確率和平均精度方面。具體而言，Swin Transformer-YOLO模型的召回率為77.6%，mAP@0.5∶0.95值為71%，F1得分為0.84分。綜上所述，本研究為復雜環境下玉米葉病害的準確識別提供了技術手段，并為小目標檢測提供了新的見解。

關鍵詞：玉米葉病害識別；小目標檢測；Swin Transformer；YOLOv8；模型優化

中圖分類號：S435.131; TP391.4" " " " 文獻標識碼：A" " " " " DOI 編碼：10.3969/j.issn.1006-6500.2024.10.009

Research on Maize Leaf Disease Recognition Algorithm Based on Swin Transformer and YOLOv8

ZHU Lei， ZHU Jinsong

（School of Economics and Management， Yangtze University， Jingzhou， Hubei 434023， China）

Abstract： In order to improve the accuracy of identifying corn leaf disease pests， this paper proposed an improved algorithm that combines Swin Transformer and YOLOv8 network.Based on the YOLOv8 network， modules such as Focus and Depthwise Convolution were introduced to reduce computation and parameters， increase the receptive field and feature channels， and improve feature fusion and transmission capabilities. Additionally， the Wise Intersection over Union （WIoU） loss function was adopted to optimize the network.The experimental results showed that the Swin Transformer-YOLO model achieved excellent performance on the self-built corn leaf disease dataset， with an accuracy of 91.5% and a mean average precision （mAP@0.5） of 89.4%， significantly outperforming other detectors. Compared to mainstream algorithms （such as YOLOv8， YOLOv7， YOLOv5， and YOLOx）， the Swin Transformer-YOLO model excelled in all metrics， particularly in accuracy and mean average precision. Specifically， the Swin Transformer-YOLO model had a recall rate of 77.6%， an mAP@0.5∶0.95 of 71%， and an F1 score of 0.84.In summary， this study provides a technical means for the accurate identification of corn leaf diseases in complex environments and offered new insights for small target detection.

Key words： maize leaf disease recognition; small target detection; Swin Transformer; YOLOv8; model optimization

玉米作為全球重要的糧食作物之一，其產量和質量直接影響著全球糧食安全。由于玉米種植環境的復雜性和病害種類的多樣性，準確識別玉米葉病害仍然是一個巨大的挑戰。目前，基于傳統圖像處理和機器學習的方法在提取玉米葉病害的細微特征和形態方面效果不佳[1]，導致識別準確率和魯棒性較低。

近年來，許多研究致力于利用深度學習技術來提高植物病害檢測的準確性。例如，基于卷積神經網絡（CNN）的方法在圖像分類和目標檢測任務中取得了顯著進展。然而，這些方法在處理小目標檢測時仍然存在局限性，尤其是在復雜背景下，這些方法容易受到噪聲和背景干擾的影響，導致檢測精度下降[2]。Swin Transformer作為一種新興的視覺變換器，通過自注意力機制捕捉全局和局部上下文信息，展示了在圖像識別任務中的潛力[3]。此外，YOLO系列網絡（如YOLOv5、YOLOv7、YOLOv8）以其高效的目標檢測能力廣泛應用于各種場景，但在小目標檢測方面仍有提升空間。

為了準確識別玉米葉病害，本研究提出了一種基于Swin Transformer和YOLOv8的玉米葉病害小目標檢測算法。該算法集成了Swin Transformer模塊和YOLOv8網絡，以提高小目標檢測能力。Swin Transformer模塊基于自注意力機制提取視覺特征，捕捉小目標的全局和局部上下文信息，以增強特征表示[4]。YOLOv8網絡是一種基于深度卷積神經網絡的目標檢測器，具有高速度和高精度的特點[5]。在YOLOv8網絡的基礎上，本研究引入了Focus和Depthwise Convolution等模塊，以減少計算量和參數，增加感受野和特征通道，并改善特征融合和傳輸[6]。此外，本研究采用Wise Intersection over Union損失優化網絡。

