改進YOLOv5算法的多類蘋果葉片病害檢測

摘要：針對多類蘋果葉片病害準確率差異大、檢測精度不高的問題，提出一種改進YOLOv5準確判別蘋果葉片病害的檢測算法（YOLOv5-CSEP）。首先，引入C3Ghost模塊替換原YOLOv5主干網絡C3模塊，減少模型的參數量與計算量；其次，將混合注意力模塊C-SAM加入主干網絡中，提高主干網絡的特征提取能力，在頸部網絡中加入CA注意力模塊，抑制復雜背景干擾關注目標信息；最后，引入增強型路徑聚合網絡（E-PANet）充分融合多尺度特征，提升網絡對多類蘋果葉片病害檢測的準確性與魯棒性。試驗表明，改進后算法的各項性能指標均有提升，精確率達到93.2%，平均精度均值mAP@0.5達到87.9%，與原YOLOv5算法相比分別提高3.4%與1.7%，計算量減少11%。

關鍵詞：蘋果葉片；病害檢測；注意力機制；增強路徑聚合網絡；YOLOv5

中圖分類號：S661.1; TP391.4

文獻標識碼：A

文章編號：2095-5553（2024）12-0230-08收稿日期：2023年8月26日

修回日期：2023年10月10日

*基金項目：國家自然科學基金資助項目（61871258）

第一作者：李昱達，男，2000年生，山東威海人，碩士研究生；研究方向為目標檢測、圖像識別。E-mail：1261007026@qq.com

通訊作者：吳正平，男，1966年生，湖北宜昌人，博士，教授；研究方向為控制科學與工程。E-mail：wuzp@ctgu.edu.cn

Multi-species apple leaf disease detection with improved YOLOv5 algorithm

Li Yuda¹， Wu Zhengping¹， Sun Shuifa²， Lin Miao³， Wu Zhenliao¹， Shen Hongdu¹

（1. College of Electrical Engineering and New Energy， China Three Gorges University， Yichang， 443002， China; 2. College of Information Science and Technology， Hangzhou Normal University， Hangzhou， 311121， China; 3. School of Business Administration， Shandong University of Finance and Economics， Jinan， 250000， China）

Abstract： Aiming at the problems of large difference in accuracy and low detection accuracy of various types of apple leaf diseases， an improved YOLOv5 detection algorithm for accurate identification of apple leaf diseases （YOLOV5-CSEP） was proposed. Firstly， C3Ghost module was introduced to replace the C3 module of YOLOv5 backbone network to reduce the number of parameters and calculation amount of the model. Secondly， the hybrid attention module C-SAM was added to the backbone network to improve the feature extraction capability of the backbone network， and the CA attention module was added to the neck network to suppress the interference of complex background information. Finally， an enhanced path aggregation network （E-PANet） was introduced to fully integrate multi-scale features and improve the accuracy and robustness of the network to detect various types of apple leaf diseases. Experiments showed that all performance indexes of the improved algorithm were improved， the accuracy rate reached 93.2%， and the average accuracy （mAP@0.5） reached 87.9%. Compared with the original YOLOv5 algorithm， it was improved by 3.4% and 1.7% respectively， and the calculation amount was reduced by 11%.

Keywords： apple tree leaf; disease detection; attention mechanism; enhanced path aggregation network; YOLOv5

0 引言

中國是世界上最大的蘋果生產國，長期保持著最大消費國地位^［1］。近年來，我國市場對于蘋果的需求已超46 000 kt，蘋果的人工培育面積不斷擴大。然而，從優質高產方面來講低于世界平均水平，低品質果實積壓滯銷影響著我國蘋果產業的經濟收益，病害則是導致蘋果的生產力與優果率低下主要原因之一^［2］。早期病害檢測方法主要由專家目視檢測，不僅要求專家精確掌握各類病害特點，還需要對病害的治療方法了然于胸，實時性差，效率不高^［3］。為提高病害檢測效率，除加強專業人才的培養外，通過科技手段提高病害檢測效率是另一種有效途徑。

