基于YOLO-PS的馬鈴薯幼苗檢測方法研究

摘要：針對(duì)馬鈴薯幼苗檢測中的關(guān)鍵挑戰(zhàn)，提出一種基于YOLO-PS的目標(biāo)檢測模型。該模型在檢測骨干中引入MobileNetV4-backbone以增強(qiáng)對(duì)不同狀態(tài)幼苗的特征提取能力，并在檢測頭中引入DLKA注意力機(jī)制，從而增強(qiáng)模型對(duì)馬鈴薯幼苗局部特征的提取和關(guān)注。為優(yōu)化邊界框的精確定位，采用Focal Loss損失函數(shù)。利用Pyqt5設(shè)計(jì)馬鈴薯幼苗識(shí)別系統(tǒng)的交互界面，使其操作簡便且可靠。通過試驗(yàn)驗(yàn)證，YOLO-PS模型在馬鈴薯幼苗檢測任務(wù)中表現(xiàn)優(yōu)異，在測試集上的精確率達(dá)到94.75%，召回率為95.58%，平均精確度均值高達(dá)96.67%。該模型在馬鈴薯幼苗檢測中的有效性和優(yōu)越性，也為類似作物的幼苗檢測提供新方法。

關(guān)鍵詞：深度學(xué)習(xí)；馬鈴薯幼苗；YOLO；圖像處理

中圖分類號(hào)：S24

文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：2095-5553（2024）12-0245-06收稿日期：2024年6月14日

修回日期：2024年8月18日

*基金項(xiàng)目：山西省高等學(xué)校科技創(chuàng)新項(xiàng)目（2019L0189）；教育部產(chǎn)學(xué)合作協(xié)同育人項(xiàng)目（202002035019）；教育部第二期供需對(duì)接就業(yè)育人項(xiàng)目定向人才培養(yǎng)培訓(xùn)項(xiàng)目（20230102038）

第一作者：鄭紅娜，女，1984年生，山西大同人，碩士，講師；研究方向?yàn)槲锫?lián)網(wǎng)應(yīng)用技術(shù)、智能控制技術(shù)等。E-mail：denghd6289@163.com

Research on detection method of potato seedling based on YOLO-PS

Zheng Hongna^{1， 2}， Zhou Lixiang²， Wang Qiang³

（1. Shanxi Railway Vocational and Technical College， Taiyuan， 030013， China; 2. College of Electronic Information and Optimal Engineering， Taiyuan University of Technology， Taiyuan， 030024， China; 3. School of Surveying， Mapping and Land Information Engineering， Henan University of Technology， Jiaozuo， 450003， China）

Abstract： Aiming at the key challenges in potato seedling detection， this paper proposes a target detection model based on YOLO-PS （You Only Look Once with Pyramid Seedling）. In this model， MobileNetV4-backbone was introduced into the detection backbone to enhance the feature extraction capability of seedlings in different states. At the same time， the DLKA attention mechanism was introduced into the detection head to enhance the model’s ability to extract and focus on the local features of potato seedlings in one step. In order to optimize the precise positioning of the bounding box， the Focal Loss function was used as the loss function of the model， and finally Pyqt5 was used to design a convenient and reliable interactive interface for the potato seedling identification system. YOLO-PS model was experimentally verified to exhibit excellent performance in the potato seedling detection task. On the test set， the precision of the model reached 94.75%， the recall was 95.58%， and the mean average precision was as high as 96.67%. It effectively proved the effectiveness and superiority of the model in potato seedling detection. This study not only provides a reliable technical means for automated monitoring of potato seedlings， but also provides new ideas and methods for seedling detection of similar crops.

Keywords： deep learning; potato seedlings; YOLO; image processing

0 引言

在馬鈴薯種植過程中，覆膜技術(shù)作為一種有效的農(nóng)業(yè)技術(shù)，可提高土壤溫度、保持土壤水分，從而為馬鈴薯提供適宜的生長環(huán)境。然而，當(dāng)馬鈴薯萌芽后，需要人工進(jìn)行扣膜操作，以便讓幼苗順利露出地面進(jìn)行光合作用。這一過程不僅耗時(shí)耗力，而且效率低，易對(duì)幼苗造成損傷，影響馬鈴薯的正常生長和產(chǎn)量^［1-3］。為提高生產(chǎn)效率，馬鈴薯幼苗檢測技術(shù)應(yīng)運(yùn)而生，通過深度學(xué)習(xí)技術(shù)對(duì)馬鈴薯幼苗進(jìn)行自動(dòng)識(shí)別和檢測，從而指導(dǎo)機(jī)器人自動(dòng)完成扣膜操作，具有重要現(xiàn)實(shí)意義。