1 材料與方法

1.1 材料

1.1.1 數據集構建 玉米葉病害數據集構建包括數據集收集、數據預處理和數據集生成3個步驟，具體數據集制作過程如圖1所示。首先，試驗組人員使用HUAWEI nova10手機在湖北省宜昌市宜都市枝城鎮漫水橋村玉米地拍攝了3 752 張照片，涵蓋北葉枯萎病（960張）、常見銹病（1 167張）、健康（1 137張）和彎孢霉葉斑病（488張）4種類型。然后，使用makesense在線標注工具進行標注[7]，并導出為YOLO格式，為后續的數據分析和模型訓練提供可靠基礎。

為了提高圖像數據的質量和可用性，本研究采用數據清洗方法進行預處理。由于拍攝的圖像常包含重復和模糊的圖像，本研究通過消除模糊圖像和使用結構相似性（SSIM）方法去除重復圖像[8]，最終保留了400張清晰且獨特的圖像。在深度學習模型訓練的過程中，通常會對圖像進行縮放。為減小縮放對訓練結果的影響，并保留病害特征的清晰信息[9]，本研究對圖像進行了裁剪，將圖像按3∶3的縱橫比裁剪成9部分，裁剪后的圖像分辨率統一為901×506像素。

由于圖像采集存在數量有限、顏色不平衡和樣本分布不均等問題，本研究使用數據增強技術擴展數據集，以提高模型的泛化能力和魯棒性。另外，本研究應用隨機拉伸[10]、亮度調整和鏡像操作等變換技術，增加數據集的多樣性和規模。通過這些方法，最終生成了更大規模和多樣性的圖像數據集。

1.1.2 試驗環境配置 本研究使用的操作系統是Windows 11，深度學習模型開發框架為PyTorch。試驗設置的具體信息見表1。在訓練階段，本研究使用隨機梯度下降（SGD）算法進行優化[11]，初始學習率為0.01，動量因子為0.937，權重衰減因子為0.000 5。將輸入圖像歸一化為640 × 640的大小，批量大小設置為8，并在300個時期內進行訓練。

1.2 方法

1.2.1 模型結構和算法描述 為了解決玉米葉病害檢測和分類的難題，本研究采用YOLOv8和Swin Transformer相結合的模型。該模型增強了特征融合能力，并引入了Focus[12]、Depthwise Convolution[13]、Spatial Pooling Pyramid[14]、C2[15]模塊，復雜背景下的小目標檢測效果良好。網絡模型的整體結構見圖2。

（1）YOLOv8 模型。YOLOv8是一種先進的目標檢測算法，結合了YOLOv5的改進骨干網絡與C2f模塊，采用無錨模型和解耦頭獨立處理客觀性、分類和回歸任務，YOLOv8神經網絡結構圖如圖3所示。該模型使用sigmoid函數獲取客觀性分數，使用softmax函數獲取類別概率，使用CIoU和DFL損失函數計算邊界框損失，使用binary交叉熵計算分類損失，從而提高了檢測小目標的性能[16]。此外，YOLOv8提供了YOLOv8-Seg語義分割模型，在保持高速度和高效率的同時，實現了最先進的結果。

為解決微小物體不易檢測的難題，研究人員提出了多尺度特征提取和注意力機制等改進方法[17]。多尺度特征提取通過引入不同尺度的特征圖來處理不同大小物體的信息，注意力機制通過關注重要特征且抑制不必要特征來提高小物體的檢測性能。

（2）Swin Transformer 模型。為了進一步改進YOLOv8并增強小目標檢測性能，筆者引入Swin Transformer并增加特征融合，解決了上下文和語義信息不足的問題，Swin Transformer模型網絡結構圖如圖4所示。Swin Transformer通過自注意力機制在特征圖的不同區域建立全局依賴關系，有效捕獲上下文信息，并引入窗口注意機制降低計算復雜性[18]。筆者還添加了Focus with Deep Convolution DWconv 模塊，增強網絡捕獲上下文信息的能力，空間池化金字塔SPPCSPC和C2模塊提高了多尺度物體的檢測能力。結果表明，該網絡在復雜背景的小目標檢測任務中表現優異。