隨著圖像處理技術的不斷進步^［4］，計算機視覺在蘋果病害檢測領域的研究與日俱增。國內外相關學者借助傳統的圖像分割^［5］、標記、增強以及分類^［6］等技術在提取蘋果病害特診等領域開展了大量的研究^［7］，Chakraborty等^［8］使用Otsu閾值算法和直方圖均衡對圖像特征增強以及提取，并使用了基于多類支持向量機（SVM）的方法來識別蘋果葉病害類型，試驗具有一定成效；Zhang等^［9］使用基于圖像處理和模式識別的方法，利用區域生長算法（RGA）對蘋果葉片圖像中的病斑進行分割，試驗結果表明該方法的可行性與有效性；Khan等^［10］提出一種基遺傳算法的蘋果病害圖像分割方法，通過預處理、分割、特征提取和分類實現對不同類型蘋果病害準確識別與鑒定，準確率提升顯著。然而，傳統圖像識別技術需要手動設計模型和提取特征，對光照、角度和尺度變化敏感，且需大量的標注數據來進行模型訓練，不僅工作量大，而且魯棒性以及泛化能力差。

相比傳統的機器視覺技術，基于深度學習的目標檢測算法能夠在大規模數據集上進行訓練，自動提取樣本多維特征，泛化能力強，可移植性高，近年來得到迅速發展，在農業等領域中應用愈發成熟，常用的檢測算法有：SSD、R-CNN和YOLO等。Jiang等^［11］對SSD算法進行改進，結合Inception模塊和Rainbow級聯來對5種蘋果葉片病害進行實時檢測，改進后算法魯棒性提高但平均精度均值較低。趙嘉威等^［12］使用輕量化網絡MobileNetV3，結合注意力機制對YOLOv4算法進行改進，改進后算法檢測速度相比于原YOLOv4算法有所提升，但算法參數量較大，與主流的YOLOv5算法相比檢測速度仍較慢。曾晏林等^［13］改進YOLOv5算法，使用融合自注意力機制，提高對目標的特征提取能力。通過上述研究可以看出^［14］，主流的深度學習模型算法魯棒性較強，并對蘋果葉片病害進行檢測，但研究目標主要為提高平均精度均值，而對其中特征不明顯的病害類型精度提升小，改進后某類甚至幾類病害的檢測精度雖有所提升，但仍與平均精度均值差距大，難以保證各類病害均精確識別。

為解決上述問題，在YOLOv5算法的基礎上進行改進，提出YOLOv5-CSEP的改進算法：使用輕量化主干網絡C3Ghost和C-SAM（CS），將通道注意力機制CA引入特征金字塔網絡抑制無關信息，引入增強型路徑聚合網絡（E-PANet）代替原YOLOv5模型中的路徑聚合網絡，聚焦重要特征信息。其中，輕量化主干網絡由C3Ghost和混合注意力模塊C-SAM組成，使用C3Ghost減少模型計算量，提升檢測速度，混合注意力模塊C-SAM提高目標檢測精度，彌補C3Ghost帶來的精度損失。最后，在含有5類病害的數據集上進行驗證并與其他主流目標檢測算法進行對比，評估YOLOv5-CSEP算法性能。

1 蘋果葉片病害檢測算法

1.1 YOLOv5算法

YOLOv5算法是YOLO系列算法的第5個版本，經過多個版本更迭，對算法的特征融合、數據增強和損失函數進行不斷改進，使其檢測精度與速度得到了提升。該算法易于訓練，有著十分出色的檢測性能的同時還具有很高的穩定性與可靠性，使得工程部署成為可能^［15］。