在采用深度學(xué)習(xí)技術(shù)對(duì)馬鈴薯的檢測中，張萬枝等^［4］提出一種基于改進(jìn)YOLOv7的馬鈴薯種薯芽眼檢測模型。經(jīng)試驗(yàn)，改進(jìn)后的YOLOv7網(wǎng)絡(luò)模型平均準(zhǔn)確率均值達(dá)到95.40%，較原始模型提高4.2個(gè)百分點(diǎn)。修春波等^［5］提出了基于YOLOv4網(wǎng)絡(luò)的改進(jìn)識(shí)別網(wǎng)絡(luò)。將YOLOv4特征提取部分CSPDarknet53中的殘差塊（Residual Block）替換為Res2Net，并采用深度可分離卷積操作減小計(jì)算量。有學(xué)者提出一種基于改進(jìn)Cascade R-CNN的玉米幼苗檢測方法，該方法結(jié)合了深度殘差網(wǎng)絡(luò)ResNet-50和特征金字塔網(wǎng)絡(luò)FPN作為特征提取器，通過區(qū)域建議網(wǎng)絡(luò)和感興趣區(qū)域池化技術(shù)，實(shí)現(xiàn)了對(duì)玉米幼苗圖像的有效處理和分類回歸，為玉米苗期自動(dòng)化精準(zhǔn)作業(yè)提供了可靠的技術(shù)支持。Zhang等^［6］提出了Seedling-YOLO西藍(lán)花幼苗檢測模型，Seedling-YOLO引入了Efficient Layer Aggregation Networks-Pconv（ELAN_P）作為骨干網(wǎng)絡(luò)，通過部分卷積減少冗余計(jì)算，提升效率。同時(shí)，結(jié)合CARAFE和Coordinate Attention機(jī)制，增強(qiáng)了對(duì)復(fù)雜場景中長程空間信息的處理能力，有效解決了“暴露種苗”誤檢和“漏栽”漏檢的問題。Dai等^［7］提出改進(jìn)的YOLOv5模型（DA-ActNN-YOLOv5）來研究多個(gè)區(qū)域場景下不同周期的馬鈴薯病害。在測試集中馬鈴薯早疫病和晚疫病的識(shí)別準(zhǔn)確率達(dá)到99.81%。相比原模型平均準(zhǔn)確率提高了9.22%。

學(xué)者們采用深度學(xué)習(xí)技術(shù)對(duì)馬鈴薯相關(guān)的芽點(diǎn)、病害進(jìn)行了研究，但對(duì)破膜前后的馬鈴薯幼苗鮮有研究。因此提出一種基于YOLO-PS模型的馬鈴薯幼苗檢測方法。采用Pyqt5設(shè)計(jì)馬鈴薯幼苗識(shí)別系統(tǒng)交互界面，為馬鈴薯幼苗的自動(dòng)化監(jiān)測提供可靠的技術(shù)支持。

1 試驗(yàn)與方法

1.1 數(shù)據(jù)集的構(gòu)建

構(gòu)建用于訓(xùn)練和測試的馬鈴薯幼苗識(shí)別系統(tǒng)數(shù)據(jù)集，圖像采集地點(diǎn)選擇在山西省太原市婁煩縣婁煩鎮(zhèn)的永和種植專業(yè)合作社，使用小米13智能手機(jī)拍攝馬鈴薯幼苗圖像。采集過程中，覆蓋了不同生長階段、光照條件和土壤背景的幼苗圖像。在不同時(shí)間和地點(diǎn)進(jìn)行了多次拍攝，數(shù)據(jù)集包含破膜幼苗1 247張和未破膜幼苗1 458張，共計(jì)2 705張，在數(shù)據(jù)標(biāo)記中將完成扣膜的馬鈴薯幼苗標(biāo)記為1，未完成扣膜的馬鈴薯幼苗標(biāo)記為2，如圖1所示。

1.2 YOLO-PS模型

YOLO-PS模型是基于YOLO算法框架優(yōu)化而來，專門針對(duì)馬鈴薯幼苗檢測任務(wù)進(jìn)行優(yōu)化設(shè)計(jì)，如圖2所示。