1.2.2 模塊描述 表2展示了改進的模型的詳細參數，包括層數、輸入源、重復次數、參數數量、模塊類型和參數。

（1）C3STR 模塊。Swin Transformer模塊通過自注意力機制建立特征圖的全局依賴關系，增強小物體的語義信息和特征表示。該模塊包含Window多頭自注意力模塊、滑動窗口多頭自注意力模塊和多層感知機構，使用殘差連接進行內部連接。

（2）Focus、DWconv、SPPCSPC和C2模塊。SPPCSPC模塊：結合空間金字塔池化和通道空間金字塔卷積，高效捕獲不同尺度的特征信息。

DWconv模塊。支持對每個通道進行單獨卷積，減少參數數量和計算量，增強模型表現力。

Focus模塊。通過輕量級卷積運算，提高模型對重要特征區域的關注。

C2模塊。提取高級語義特征，增強模型性能。

（3）Wiou 損失函數。為解決YOLOv8收斂性不足的問題，本研究提出結合Wise IOU的損失函數，優先考慮預測幀和實際幀的交集[19]，提高模型的收斂和泛化能力。

1.2.3 模型評估指標 在深度學習領域，網絡模型的有效性通過平均精度（mAP）和召回率（R）來評估。這些指標的計算涉及交并比（IoU）、精度（P）和平均精度（AP）。

（1） IoU。交并比（IoU）用于評估檢測結果與實際標簽的重疊程度，定義為交集面積與并集面積的比值。IoU 越高，檢測結果越準確。公式如下：

IoU =（1）

式中，交集面積是指檢測結果與實際標簽重疊的區域面積；并集面積是指檢測結果和實際標簽的總面積（即兩者的并集）。

（2）精度和召回率。精度（P）是指準確檢測到的物體占檢測到的物體總數的比例。召回率（R）是指正確檢測到的物體占陽性樣本總數的比例。公式如下：

P=（2）

R=（3）

式中，TP 為真陽性；FP 為假陽性；FN 為假陰性。

（3）AP 和 mAP。平均精度（AP）是各個召回點的平均精度，表示精確召回（P-R）曲線下的面積。平均平均精度（mAP）是所有類別的 AP 值的平均值。公式如下：

mAP=APi（4）

（4）FPS。每秒幀數（FPS）是計算機在處理圖像時每秒可以處理的幀數，用于衡量算法的效率和速度。更高的 FPS 值意味著算法能夠更快地處理圖像并提供響應。

1.2.4 試驗設計 為了驗證每個模塊的有效性，筆者設計了多組對比試驗和消融試驗。對比試驗包括使用不同組合的模塊進行訓練和測試，觀察其對模型性能的影響。消融試驗則通過逐步移除或替換某些模塊，評估其對整體性能的貢獻。試驗設置和數據處理流程如下：

（1）數據集劃分。將數據集按 8∶2 的比例劃分為訓練集和測試集。

（2）數據預處理。對圖像進行歸一化、裁剪和數據增強處理。

（3）模型訓練。使用上述配置進行模型訓練，記錄每個時期的損失值和評估指標。

（4）模型測試。在測試集上評估模型的性能，記錄mAP、精度、召回率和FPS等指標。

（5）對比試驗。使用不同組合的模塊（如僅使用 YOLOv8、僅使用 Swin Transformer、結合YOLOv8和Swin Transformer等）進行訓練和測試，比較各組合的性能差異。