YOLOv5算法結構由4個部分組成：輸入端（Input）、主干網絡（Backbone）、特征融合網絡（Neck）和預測網絡（Head）。首先，輸入端對待輸入的圖像進行處理后發送到主干網絡，通過Conv模塊、C3模塊和空間金字塔池化模塊（Spatial Pyramid Pooling-Fast，SPPF）后得到3種尺度特征的輸出，其中SPPF通過采用卷積核為5的最大值池化，對輸入串行進行處理，有效地克服了目標大小差異引起的問題，并增強網絡特征融合的能力，從而獲取更豐富的目標信息。然后通過特征金字塔網絡（FPN）和路徑聚合網絡（PANet）相結合的結構，將高層與低層的特征進行融合，使目標信息更加豐富，增強了對不同尺度物體檢測的能力。最后，將生成的3個不同尺度的特征圖輸入到預測網絡（Detect）進行目標分類和邊界框回歸任務，并通過非極大值抑制算法（NMS）來過濾冗余的預測結果，得到最終的目標檢測結果。

1.2 改進YOLOv5算法（YOLOv5-CSEP）

由于蘋果葉片的病害有多種類型，使得檢測目標大小不一，而拍攝視角的不同與圖像背景復雜多變會使原始YOLOv5算法難以聚焦重要特征，對于關鍵信息提取少，容易在檢測蘋果葉片的病害時造成漏檢錯檢，并且原YOLOv5算法在骨干網絡與頸部網絡使用了C3模塊，雖可以有效地從圖像中提取特征，但引入了大量不必要的參數導致計算量明顯增加。為解決以上問題，本研究在原YOLOv5模型算法基礎上進行如下改進：（1）將C3模塊替換為輕量型的C3Ghost模塊；（2）引入了混合注意力模塊C-SAM；（3）將原PANet網絡替換為E-PANet網絡，增強捕捉不同尺度的上下文信息的能力。YOLOV5-CSEP模型的整體結構如圖1所示。

1.3 C3Ghost模塊

為減少YOLOv5算法中冗余參數量的同時保證檢測的精度，引入Han等^［16］提出的C3Ghost模塊。C3Ghost模塊繼承自C3模塊，通過將普通卷積替換為Ghost卷積，在無較大精度損失的情況下，降低了網絡的參數量與計算量。普通卷積過程和Ghost卷積過程如圖2和圖3所示。

根據圖2可知，假設輸入特征圖的寬度、高度和通道數分別為 W、 H 和 C， 經過 k×k 與 d×d 的線性運算后，輸出的特征圖為 h×w×n， 則在C3模塊中單個卷積的運算量如式（1）所示。

Conv=n×h×w×C×k×k （1）

而普通卷積輸出特征中有大量冗余特征，這將消耗大量參數和計算量生成這些冗余信息。由圖3可知，若將Conv卷積替換為Ghost卷積，則通道數變為 n=m×s， 即Output的通道數是Identity的s倍，運算量計算如式（2）所示。

則式（1）與式（2）的運算量之比

由式（3）可知，Conv的計算量是Ghost卷積的s倍，從理論上證明Chost卷積的計算成本更低，故而將Ghost卷積融入C3模塊形成C3Ghost模塊可以減少Conv帶來的參數量，壓縮模型規模。C3Ghost模塊結構如圖4所示。

具體實現過程：首先，將輸入圖像使用標準卷積改變通道數后，多次堆疊GhostBottleneck塊，生成一部分特征圖；其次，對輸入圖像再使用3×3的卷積操作，得到另一部分特征圖；最后，將兩部分特征圖進行拼接，輸出得到最終的特征圖^［17］。C3Ghost在減少計算量與參數量的同時，仍可以保持較高特征表示能力，無較大的精度損失，提高了模型的性能和效率，有利于網絡輕量化與部署。

1.4 C-SAM混合注意力模塊

C-SAM混合注意力模塊融合了CA注意力模塊和SimAM無參注意模塊兩個部分。將兩部分優點與不足互補，以較少的參數量的增加，提升檢測的精度，達到其他模塊的改進效果。

注意力機制是受到人類大腦信號和視覺的啟發而發展起來的一種模塊，Hou等^［18］提出的移動網絡注意力機制（Coordinate Attention，CA），這是一種基于坐標信息的注意力模塊，能夠捕捉輸入特征圖中不同位置之間的空間結構信息，增強不同通道之間的信息交互與傳遞，從而使網絡更加注重重要特征通道，以達到提高模型的性能和檢測效果。為了在眾多輸入特征中聚焦重要特征，獲取對蘋果葉片病害檢測起到關鍵作用的信息，使網絡模型檢測的更加準確高效，本研究引入CA注意力機制提高病害葉片檢測效率。CA注意力機制具體實現過程如圖5所示。