首先，該模型利用MobileNetV4作為骨干網(wǎng)絡(luò)，實(shí)現(xiàn)高效特征提取，并引入DLKA注意力機(jī)制提升局部特征關(guān)注能力，同時(shí)，采用Focal Loss損失函數(shù)優(yōu)化邊界框定位。最后，通過Pyqt5設(shè)計(jì)了簡便的交互界面，提升系統(tǒng)可用性。

1.3 MobileNetV4-backbone

MobileNetV4通過引入通用反向瓶頸（UIB）搜索塊和Mobile MQA注意力模塊創(chuàng)新設(shè)計(jì)^［8］，實(shí)現(xiàn)了模型的輕量級(jí)化，UIB blocks結(jié)構(gòu)示意如圖3所示。這使得MobileNetV4在保持較高性能的同時(shí)，顯著降低了模型的參數(shù)量和計(jì)算復(fù)雜度。同時(shí)，MobileNetV4采用了優(yōu)化的NAS策略，通過粗粒度和細(xì)粒度搜索相結(jié)合的方法，顯著提高了搜索效率并改善了模型質(zhì)量。這使得MobileNetV4能夠在多種硬件平臺(tái)上達(dá)到最優(yōu)性能。

因此，將MobileNetV4作為YOLO-PS的backbone（主干網(wǎng)絡(luò)）以減少模型的參數(shù)量和計(jì)算復(fù)雜度，從而提升其輕量級(jí)化水平使其更適合在移動(dòng)設(shè)備和嵌入式系統(tǒng)上運(yùn)行。

1.4 DLKA Attention注意力模塊

在卷積神經(jīng)網(wǎng)絡(luò)中，傳統(tǒng)的卷積操作往往受限于固定的感受野大小，在一定程度上限制了模型捕捉圖像中關(guān)鍵信息的能力。特別是在馬鈴薯幼苗識(shí)別任務(wù)中，由于幼苗的形狀、大小、姿態(tài)等變化多樣，需要模型具備更強(qiáng)的局部特征捕捉能力。因此，引入D-LKA Attention機(jī)制^［9］，以增強(qiáng)模型對(duì)馬鈴薯幼苗局部特征的提取和關(guān)注。

D-LKA Attention通過可變形卷積來靈活地扭曲采樣網(wǎng)格，使模型能夠適當(dāng)?shù)剡m應(yīng)不同的數(shù)據(jù)模式。這種機(jī)制使得模型在關(guān)注關(guān)鍵區(qū)域時(shí)，能夠獲取更大范圍的信息，從而提高了對(duì)馬鈴薯幼苗局部特征的捕捉能力。

在YOLO-PS模型的檢測頭設(shè)計(jì)中，創(chuàng)新性地將D-LKA Attention機(jī)制與C2F（Conv-to-Feature）模塊相結(jié)合，旨在優(yōu)化和提升模型對(duì)馬鈴薯幼苗的識(shí)別性能。在每個(gè)C2F模塊的輸出層之后，嵌入D-LKA Attention模塊，使得模型能夠更有效地聚焦于馬鈴薯幼苗的關(guān)鍵特征，從而提高了模型在馬鈴薯幼苗檢測任務(wù)中的準(zhǔn)確性和魯棒性。

1.5 馬鈴薯幼苗識(shí)別系統(tǒng)交互界面設(shè)計(jì)

YOLO-PS的馬鈴薯幼苗識(shí)別系統(tǒng)交互界面如圖4所示，明確了系統(tǒng)的核心功能，即攝像頭檢測、圖片檢測、識(shí)別結(jié)果顯示和參數(shù)設(shè)置。

采用Python的Qt5框架進(jìn)行界面布局和控件設(shè)計(jì)，確保界面簡潔直觀，用戶友好^［10］。在數(shù)據(jù)交互方面，通過Python接口與YOLO-PS模型進(jìn)行通信，實(shí)現(xiàn)視頻、圖像的上傳、處理和識(shí)別結(jié)果的展示。整個(gè)設(shè)計(jì)流程注重用戶體驗(yàn)和系統(tǒng)性能，確保界面操作流暢、響應(yīng)迅速。