（6）消融試驗。逐步移除或替換某些模塊（如移除Focus模塊、替換DWconv模塊等），評估其對整體性能的影響。

（7）結果分析。分析對比試驗和消融試驗結果，確定各模塊對模型性能的貢獻，并總結最佳組合方案。

2 結果與分析

2.1 不同模型的檢測精度比較

為了評估所提出模型的有效性，筆者使用了玉米葉病害數據集進行了廣泛的試驗。評估包括對增強模型與各種成熟檢測模型的全面分析和比較，特別強調精確度、召回率和mAP指標[20]。圖5展示了這些模型的mAP@0.5曲線。研究結果顯示，改進模型的mAP@0.5值比最先進的GOLD-YOLO模型高出3.02個百分點（表3）。該模型在所有目標檢測指標上均表現出顯著改進，優于以前的YOLO模型。具體而言，算法的準確率為91.5%，召回率為77.6%，F1得分為0.84分。IoU值為0.5時，mAP值為89.4%；IoU值為0.5∶0.95時，mAP值為71%。研究結果表明，該模型在檢測精度方面取得了實質性提高。因此，該模型可以準確檢測玉米葉病害物體，具有廣闊的應用前景。值得注意的是，YOLOv8s的參數為11.2 M，而該模型為199 M。盡管精度提高，但模型變得更加復雜，計算量顯著增加。

2.2 消融試驗結果

2.2.1 WIoU的改進 本研究將YOLOv8的原始損失函數優化為WIoU，并進行了對比試驗。結果如表4所示，模型的召回率提高了0.5個百分點，準確率提高了1.97個百分點。IoU值為0.5時，mAP值提高了2.3個百分點，F1分數提高了0.01個百分點。

2.2.2 主流注意力機制的有效性 筆者測試了其他主流注意力機制在小物體檢測方面的有效性，結果如表5所示。由于注意力機制在模型中表現不佳，筆者僅分析了在YOLOv8中添加注意力機制對玉米葉病害檢測的影響。總體而言，注意力機制對玉米葉病害目標檢測的影響不顯著。這種不顯著的原因可能有以下幾點：首先，玉米葉病害數據集中的目標可能較為復雜，并且背景干擾較多，導致注意力機制無法有效聚焦于關鍵特征。其次，引入注意力機制后，模型的復雜度和計算量顯著增加，可能導致模型在訓練和推理過程中出現過擬合或計算瓶頸。最后，YOLOv8本身已經具備較強的特征提取能力，引入的注意力機制未能顯著提升特征提取效果，反而增加了冗余信息。綜上所述，注意力機制對玉米葉病害的檢測效果并不顯著，需要進一步優化和調整。

2.2.3 各組件的有效性 為了評估模型中各組件的有效性，筆者對Focus、C2、DW（深度卷積）、Swin Transformer和SPPCSPC模塊進行了消融試驗，使用準確率、召回率、mAP@0.5、F1分數和 FPS等指標進行性能評估，結果如表6所示。加入Swin Transformer模塊后，FPS從42.74略微下降到38.02，但mAP從88.8%提高到89.2%。用SPPCSPC替換SPPF模塊后，準確率從92%略微下降到91.5%，但mAP提高0.2個百分點，FPS提高到60.98。

由圖6可以看出，模型在mAP和準確率方面顯著優于其他方法。盡管模型的復雜度和計算量有所增加，但檢測精度顯著提升。WIoU的改進進一步提高了模型的性能，而注意力機制對小物體的檢測效果并不顯著。消融試驗表明，Swin Transformer和SPPCSPC模塊對模型性能的提升具有重要作用。

3 討論與結論

3.1 討論

3.1.1 理論分析 （1）Swin Transformer 和 YOLOv8 結合的優勢。將Swin Transformer與YOLOv8結合的主要優勢在于二者在特征提取和目標檢測方面的互補性。YOLOv8作為一種高效的目標檢測算法，能夠快速處理圖像并檢測出目標物體，但在處理小目標和復雜背景時可能存在不足。Swin Transformer通過自注意力機制和窗口注意機制，能夠有效捕獲全局上下文信息和細節特征，彌補了YOLOv8在小目標檢測方面的不足。

（2）創新之處。本研究的創新之處在于將Swin Transformer與YOLOv8結合，提出了一種新的特征融合方法，增強了模型在復雜背景和小目標檢測任務中的性能，該模型在玉米葉病害檢測任務中表現出色，具有較高的檢測精度和魯棒性。具體創新點如下：