首先，使用尺寸為（1，W）和（H，1）的池化核來對輸入的特征信息進行編碼，以得到高度 h 的第 c 個通道z^h_c，計算如式（4）所示。

式中： x_c ——輸入特征 x 在通道 c 上的值。

同理，可以得到寬度為 w 的第 c 個通道 z^w_c。

依次將式（4）和式（5）輸出的具有全局感受野的特征圖進行拼接后傳入1×1卷積模塊，批量歸一化后，將特征圖 F₁ 經過非線性激活函數Sigmoid，得到特征圖f，如式（6）所示。

f=δ（F₁（［z^h，z^w］）） （6）

式中：f——空間信息在垂直方向和水平方向的中間特征圖， f∈?^{C/r×（H+W）}；

δ ——非線性激活函數；

r ——下采樣率。

根據特征圖 f∈?^{C/r×（H+W）}， 將f沿空間維度分割成兩個部分： f^h∈?^C/r×H×1 和 f^w∈?^C/r×1×W， 對分割后的 f^h 和 f^w 分別使用1×1的卷積變換，獲得的特征圖 F_h 和 F_w 與輸入具有相同的通道數。然后經過Sigmoid激活函數進行計算，得到高度方向與寬度方向的注意力權重 g^h 和 g^w 如式（7）和式（8）所示。

g^h=σ（F_h（f^h）） （7）

g^w=σ（F_w（f^w）） （8）

最后，使用原始輸入 x_c（i，j） 的特征圖乘以注意力權重，得到最終輸出的特征信息如式（9）所示。

y_c（i，j）=x_c（i，j）×g^h_c（i）×g^w_c（j） （9）

通過學習這些坐標信息使模型能夠很好地理解特征圖的空間布局，聚焦重要特征，抑制無關信息，從而提升模型對空間結構的感知能力。然而，CA模塊對全局信息的捕捉能力較弱。

Yang等^［19］提出無參注意力模塊（Similarity-based Attention Module，SimAM），相比其他注意力模塊，SimAM在不引入額外學習參數前提下，可以更好對特征權重進行評估，減少冗余信息，提高全局感知的能力。通過度量神經元之間的線性可分性，可定義能量函數如式（10）所示。

式中： t ——目標神經元， t^=w_tt+b_t 是t的線性變換；

x_i ——相鄰神經元， x^_i=w_tx_i+b_t 是 x_i 的線性變換；

w_t ——神經元變換時的權重；

b_t ——神經元變換時的偏差；

y ——一般神經元的輸出；

y₀ ——其他神經元 x_i 的標簽；

y_t ——目標神經元 t 的標簽；

M ——通道的神經元數量。

但SimAM不足之處在于計算復雜度較高可能會導致注意力過于集中，造成特征偏執問題。

針對上述所提問題，考慮到CA與SimAM的優點與不足可以互補，首先，將CA與SimAM結合，提出新的混合注意力模塊（Mixed Attention Module，C-SAM）。C-SAM的網絡結構如圖6所示。C-SAM的設計避免了級聯連接的組合方式，將CA與SimAM以并行的方式進行拼接，彌補了CA模塊捕捉全局信息較弱缺點的同時也解決了SimAM注意力過于集中的問題，使得注意力權重更加平衡，增強了模型對輸入特征的感知能力。然后，使用分支融合模塊（Branch Convergence Module，BCM），在無額外參數引入的同時，綜合了兩種注意力機制輸出的特征信息，使其互補的應用于輸入特征圖，并使用Sigmoid函數進行歸一化處理，注意力權重矩陣中數值較高的位置和通道會得到更高的權重，模型會在前向傳播時更加關注重要特征。最后，將得到的特征圖經過卷積層Conv處理，減少參數量的同時對特征進行精煉并輸出。C-SAM綜合了CA與SimAM的優點，增強了算法對于不同病害的辨識度，弱化了無關背景信息，提高模型的精確性與魯棒性，是穩定高效的注意力模塊。

