面向豆類作物病害的改進YOL0v10檢測算法

中圖分類號：S435.2 文獻標識碼：A 文章編號：2095-5553（2025）10-0203-07

Abstract：Toenablereal-timeandacuratedetectionof bean diseases，an improvedYOLOvlOobjectdetectionalgorithmwas developed.First，the DCNv2 module was introduced to replace the conventional CBS module in the neck network，which enhanced themodel’s abilitytodetect diseased crops with varying shapes andspatial distributions.Subsequently，a BiFPN structure wasincorporatedtostrengthenthemodelscapacityfordistinguishing featuresacross diferent targetscalesbyemploying a multi-scale feature weighting and fusion strategy.Additionaly，a multi-scale fusion detection head basedonan attntion mechanism was designedtomakefulluseofthemultiscaleinputfeatures provided bytheneck network，enabling moreffective detectioofobjects at varying sizes.Experiments wereconductedusingapubliclyavailable bean diseasedataset.Theimproved model achieved an mAP@0.5 of 72.1% and an mAP@0.5：0.95 of 47.1% ，reflecting gains of 3% and 4.9% ，respectively， compared to the original YOLOv1O model，without increasing computational costs.Overall，the improved algorithm can significantlyenhancetheaccuracyofbean diseasedetectionandprovidevaluablesupportfortheeffectivecultivationand large-scale promotion of bean crops.

Keywords：bean diseases；object detection；deformable convolution；multi-scale features；attention mechanism

0 引言

豆類植物作為一種分布廣泛的農業作物，在全球農業中起到重要的基礎性作用[1]。隨著農業現代化的發展，優質的新品種選育和病害智能防控成為農業生產的重要任務2。然而，全球氣候變化加劇了生物和非生物脅迫的發生，葉片在生長過程中容易受到各種病原體的侵害，如真菌、細菌、病毒和線蟲等。葉片病害的發生不僅會影響作物的生長發育，降低產量和品質，還會增加農業生產的成本，并對農業可持續發展造成不利影響[3。傳統的豆類病害往往依靠人工判斷，這種方式不但效率低下，而且經常會遺漏一些潛在病害，例如角葉斑和豆銹病等細菌性病害，這些病害若不盡早防治將直接導致大豆減產。因此，豆類作物病害的及時發現對保障農業生產和提高作物產量至關重要。

精準農業作為一個快速發展的領域，其目的是解決現代農業的諸多問題。隨著計算機視覺技術的發展，利用圖像識別技術對植物病害進行分類和檢測已引起研究人員的廣泛關注[4]。諸多相關研究人員的研究可以作為參考。例如，Lu等5研究了便攜式高分辨率光譜傳感器在不同階段檢測番茄葉片疾病的可能性。Dhingra等提出了利用數字圖像處理技術識別羅勒葉片疾病的方法，并通過去除不均勻的灰塵來標準化表面條件。Abdulridha等提出了無損檢測方法，用于識別影響蕃茄作物的疾病，研究中使用了實驗室和田間背景圖像2個數據集。通過多種植被指數和M統計技術進行識別和分類，進行番茄黃葉卷曲病、細菌斑點病和靶斑病的分類。

近年來，深度學習作為一種強大的數據分析和圖像處理技術，為植物病害檢測開辟了一條新的途徑，在農業領域展現了巨大的應用潛力[8，是一種針對圖像數據處理而優化的強大神經網絡架構。目前，基于該方法的模型是識別不同植物病害的優秀選。例如，Cynthia等[9]使用FasterR一CNN從植物葉片圖像中檢測病害，并且可以指定葉片病害的分類。Kerkech等[10]提出了一種基于LeNet和直方圖的方法，用于預測葡萄藤的病害區域并識別葡萄的癥狀，同時，為解決內存限制問題，采用了流技術，即在每次迭代中加載少量數據。楊巧梅等11為解決在農作物病蟲害檢測任務中，微小病蟲害變化目標的識別準確率較低的問題，提出一種基于YOLOv5的輕量化檢測算法YOLO—MobileNet—CBAM。針對農作物葉片病蟲害檢測任務中，網絡模型的特征提取能力不足的問題，張書貴等[12通過結合多層級多尺度的特征融合模塊，旨在提高檢測精度。鄭金松等[13]為了解決傳統視覺方法在大豆作物病害診斷中識別效率和分類準確率不高的問題，提出了一種基于局部描述符和視覺詞袋技術的分類算法，用于對大豆葉片圖像進行數據表征。Laizer等14通過使用智能手機攝像頭對健康和患病葉片的視覺特征進行捕捉，自建了普通豆葉圖像的綜合數據集，實現目標檢測。