①通過自注意力機制和窗口注意機制，增強特征融合能力，捕獲更多上下文信息。

②多模塊結合。結合Focus、DWconv、SPPCSPC和C2模塊，提高模型對不同尺度目標的檢測能力。

③ 改進損失函數。提出結合Wise IOU的損失函數，提高模型的收斂和泛化能力。

3.1.2 結果分析 在玉米葉病害檢測方面，研究人員需要解決幾個問題。第一，由于玉米葉病害面積小，特征表示和提取困難。第二，密集的分布和遮擋使檢測更加困難。第三，復雜的照明條件影響能見度。第四，玉米葉子之間的形態相似性增加了區分難度。

許多關于玉米葉病害檢測的研究已將注意力機制納入其模型中。然而，本試驗發現，各種注意力機制并沒有顯著提高檢測性能。原因可能有以下幾點：首先，玉米葉病害數據集中的目標較為復雜，并且背景干擾較多，導致注意力機制無法有效聚焦于關鍵特征。其次，引入注意力機制后，模型的復雜度和計算量顯著增加，導致模型在訓練和推理過程中出現過擬合或計算瓶頸。最后，YOLOv8本身已經具備較強的特征提取能力，引入的注意力機制未能顯著提升特征提取效果，反而增加了冗余信息。

與YOLOv8相比，Swin Transformer與YOLOv8結合的模型具有更好的檢測準確性、召回率和mAP，但檢測速度稍慢，這可能會限制部署。為了緩解這種情況，筆者通過將Swin Transformer與高效的Depthwise Convolution相結合來優化模型設計，以減少計算量，同時保留空間信息。筆者還引入SPPCSPC模塊，以參數高效的方式增強多尺度特征融合，顯著提高了檢測速度。

近年來，有關小目標檢測方面的研究取得了新進展。Zheng等[21]通過添加微預測頭和注意力模塊來檢測作物芽。Hu等[22]探索了多模態融合在芽檢測中的應用效果。

在實際部署方面，硬件的選擇是關鍵。緊湊的嵌入式設備將實現無人機的機載檢測，以實現自動監控。邊緣服務器通過在傳感設備附近設置計算來提供低延遲推理。該算法還可以集成到更大的農業智能系統中，結合環境數據進行精確管理。

綜上所述，本研究在解決無約束自然環境中玉米葉病害微小目標檢測方面取得了重要進展。筆者提出的模型提供了最先進的精度，同時認識到效率限制。另外，筆者通過架構增強、補充數據源和實際部署優化，確定了多個改進方向。本研究提出的方法和分析為實現農業自動化視覺系統提供了寶貴的見解。

3.2 結論

本研究解決了農業監測中微小玉米葉病害不易檢測的難題。筆者提出的模型基于Transformer的注意力機制來增強特征表示，同時使用高效的卷積設計來保持合理的檢測速度，從而提供最先進的精度。這表明該模型比以前的YOLO變體以及其他檢測模型有了實質性的改進。

盡管該模型實現了高精度，但還可以進一步改進。在高度封閉的條件下，該模型檢測玉米葉病害存在一定困難，并且將一些葉子錯誤地歸類為玉米葉病害。額外的上下文和形狀信息可能有助于克服這個問題。集成多模態數據源（如紅外或深度圖像）也可以增強穩健性。在優化方面，神經架構搜索等技術可以幫助找到更適合這項任務的設計。特定于部署的優化（如量化感知訓練）可以減少計算需求。

未來的工作應側重于進一步壓縮模型設計，整合額外的形狀和上下文信息，并探索補充數據源。在系統方面，針對嵌入式部署的優化可以幫助實現實用的無人機和邊緣計算解決方案。本研究在微小物體檢測方面取得了顯著進展，所提出的方法、分析和方向為實現農業自動化視覺奠定了基礎。

參考文獻：

[1] 沈萍，李想，楊寧，等.基于三重注意力的輕量級YOLOv8印刷電路板缺陷檢測算法[J].微電子學與計算機， 2024， 41（4）：20-30.

[2] 趙繼達，甄國涌，儲成群.基于YOLOv8的無人機圖像目標檢測算法[J].計算機工程， 2024， 50（4）：113-120.