1.5 增強型路徑聚合網絡（E-PANet）

YOLOv5的頸部網絡采用了自頂向下的特征金字塔結構和自底向上的路徑聚合網絡結構，對原始特征圖進行多次下采樣、上采樣和特征圖的融合操作以得到不同尺度的特征圖。但多次使用上下采樣會造成一定的特征損失，特征圖融合過程也會導致噪聲特征信息的多次混疊，最終特征圖存在較多噪聲信息。為解決上述問題，在FPN網絡中引入通道注意力機制CA，將參數量較少的CA插入融合操作之后，聚焦重要特征信息的同時抑制不重要的信息從而抑制特征融合過程中的噪聲干擾。

為解決多類蘋果葉片病害準確率差異大的問題，將C3Ghost模塊和C-SAM模塊應用到PANet結構中，構成增強型路徑聚合網絡（E-PANet）。C3Ghost引入GhostBottleneck，增強了模型的表征能力，減少了計算量和參數數量，并且使用低秩卷積核保留關鍵信息，模型性能得以保持的同時獲得更高的計算效率。而C-SAM引入通道和空間注意力機制，能夠自適應地調整特征圖中不同位置和通道的重要性。將C-SAM加入C3Ghost模塊之后不僅可以抑制不相關的背景和噪聲，增強模型的魯棒性，還可以進一步提升特征的重要性和區分度，提高模型對目標的感知能力，使模型在目標檢測任務中取得更好的表現，在提高小目標密集病害檢測精度的同時，更能夠有針對性的關注目標病害的重要特征，提高算法對于各類病害的辨識度，以解決病害特征不明顯而造成的漏檢問題，因此，將其串級連接后輸出到預測網絡。增強型路徑聚合網絡如圖7所示。

2 數據集準備與模型訓練

2.1 數據集制作

試驗所用數據集來自公開網絡下載和現場拍攝收集的蘋果葉片病害圖像，在制作數據集前，先對原始數據集進行數據清理，去掉無效的蘋果葉片病害圖片，留下的有效圖片包含的病害類型：葉斑病、褐斑病、灰斑病、銹病和白粉病，并通過裁剪、旋轉和模糊處理等操作進行數據增廣，最終共獲得有4 670張圖像，使用LabelImg工具對圖片進行標注，標注標簽：葉斑病（ALSpot），褐斑病（BrownSpot），灰斑病（graySpot），白粉病（powderyMildew），銹病（Rust）。最后按9∶1的比例將數據集劃分為訓練集和測試集，其中訓練集包含4 203張圖片，測試集包含467張圖片。數據集中包含的各類病害的圖片數量如表1所示。

2.2 試驗環境及參數

所有試驗操作平臺均由單計算機完成，操作系統為64位Windows10，計算機的硬件配置為Intel Corei5-12400F@2.50 GHz，GPU為GeForce RTX3060，16 GB運行內存，軟件環境為Python3.9編程語言，Pytorch深度學習框架，CUDA12.1GPU加速庫。為使訓練圖像便于輸入模型，輸入的圖像尺寸全部處理為640像素×640像素，試驗設置的初始學習率設置為0.01，動量設置為0.937，批量大小為16，訓練總輪次設置為300輪。

2.3 模型評價指標

采用全類平均精度均值（mAP@0.5），精確率P，召回率R、10億次浮點運算（GFLOPs）和參數規模（Parameters）來對模型的檢測效果進行評估。分別以精確率、召回率為橫坐標、縱坐標繪制出Recall-Precisiom曲線，對曲線求積分則為AP值。由于本研究為多個病害類別檢測，因此對每個類別的AP求和取平均即為mAP值，用于衡量模型對所有病害類別的檢測效果，mAP@0.5指IOU為0.5時的平均精度均值。在目標檢測任務中，參數規模用于衡量模型空間復雜度的評價指標即模型大小，這是一個重要的考量因素，因為較小的模型通常在嵌入式設備或者移動端上更易部署且運行更高效。計算如式（11）～式（14）所示。