然而，豆類作物受病害影響程度不同，在病害發生的前、中期與健康作物在視覺特征上區分度較低，且模型的泛化能力需要進一步提升，對精準檢測其病害程度帶來巨大挑戰。因此，本文提出一種基于YOLOv10算法，通過多尺度特征加權融合策略考慮不同形狀和空間位置的目標檢測方法，實現對豆類作物葉片病害的快速識別和分析，提高豆類作物生產的效率和安全水平，為保障人類的糧食安全和推進農業的可持續發展提供技術支持和理論基礎。

1改進的YOLOv10檢測算法

1.1 YOLOv10檢測算法

YOLO系列算法專注于實時進行端到端的自標檢測任務，因其在準確性、速度和網絡規模方面具有最先進的性能，近年來已經在農業領域廣泛普及，并且在數字農業中發揮著關鍵作用[15]。YOLOv10檢測算法由Wang等[16于2024年提出，是YOLO系列檢測算法的新版本。在backbone網絡部分，YOLOvl0檢測算法使用了增強的跨階段局部網絡（CSPNet），在優化梯度流的同時降低冗余計算，實現計算效率和特征提取能力之間的良好平衡。neck網絡部分則沿用了YOLOv8檢測網絡采用的路徑聚合網絡（PANet）結構[17]，通過高效融合backbone網絡提取的多尺度特征，提高模型對不同尺寸目標的檢測性能。為減少延遲并提高效率，YOLOv10檢測算法將head網絡分為一對多檢測頭和一對一檢測頭。其中，一對多檢測頭在訓練過程中為每個對象生成多個預測，以提供豐富的監督信號，進而提高模型的學習準確率。在推理過程中，模型使用一對一檢測頭為每個對象生成一個最佳預測，無需非極大值抑制操作。根據模型規模的不同，YOLOv10檢測算法分為YOLOvl0n、YOLOvl0s、YOLOv 10m YOLOv10b、YOLOv10l、YOLOv10x六個版本，其中YOLOv10n版本具有最為輕量的模型體積，相比于其他版本，更適合需要在室外進行的豆類病害檢測任務。因此，選擇YOLOv10n作為基準模型，并進行改進優化以適應真實場景下的豆類病害檢測任務。

1.2引入DCNv2執行下采樣操作

在模型訓練過程中，魯棒特征能夠幫助模型學習到更有效的特征表征，從而提升其識別能力。對于普通的卷積操作，由于采樣位置固定，卷積神經網絡在處理輸入圖像的不同區域時，感受野是均勻的，這使得網絡在適應不同尺度和形狀的特征時表現不足。因此，選擇合適的卷積方法進行特征提取顯得尤為重要。

DCNv2是可變性卷積（DCNv1）的改進版本，由Zhu等[18提出。它在原有可變性卷積的基礎上進行優化，旨在增強模型對不同特征的適應能力。DCNv2的結構如圖1所示。在執行常規卷積操作之前，DCNv2通過卷積神經網絡預測1組偏移量，用于調整卷積核的采樣位置。通過遍歷偏移場，可以得到卷積核的實際采樣點，從而生成偏移量 Δ?_n 。其中，偏移量的通道數量為 3N，N 即卷積核中的元素數量，3對應的是 x 方向 ??y 方向的偏移量以及懲罰參數 Δm_k 的值。

因此，DCNv1和DCNv2在給定采樣點時的執行公式分別為式（1）和式（2）。

y_v2（p）=y_v1（p）×Δm_k

式中： —給定采樣點；R 1 一感受野的大小；（20 β_ni —屬于集合 R 的一個采樣點；ω（?_n）. 一在 β_n 位置的卷積核權重；（20 y_v1 中間值；（204 y_v2 -輸出值；x 輸人值。