[3] 姚景麗，程光，萬飛，等.改進YOLOv8的輕量化軸承缺陷檢測算法[J].計算機工程與應用， 2024.

[4] 崔克彬，焦靜頤.基于MCB-FAH-YOLOv8的鋼材表面缺陷檢測算法[J].圖學學報， 2024， 45（1）：112-125.

[5] 倪富陶，李倩，聶云靖，等.基于改進YOLOv8的輕量化鋼筋端面檢測算法研究[J].太原理工大學學報， 2024（2）.

[6] 石洋宇，左景，謝承杰，等.多尺度融合與FMB改進的YOLOv8異常行為檢測方法[J].計算機工程與應用， 2024， 60（9）：101-110.

[7] 胡海寧，黃雷陽，楊洪剛，等.改進Yolov8n的輕量型蜂窩陶瓷缺陷檢測算法[J].激光與光電子學進展， 2024， 61（22）.

[8] Ge Z， Liu S， Wang F， Li Z， Sun J. Yolox： Exceeding yolo series in 2021. arXiv preprint arXiv：210708430. 2021.

[9] Liu Z， Lin Y， Cao Y， Hu H， Wei Y， Zhang Z， et al. Swin transformer： Hierarchical vision transformer using shifted windows. In： Proceedings of the IEEE/CVF international conference on computer vision; 2021. p. 10012-10022.

[10] Woo S， Park J， Lee JY， Kweon IS. Cbam： Convolutional block attention module. In： Proceedings of the European conference on computer vision （ECCV）; 2018. p. 3-19.

[11] Liu S， Qi L， Qin H， Shi J， Jia J. Path aggregation network for instance segmentation. In： Proceedings of the IEEE conference on computer vision and pattern recognition; 2018. p. 8759-8768.

[12] 王澤宇，徐慧英，朱信忠，等.基于YOLOv8改進的密集行人檢測算法：MER-YOLO[J].計算機工程與科學， 2024， 46（6）：1050-1062.

[13] 張姝瑾，許興時，鄧洪興，等.基于YOLO v8n-seg-FCA-BiFPN的奶牛身體分割方法[J].農業機械學報， 2024， 55（3）：282-289.

[14] 梁秀英，賈學鎮，何磊，等.基于YOLO v8n-seg和改進Strongsort的多目標小鼠跟蹤方法[J].農業機械學報， 2024， 55（2）：295-305.

[15] 周濤，王驥，麥仁貴.基于改進YOLOv8的實時菠蘿成熟度目標檢測方法[J].華中農業大學學報， 2024（4）.

[16] Roy AM， Bhaduri J. DenseSPH-YOLOv5： An automated damage detection model based on DenseNet and Swin-Transformer prediction head-enabled YOLOv5 with attention mechanism. Advanced Engineering Informatics. 2023; 56：102007.

[17] Roy AM， Bhaduri J， Kumar T， Raj K. WilDect-YOLO： An efficient and robust computer vision-based accurate object localization model for automated endangered wildlife detection. Ecological Informatics. 2023; 75：101919.

[18] Wu D， Jiang S， Zhao E， Liu Y， Zhu H， Wang W， et al. Detection of Camellia oleifera fruit in complex scenes by using YOLOv7 and data augmentation. Applied Sciences. 2022; 12（22）：11318.

[19] Zhao Q， Yang L， Lyu N. A driver stress detection model via data augmentation based on deep convolutional recurrent neural network. Expert Systems with Applications. 2024; 238：122056.

[20] Li F， Zhang H， Xu H， Liu S， Zhang L， Ni LM， et al. Mask dino： Towards a unified transformer-based framework for object detection and segmentation. In： Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition; 2023. p. 3041-3050.

[21] Zheng Z， Hu Y， Qiao Y， Hu X， Huang Y. Real-time detection of winter jujubes based on improved YOLOX-nano network. Remote Sensing. 2022; 14（19）：4833.

[22] Hu J， Shen L， Sun G. Squeeze-and-excitation networks. In： Proceedings of the IEEE conference on computer vision and pattern recognition; 2018. p. 7132-7141.