式中：TP——檢測正確的目標數量；

FP——檢測錯誤的目標數量；

FN——漏檢的目標數量；

N——檢測類別數；

i——當前類別的編號。

本次試驗類別有葉斑病、褐斑病、灰斑病、銹病和白粉病五類，因此N=5。

3 試驗與結果分析

3.1 模型參數調試

使用YOLOv5-CSEP算法在數據集上進行訓練，并進行測試，模型訓練過程中的總損失、精確率與召回率和平均精度均值的變化過程如圖8所示。

由圖8（a）可知，隨著訓練輪數的增加，分類損失、目標損失和定位損失三者之和的總損失在前30輪下降較快，30輪之后下降速度逐漸減緩。當訓練輪數達到300輪時，總損失曲線的波動較小，表明模型精度達到穩定值，因此，將總輪數設置在300輪結束模型訓練。由圖8（b）、圖8（c）可知，訓練輪數增加的同時，精確率與召回率也隨之不斷上升，在250～300輪時，基本趨于穩定，最終準確率和召回率達到93.2%和84.3%，各類型蘋果葉片病害檢測的平均精度均值（mAP@0.5）達到了87.9%，訓練效果提升明顯。試驗中模型各類曲線的走勢反映出參數設置的合理與訓練過程的有效。

3.2 YOLOv5-CSEP模型消融試驗

提出的3種改進方法分別為使用C3host輕量化主干網絡、混合注意力模塊C-SAM以及增強型路徑聚合網絡E-PANet。為清晰分析所提出改進方法的效果，設計以下消融試驗方法。

1）在原YOLOv5算法基礎上，依次加入上述3種所提改進方法，并評估每種改進方法對原算法的優化效果。

2）在改進后YOLOv5-CSEP算法的基礎上，依次移除所提改進方法，并評估每種改進方法對最終算法的優化效果。

由表2可知，將原YOLOv5算法主干網絡中的C3模塊替換為輕量化模塊C3Ghost后，參數量規模減少了17.5%，計算量大幅下降，雖實現了結構的輕量化，但是平均精度均值有所降低；而在原YOLOv5算法主干網絡中單獨加入C-SAM和E-PNet，平均精度均值分別提高1.1個百分點和1.2個百分點，但計算量也增加，模型體積增大。為了彌補精度的損失的同時減少計算量與參數的增加，將C3Ghost、C-SAM以及E-PANet三種改進方法進行結合，結合后算法的檢測精度顯著提高，計算量與參數量減少，試驗結果充分證明改進后網絡的提升效果，驗證了YOLOv5-CSEP算法的可行性。

通過上述試驗可知，提出的改進算法YOLOv5-CSEP與原YOLOv5算法相比，準確度提高了3.4%，平均精度均值提高了1.7%，計算量減少11%，能夠滿足在提高檢測精度的同時保證檢測的效率。

3.3 不同主流檢測算法對比試驗

為了能夠更清晰全面評估YOLOv5-CSEP算法的性能，將不同主流的檢測算法與本文所提算法進行試驗對比，性能檢測對比由表3所示。

由表3可知，YOLOv5算法對于特征不明顯病害褐斑病和白粉病的檢測效果較差，褐斑病和白粉病的準確率僅有84.4%和85.8%，遠低于平均水平。YOLOv5-CSEP算法對五類病害的檢測準確率均有明顯提升，與原YOLOv5網絡相比，在提高小目標檢測準確率的同時，褐斑病的檢測與白粉病的檢測準確率達到90.3%和91.2%，分別提高5.9%和5.4%，明顯改善了病害檢測精度差異大的問題，證明改進方法的有效性。