本交互界面的主要功能包括圖像上傳與識(shí)別：用戶可輕松上傳馬鈴薯幼苗圖像，系統(tǒng)通過YOLO-PS模型對(duì)圖像進(jìn)行快速識(shí)別，并在界面上展示識(shí)別結(jié)果，包括幼苗的類別和置信度及是否應(yīng)該破膜。同時(shí)為了滿足不同用戶的識(shí)別需求，提供了靈活的參數(shù)設(shè)置功能。用戶可根據(jù)實(shí)際情況調(diào)整識(shí)別閾值、識(shí)別類型等參數(shù)，以獲得更準(zhǔn)確的識(shí)別結(jié)果。

為了評(píng)估系統(tǒng)的可用性，收集了一些用戶反饋。用戶普遍認(rèn)為系統(tǒng)界面簡潔易用，識(shí)別結(jié)果準(zhǔn)確率高、響應(yīng)速度快。但也有用戶提出希望增加批量處理功能，以提高效率。基于這些反饋，計(jì)劃在后續(xù)版本中進(jìn)行優(yōu)化，進(jìn)一步提升用戶體驗(yàn)和系統(tǒng)性能。

2 結(jié)果與討論

2.1 試驗(yàn)環(huán)境

本研究在標(biāo)準(zhǔn)化的試驗(yàn)環(huán)境中進(jìn)行，采用一臺(tái)配備NVIDIA Ampere架構(gòu)GPU（如NVIDIA GeForce RTX 3070）的深度學(xué)習(xí)工作站，配備64 GB RAM和Intel Core i9-11900K CPU。軟件環(huán)境基于Python 3.9和PyTorch 1.9框架，確保高效的模型訓(xùn)練和評(píng)估。圖像數(shù)據(jù)經(jīng)過統(tǒng)一預(yù)處理，包括分辨率調(diào)整和適當(dāng)?shù)臄?shù)據(jù)增強(qiáng)，以消除潛在偏差并提高模型泛化能力。該試驗(yàn)環(huán)境配置確保了研究的可靠性和可重復(fù)性。

2.2 評(píng)價(jià)性指標(biāo)

針對(duì)YOLO-PS模型在馬鈴薯幼苗檢測任務(wù)中的性能評(píng)估，選取了精確率P、召回率R以及均值平均精度mAP作為關(guān)鍵評(píng)價(jià)指標(biāo)。這些指標(biāo)共同構(gòu)成了一個(gè)全面的評(píng)估體系，能夠準(zhǔn)確反映模型在馬鈴薯幼苗檢測中的精確性、召回能力以及多類別檢測性能^{［11， 12］}。

精確率用于衡量模型預(yù)測為正樣本的馬鈴薯幼苗中，真正為馬鈴薯幼苗的比例，計(jì)算如式（1）所示。

P=TP/TP+FP×100% （1）

式中：TP——真正例，即被正確預(yù)測為馬鈴薯幼苗的樣本數(shù)量；

FP——假正例，即被錯(cuò)誤預(yù)測為馬鈴薯幼苗的樣本數(shù)量。

召回率則用于衡量模型能夠正確找出所有馬鈴薯幼苗樣本的能力，計(jì)算如式（2）所示。

R=TP/TP+FN×100% （2）

式中：FN——假反例，即實(shí)際為馬鈴薯幼苗但被錯(cuò)誤預(yù)測為其他類別的樣本數(shù)量。

平均精確度均值mAP作為多類別檢測任務(wù)中最重要的評(píng)估指標(biāo)之一，能夠綜合反映模型在不同類別上的檢測性能。其計(jì)算方式為首先計(jì)算每個(gè)類別的平均精度AP，然后對(duì)所有類別的AP值取平均。計(jì)算如式（3）所示。