通過在YOLOv10模型的neck部分替換原有用于下采樣任務的CBS模塊為DCNv2，模型能夠合理提取并保留有效特征，最大程度地減少因下采樣操作導致的信息丟失現象，進而更加精準地識別病害作物的不同特征，特別是在形態和病變區域的細微差異上。這一改進顯著增強了模型對病害作物的形狀特征的敏感性，使其能夠更好地捕捉和識別不同種類病害作物的表現特征，尤其是在復雜背景和多變的環境條件下。DCNv2的引入使得卷積核能夠動態調整采樣位置，而不是固定的格點采樣。通過預測每個卷積核的偏移量，DCNv2能夠自適應地調整卷積核的形狀和位置，從而更靈活地適應不同病害作物的多樣化表現。這種特性使得模型能夠更有效地提取具有不同尺度、形狀和紋理特征的病害區域，并且能夠在各種環境條件下穩定表現。

1.3雙向特征金字塔網絡結構

為應對豆類病害檢測中的挑戰，特別是病害作物在尺度變化方面的多樣性，引入基于雙向特征金字塔網絡（BiFPN）結構的neck網絡。BiFPN由Tan等[19]在2020年首次提出。一般而言，對于不同的特征圖，其對視覺任務的貢獻程度往往并不一致[20]，但YOLOvl0中原始的Concat結構并未對特征本身的貢獻程度加以區分，這意味著它們在網絡中只會進行單一的融合操作。BiFPN結構如圖2所示，其會認識到不同的輸入特征圖對輸出特征圖的貢獻不同，進而將可學習權重整合到網絡中來解決這一問題。這些權重使網絡能夠識別不同輸人特征的重要性。具體而言，BiFPN的融合策略為每個輸入分配一個額外的權重，使得網絡能夠在訓練期間確定每個輸入特征的重要性，并不斷調整融合權重。其中，調整融合權重方法的具體公式如式（3）所示。

式中： W_i?W_j —可學習的權重；O -輸出特征；I_i -第 i 層的特征；3 避免數值不穩定的常數。

圖2BiFPN結構示意圖Fig.2 Structural diagram of BiFPN

通過引入BiFPN特征方式以及額外的CBS模塊，模型能夠更有效地處理不同尺度的病害作物特征，從而實現更加精準的豆類病害檢測。BiFPN的優勢在于其能夠通過雙向信息流對多尺度特征進行充分融合。具體而言，在傳統的特征金字塔網絡中，通常只進行單向的上采樣和下采樣，而BiFPN則通過多次雙向交互，使得不同尺度的特征能夠相互傳遞與補充，從而提升模型對于各個尺度病害特征的識別能力。尤其是在處理小規模病害時，BiFPN能夠有效增強高層特征的細節信息，從而避免漏檢和誤檢。BiFPN進一步增強了模型對復雜模式的學習能力，這對于豆類病害檢測中細微特征的捕捉尤為重要。基于上述結論，模型能夠更好地處理多尺度特征，從而提高病害識別的精度，尤其是在復雜背景和多種病害類型交織的情況下。最終，這一改進能夠顯著提升豆類病害的檢測效果，并為農業領域提供更加智能、準確的病害監測工具，輔助農民更好地進行病害防治，減少作物損失。

1.4基于局部注意力機制的多尺度特征融合檢測頭

隨著深度學習技術的快速發展，注意力機制在自然語言處理、統計學習、圖像檢測和語音識別等領域已經得到廣泛應用，已然成為一種高效分配信息處理資源的核心技術[21]。在YOLOv1O檢測網絡的head網絡部分中，對于來自neck網絡部分的3個不同尺度的輸人特征，模型并未對這些不同尺度的特征進行進一步的交互處理，這在一定程度上限制了模型對于多尺度特征的融合能力。這種設計可能導致模型在處理小目標和大目標時的性能不均衡，尤其是在豆類病害檢測任務中，存在目標病害作物和目標病害部位尺寸分布不均衡的復雜場景。

基于上述現象，提出一種基于局部注意力機制的多尺度特征融合檢測頭（MLFA_head）。該注意力的具體結構如圖3所示。與原始的YOLOv10檢測頭相比，所提出的檢測頭加人一種簡單有效的局部注意力機制。首先，對2個輸人到檢測頭中的不同尺度的特征進行基于CNN的MLP操作。隨后，獲得2個不同尺度的輸人特征圖 x₁ 和 x₂ ，并提取局部區域特征，通過對這些特征進行線性變換生成查詢（query）鍵（key）和值（value）。接著，計算查詢與鍵之間的注意力得分，并通過處理得到權重，將其應用于值，以獲取加權特征。最后，模塊將加權特征與輸入 x₂ 融合，輸出經過局部注意力強化的特征，從而提升模型對局部信息的捕捉能力。經過多輪試驗，最終選擇使用中等目標檢測頭的輸人特征對小目標檢測頭的輸入特征進行跨注意力計算，并將該注意力添加至檢測頭中的CBS模塊之前，以提升模型對不同尺度病害作物的整體檢測能力。最終，獲得如圖4所示的改進模型。