改進后算法的mAP@0.5為87.9%，與其他主流檢測算法的mAP@0.5相比提升顯著，檢測準確率明顯提高，算法優勢明顯。并且YOLOv5-CSEP的參數量最小，僅為6.89 M，所占用的體積最小，計算量最低，運行時能降低對硬件設備的要求，有利于算法的部署，滿足實時監測的需求。

3.4 檢測結果對比

由于不同蘋果葉片出現的病害區域不同，且葉片生長通常較為密集，這使人工檢測葉片病害變得困難，容易出現漏檢錯檢的情況。然而，隨著算法的不斷完善與硬件的不斷發展，計算機檢測的準確率與檢測的速度已經遠高于常人，因此，使用計算機可以顯著提高檢測的精度。分別使用YOLOv5-CSEP算法和原YOLOv5算法，對隨機選取的多張易漏檢、錯檢病害區域的圖片進行檢測，以更全面地評估計算機檢測方法的性能檢測結果如圖9所示。

YOLOv5受環境的影響較大，設置的對照組Ⅰ為當病害與葉片顏色相近時的對比結果，設置的對照組Ⅱ為病害葉片所處背景較為復雜的對比結果，由圖9可知，YOLOv5算法在對照組Ⅰ中出現漏檢現象，對照組Ⅱ中出現錯檢的現象，在圖中用紅色箭頭標出，改進的YOLOv5-CSEP算法未出現錯檢漏檢現象；對照組Ⅲ所檢測的葉片病害較小且被強光照射，此時原YOLOv5算法出現錯檢現象，與YOLOv5-CSEP算法相比置信度較低，可以看出，改進后的算法魯棒性較強，檢測小目標效果好；當檢測病害類型為特征不明顯的病害白粉病時，在對照組Ⅳ中，YOLOv5出現漏檢現象，對于特征不明顯的病害檢測效果不好，改進的YOLOv5-CSEP算法未出現漏檢現象。綜上所述，YOLOv5-CSEP算法在蘋果葉片病害檢測精度高、魯棒性強，出現錯檢漏檢的現象少，可以滿足實時檢測的需求。

4 結論

使用YOLOv5作為基礎檢測算法，提出YOLOv5-CSEP目標檢測算法，對改進后的算法在包含5類蘋果葉片病害的數據集中訓練并進行驗證，最后比較改進后的算法與原始算法的檢測效果。

1）使用增強型路徑聚合網絡E-PANet代替原始YOLOv5s算法，在保證小目標病害檢測精度與算法魯棒性提高的同時，提高較大目標病害檢測的精度，證明E-PANet的有效性。

2）相比原始YOLOv5算法，使用C3Ghost實現模型的輕量化，以平衡C-SAM混合注意力模塊帶來的參數量的增加。并對葉斑病、褐斑病、灰斑病、銹病和白粉病5類病害進行檢測，特征不明顯病害褐斑病和白粉病的準確率分別提高5.9%和5.4%，其他小目標病害準確率也得到提升，平均準確率提高3.4%，平均精度均值提升1.7%，參數量減少2%，計算量減少11%，模型性能明顯提升，實現多類目標病害檢測。

后續工作嘗試在保證兼具檢測精度與檢測速度的同時將算法部署到嵌入式設備，增強實用性，實現自動化病害檢測。

參 考 文 獻

［1］ 任佳佳， 張朦朦， 李巍. 我國蘋果區域分布特征及其供需優化分析［J］. 中國果樹， 2023（5）： 123-126.

Ren Jiajia， Zhang Mengmeng， Li Wei. Analysis on the regional distribution characteristics and supply and demand optimization of apple in China ［J］. China Fruits， 2023（5）： 123-126.

［2］ Khan A I， Quadri S M K， Banday S， et al. Deep diagnosis： A real-time apple leaf disease detection system based on deep learning ［J］. Computers and Electronics in Agriculture， 2022， 198： 107093.

［3］ 陳聰， 于嘯， 宮琪. 基于改進殘差網絡的蘋果葉片病害識別研究［J］. 河南農業科學， 2023， 52（4）： 152-161.