mAP=∑AP/N（class）×100% （3）

式中：N（class）——類別總數(shù)，即馬鈴薯幼苗檢測任務(wù)中涉及的類別數(shù)量。

2.3 結(jié)果與討論

2.3.1 改進(jìn)模型驗(yàn)證分析

1）MobileNetV4-backbone。為驗(yàn)證MobileNetV4-backbone在基于YOLO-PS的馬鈴薯幼苗檢測模型中的性能提升效果，將YOLO系列模型中V5、V8的檢測骨干C3和C2F與采用MobileNetV4-backbone的YOLO-PS模型在相同試驗(yàn)條件下進(jìn)行對(duì)比。表1試驗(yàn)結(jié)果表明，MobileNetV4-backbone作為主干網(wǎng)絡(luò)的YOLO-PS模型在多個(gè)關(guān)鍵性能指標(biāo)上均取得顯著優(yōu)勢。相較于C3和C2F檢測骨干，采用MobileNetV4-backbone的模型在精確率為94.75%，相較于C3和C2F檢測骨干分別提升2.43%和1.64%；在召回率方面MobileNetV4-backbone模型為95.58%，相較于C3和C2F檢測骨干分別提升2.11%和1.47%；同時(shí)，其平均精確度均值方面，MobileNetV4-backbone模型為96.67%，相較于C3-backbone的91.87%和C2F-backbone的93.46%，有明顯提升；在檢測速度方面改后的模型FPS為56幀/s，相比C3-backbone和C2F-backbone分別提升6幀/s和9幀/s，因此MobileNetV4-backbone在馬鈴薯幼苗檢測中的性能優(yōu)越。

2）DLKA注意力機(jī)制。為驗(yàn)證在基于YOLO-PS的馬鈴薯幼苗檢測模型中引入DLKA注意力模塊對(duì)模型性能的影響，在模型的檢測頭部分添加了兩層DLKA注意力模塊，并與未添加該注意力機(jī)制的原始模型進(jìn)行對(duì)比試驗(yàn)。

如表2所示，在添加DLKA注意力模塊后，模型的整體性能得到提升。在精確率方面，模型從原始模型的94.75%提升至96.11%，提高了1.36個(gè)百分點(diǎn)；在召回率方面，從原始模型的95.58%提升至95.97%，提高了0.39個(gè)百分點(diǎn)；在平均精確度均值方面，也從原始模型的96.67%提升至97.28%，提升了0.61個(gè)百分點(diǎn)。這說明通過引入DLKA注意力模塊模型能夠更好地關(guān)注馬鈴薯幼苗的特征，從而提高了整體的檢測性能。

3）不同損失函數(shù)對(duì)比試驗(yàn)。為探究不同損失函數(shù)對(duì)基于YOLO-PS的馬鈴薯幼苗檢測模型性能的影響，本研究對(duì)比了Focal Loss、CIoU、EIoU和SIoU四種損失函數(shù)在相同試驗(yàn)條件下的性能表現(xiàn)^{［13， 14］}。

如表3所示，F(xiàn)ocal Loss損失函數(shù)在基于YOLO-PS的馬鈴薯幼苗檢測模型中表現(xiàn)出了最優(yōu)異的性能。在精確率方面，F(xiàn)ocal Loss相較于CIoU、EIoU和SIoU分別提升了2.25%、1.4%和1.35%。在召回率方面，F(xiàn)ocal Loss的表現(xiàn)尤為突出，相較于CIoU、EIoU和SIoU分別提升了2.71%、1.63%和2.38%。在平均精確度均值方面，F(xiàn)ocal Loss的性能優(yōu)勢更加顯著。相比于CIoU、EIoU和SIoU，F(xiàn)ocal Loss分別提升了3.52%、2.57%和1.37%。

這說明Focal Loss損失函數(shù)在馬鈴薯幼苗檢測任務(wù)中的有效性。Focal Loss損失函數(shù)通過引入權(quán)重因子，使得模型在訓(xùn)練過程中能夠更加關(guān)注難以分類的樣本，從而提高了模型的整體性能。

2.3.2 改進(jìn)模型驗(yàn)證分析

為全面評(píng)估本研究中基于YOLO-PS的馬鈴薯幼苗檢測模型的性能，選用了多個(gè)先進(jìn)的目標(biāo)檢測模型，包括YOLOv5、YOLOv6、YOLOv7和YOLOv8，作為基準(zhǔn)模型進(jìn)行對(duì)比分析^{［15， 16］}，試驗(yàn)結(jié)果如表4所示。

從表4可以看出，基于YOLO-PS的馬鈴薯幼苗檢測模型在精確度、召回率、平均精確度均值和FPS四個(gè)指標(biāo)上均取得了優(yōu)于其他基準(zhǔn)模型的表現(xiàn)。本文模型的精確度達(dá)到94.75%，檢測速度為56幀/s相比其他模型有顯著提升；召回率也高達(dá)95.58%，平均精確度均值為96.67%，相比于YOLOv5、YOLOv6、YOLOv7和YOLOv8，分別提升4.82%、7.62%、6.47%和5.57%。進(jìn)一步表明模型在檢測馬鈴薯幼苗時(shí)具有較高的性能優(yōu)越性。