Chen Cong， Yu Xiao， Gong Qi. Apple leaf diseases identification based on improved residual network ［J］. Journal of Henan Agricultural Sciences， 2023， 52（4）： 152-161.

［4］ 夏小雨， 韓成浩. 基于無人機的低空圖像處理技術在農業領域的應用［J］. 農業與技術， 2023， 43（1）： 38-41.

［5］ 陳超， 齊峰. 卷積神經網絡的發展及其在計算機視覺領域中的應用綜述［J］. 計算機科學， 2019， 46（3）： 63-73.

Chen Chao， Qi Feng. Review on development of convolutional neural network and its application in computer vision ［J］. Computer Science， 2019， 46（3）： 63-73.

［6］ 劉穎， 雷研博， 范九倫， 等. 基于小樣本學習的圖像分類技術綜述［J］. 自動化學報， 2021， 47（2）： 297-315.

Liu Ying， Lei Yanbo， Fan Jiulun， et al. Survey on image classification technology based on small sample learning ［J］. Acta Automatica Sinica， 2021， 47（2）： 297-315.

［7］ Dubey S R， Jalal A S. Detection and classification of apple fruit diseases using complete local binary patterns ［C］. 2012 Third International Conference on Computer and Communication Technology. IEEE， 2012： 346-351.

［8］ Chakraborty S， Paul S， Rahat-uz-Zaman M. Prediction of apple leaf diseases using multiclass support vector machine ［C］. 2021 2nd International Conference on Robotics， Electrical and Signal Processing Techniques （ICREST）. IEEE， 2021： 147-151.

［9］ Zhang Chuanlei， Zhang Shanwen， Yang Jucheng， et al. Apple leaf disease identification using genetic algorithm and correlation based feature selection method ［J］. International Journal of Agricultural and Biological Engineering， 2017， 10（2）： 74-83.

［10］ Khan M A， Lali M I U， Sharif M， et al. An optimized method for segmentation and classification of apple diseases based on strong correlation and genetic algorithm based feature selection ［J］. IEEE Access， 2019， 7： 46261-46277.

［11］ Jiang P， Chen Y， Liu B， et al. Real-time detection of apple leaf diseases using deep learning approach based on improved convolutional neural networks ［J］. IEEE Access， 2019， 7： 59069-59080.

［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］ 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.

Zeng Yanlin， He Yiting， Lin Yao， et al. An apple leaf disease detection method based on BCE-YOLOv5 ［J］. Jiangsu Agricultural Sciences， 2023， 51（15）： 155-163.

［14］ 王云露， 吳杰芳， 蘭鵬， 等. 基于改進Faster R-CNN的蘋果葉部病害識別方法［J］. 林業工程學報， 2022， 7（1）： 153-159.

Wang Yunlu， Wu Jiefang， Lan Peng， et al. Apple disease identification using improved Faster R-CNN ［J］.Journal of Forestry Engineering， 2022， 7（1）： 153-159.

［15］ 金鑫， 莊建軍， 徐子恒. 輕量化YOLOv5s網絡車底危險物識別算法［J］. 浙江大學學報（工學版）， 2023， 57（8）： 1516-1526.

Jin Xin， Zhuang Jianjun， Xu Ziheng. Lightweight YOLOv5s network-based algorithm for identifying hazardous objects under vehicles ［J］. Journal of Zhejiang University （Engineering Science）， 2023， 57（8）： 1516-1526.

［16］ Han K， Wang Y， Tian Q， et al. GhostNet： More features from cheap operations ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2020： 1580-1589.

［17］ Liu G， Hu Y， Chen Z， et al. Lightweight object detection algorithm for robots with improved YOLOv5 ［J］. Engineering Applications of Artificial Intelligence， 2023， 123： 106217.

［18］ Hou Q， Zhou D， Feng J. Coordinate attention for efficient mobile network design ［C］. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2021： 13713-13722.

［19］ Yang L， Zhang R Y， Li L， et al. SimAM： A simple， parameter-free attention module for convolutional neural networks ［C］. International Conference on Machine Learning. PMLR， 2021： 11863-11874.