2.3.3 測試圖片對(duì)比分析

為了直觀地評(píng)估基于YOLO-PS的馬鈴薯幼苗檢測模型在實(shí)際復(fù)雜環(huán)境下的性能，設(shè)計(jì)測試圖片對(duì)比分析，將YOLOv8模型與YOLO-PS模型在馬鈴薯幼苗檢測任務(wù)上的表現(xiàn)進(jìn)行全面比較。這一對(duì)比分析不僅驗(yàn)證了YOLO-PS模型的有效性和可靠性，還凸顯其在特定挑戰(zhàn)場景下的顯著優(yōu)勢^［16］。

如表5所示，特別選取3類具有代表性的圖像進(jìn)行對(duì)比展示：薄膜內(nèi)水汽強(qiáng)、光照強(qiáng)度強(qiáng)以及正常破膜的幼苗。水汽的存在往往導(dǎo)致圖像模糊，增加幼苗識(shí)別的難度。然而，YOLO-PS模型通過其先進(jìn)的算法設(shè)計(jì)和優(yōu)化，實(shí)現(xiàn)了對(duì)馬鈴薯幼苗的準(zhǔn)確識(shí)別。強(qiáng)光環(huán)境往往會(huì)使圖像出現(xiàn)過曝或?qū)Ρ榷冉档停瑢?duì)幼苗檢測算法提出更高要求。針對(duì)光照強(qiáng)度強(qiáng)的情況，YOLO-PS模型同樣表現(xiàn)出色優(yōu)于YOLOv8模型。在正常破膜的幼苗檢測中，YOLO-PS模型也展現(xiàn)出了其高精度和魯棒性。所以，YOLO-PS模型在馬鈴薯幼苗檢測中表現(xiàn)出了更高的檢測精度、更強(qiáng)的抗干擾能力和更廣泛的適應(yīng)性。

3 結(jié)論

1）聚焦于馬鈴薯幼苗檢測的挑戰(zhàn)，提出一種YOLO-PS的馬鈴薯幼苗識(shí)別系統(tǒng)，顯著提高綜合檢測性能。首先，YOLO-PS模型在檢測骨干中引入MobileNetV4-backbone來增強(qiáng)模型對(duì)不同生長階段幼苗的特征提取能力。同時(shí)，在檢測頭引入DLKA注意力機(jī)制，進(jìn)一步增強(qiáng)模型對(duì)馬鈴薯幼苗局部特征的提取和關(guān)注。為優(yōu)化邊界框的精確定位，采用Focal Loss損失函數(shù)作為模型的損失函數(shù)，最后采用Pyqt5設(shè)計(jì)馬鈴薯幼苗識(shí)別系統(tǒng)方便可靠的交互界面。

2）試驗(yàn)結(jié)果表明，測試集上的精確率為94.75%，召回率為95.58%，平均精確度均值高達(dá)96.67%，F(xiàn)PS為56幀/s。相比于YOLOv5、YOLOv6、YOLOv7和YOLOv8模型，YOLO-PS模型在精確率、召回率和mAP上均實(shí)現(xiàn)顯著提升。這些結(jié)果充分驗(yàn)證改進(jìn)后的YOLO-PS模型在馬鈴薯幼苗檢測中的有效性和優(yōu)越性，為馬鈴薯幼苗的自動(dòng)化監(jiān)測提供了可靠的技術(shù)支持。

參 考 文 獻(xiàn)

［1］ 常學(xué)良， 藤美茹， 田羽， 等. 馬鈴薯全程機(jī)械化發(fā)展現(xiàn)狀及展望［J］. 中國農(nóng)機(jī)裝備， 2023（11）： 6-11.

Chang Xueliang， Teng Meiru， Tian Yu， et al. Development status and prospect of full mechanization of potato production ［J］. China Agricultural Machinery Equipment， 2023（11）： 6-11.

［2］ 孫衛(wèi)孝， 劉發(fā)英， 楊振宇， 等. 基于主動(dòng)熱紅外成像的馬鈴薯與雜質(zhì)分類方法［J］. 中國農(nóng)機(jī)化學(xué)報(bào)， 2024， 45（2）： 143-150.

Sun Weixiao， Liu Faying， Yang Zhenyu， et al. Classification of potato and impurities based on active thermal infrared imaging ［J］. Journal of Chinese Agricultural Mechanization， 2024， 45（2）： 143-150.

［3］ 呂金慶， 張璇， 竹筱歆， 等. 大壟雙行馬鈴薯覆膜機(jī)關(guān)鍵部件設(shè)計(jì)與試驗(yàn)［J］. 東北農(nóng)業(yè)大學(xué)學(xué)報(bào)， 2023， 54（8）：88-96.

Lü Jinqing， Zhang Xuan， Zhu Xiaoxin， et al. Design and experiment of key components of large monopoly double row potato mulching device ［J］. Journal of Northeast Agricultural University， 2023， 54（8）： 88-96.

［4］ 張萬枝， 張弘毅， 劉樹峰， 等. 基于改進(jìn)YOLOv7模型的馬鈴薯種薯芽眼檢測［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2023， 39（20）： 148-158.

Zhang Wanzhi， Zhang Hongyi， Liu Shufeng， et al. Detection of potato seed buds based on an improved YOLOv7 model ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2023， 39（20）： 148-158.

［5］ 修春波， 孫樂樂. 基于改進(jìn)YOLOv4網(wǎng)絡(luò)的馬鈴薯自動(dòng)育苗葉芽檢測方法［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2022， 53（6）： 265-273.

Xiu Chunbo， Sun Lele. Potato leaf bud detection method based on improved YOLOv4 network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（6）： 265-273.

［6］ Zhang T， Zhou J， Liu W， et al. Seedling-YOLO： High-efficiency target detection algorithm for field broccoli seedling transplanting quality based on YOLOv7-tiny ［J］. Agronomy， 2024， 14（5）： 931.

［7］ Dai G， Hu L， Fan J. DA-ActNN-YOLOv5： Hybrid YOLOv5 model with data augmentation and activation of compression mechanism for potato disease identification ［J］. Computational Intelligence and Neuroscience， 2022， 2022（1）： 6114061.

［8］ Qin D， Leichner C， Delakis M， et al. MobileNetV4-universal models for the mobile ecosystem ［J］. arXiv preprint arXiv： 2404.10518， 2024.

［9］ Azad R， Niggemeier L， Hüttemann M， et al. Beyond self-attention： Deformable large kernel attention for medical image segmentation ［C］. Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision， 2024： 1287-1297.

［10］ 劉鑫， 馬本學(xué)， 李玉潔， 等. 基于改進(jìn)YOLOv7-ByteTrack的干制哈密大棗缺陷檢測與計(jì)數(shù)系統(tǒng)［J］. 農(nóng)業(yè)工程學(xué)報(bào)， 2024， 40（3）： 303-312.

Liu Xin， Ma Benxue， Li Yujie， et al. Detecting and counting defects in dried hami jujube using improved YOLOv7-ByteTrack ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2024， 40（3）： 303-312.

［11］ 張繼成， 侯郁碩， 鄭萍， 等. 低數(shù)據(jù)集下基于ASPP-YOLOv5的莧菜識(shí)別方法研究［J］. 農(nóng)業(yè)機(jī)械學(xué)報(bào)， 2023， 54（S2）： 223-228.

Zhang Jicheng， Hou Yushuo， Zheng Ping， et al. Method for amaranth identification based on ASPP-YOLOv5 model in low data set ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（S2）： 223-228.

［12］ Prencipe B， Altini N， Cascarano G D， et al. Focal dice loss-based V-Net for liver segments classification ［J］. Applied Sciences， 2022， 12（7）： 3247.

［13］ Gao J， Chen Y， Wei Y， et al. Detection of specific building in remote sensing images using a novel YOLO-S-CIOU model. Case： Gas station identification ［J］. Sensors， 2021， 21（4）： 1375.

［14］ 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(nóng)業(yè)機(jī)械學(xué)報(bào)， 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）： 288-307.

［15］ Elmessery W M， Gutiérrez J， Abd El-Wahhab G G， et al. YOLO-based model for automatic detection of broiler pathological phenomena through visual and thermal images in intensive poultry houses ［J］. Agriculture， 2023， 13（8）： 1527.

［16］ 王志波， 馬晗， 馮錦梁， 等. 基于CE-YOLOv5s的安全帽檢測算法［J］. 計(jì)算機(jī)與現(xiàn)代化， 2024（4）： 55-59， 98.

Wang Zhibo， Ma Han， Feng Jinliang， et al. Helmet detection algorithm based on CE-YOLOv5s ［J］. Computer and Modernization， 2024（4）： 55-59， 98.