2 數據集介紹

采用由Kaggle網站提供的來自Marconi實驗室的豆類病害公開數據集，其專門用于診斷豆類作物的病害并進行空間分析，包括4類圖像，分別為健康的豆葉、豆葉中的角葉斑（ALS）、豆葉中的豆銹病（BeanRust）以及另一個“未知\"類。這些圖像有助于分類和檢測各種豆葉狀況，以及識別目標豆葉類別并將其與其他視覺效果區分開來。該數據集可被用于利用邊緣計算和深度學習進行實時識別豆類植物病害的項目。對于檢測任務，具有ALS和BeanRust的注釋，以及未標記的健康圖像，以增強檢測模型的學習。該豆類病害數據集共計包含4988張豆類病害圖像，其中訓練集包含3512張，驗證集包含990張，測試集包含486張，部分圖像如圖5所示。通過統計數據集中待檢測目標在圖像中的歸一化位置坐標及自標相對于整個圖像的寬度占比和高度占比，獲得了數據集中檢測目標的空間分布和尺寸占比如圖6所示。

圖5部分豆類病害圖像

圖6目標的空間分布與尺寸占比

Fig.6Ratio of spatial distribution and target size

由圖6可知，就目標在圖像中的位置分布而言，其在中心區域以及邊緣區域相對稀疏，且相對于整個圖像的尺寸占比小于0.5，這表明該數據集在一定程度上具有分布不均勻特性以及目標尺寸較小的特點。

3試驗結果及分析

3.1 試驗環境與評估指標

試驗在Windows1O操作系統的環境下進行。試驗所用計算機配置為12thGenIntel（R）Core（TM）i7—12700KFCPU $＼textcircled { ＼omega } ＼textrm { 3 . 6 0 } ＼mathrm { G H z }$ ，配備32GB運行內存，并搭載NVIDIA GeForceRTX4O7OTiGPU，顯存容量為 12GB 。編譯環境方面，試驗采用Python3.9+ PyTorch 2.2.1+CUDA 12.1。

目標檢測任務中，存在一些用于評估目標檢測模型的通用指標。采用平均精度均值 （mAP） 、每秒可執行浮點運算次數 FLOPs） 、參數量（Params）作為模型的評價指標。其中， mAP 是用于衡量模型的檢測效果，它們的定義如式（4）～式（7）所示。

式中： TP 預測為正類的正樣本數量；FP 預測為正類的負樣本數量；FN. 預測為負類的正樣本數量；P ———在預測為正類的樣本中，正確預測的樣本所占比例，即精確率；R ———在全部正樣本中，正確預測的樣本所占比例，即召回率；AP 平均精度，即針對單個類別的精確率一召回率 （P-R） 曲線下的面積；（204 Q_R： —類別總數。

3.2 試驗超參數

為獲得最佳的模型性能，對模型訓練的相關參數進行適當調整。訓練批量大小為16，訓練輪次為150，輸人圖像尺寸為640像素 ×640 像素，優化器選擇Adam優化器，初始學習率及最終學習率的比例系數分別為0.001和0.01。

3.3 消融實驗

為驗證所提出的改進部分對豆類病害進行目標檢測任務的有效性和可行性，設計并進行如表1所示的消融實驗。通過將提出的改進部分逐步加入基線模型，得到并驗證了共計4組實驗模型。

表1消融實驗結果 Tab.1 Results of ablation experiment

由表1可知，每項改進的加入均對部分指標有著一定的提升。其中，BiFPN結構的引入不僅將 mAP@0.5 以及 mAP@0.5：0.95 分別提升 1.2%.1.8% ，而且一定程度上降低了模型的參數量和計算量，這為豆類病害檢測任務在精度和計算成本間的平衡做出了貢獻。而DCNv2模塊的引入，則在精確率、召回率和 mAP 指標方面均有不同程度地提升。隨著計算成本的少量增加，意味著DCNv2可以通過少量計算資源的代價，換取檢測性能的全面提升。對于最后引入的MLFA_head，則在召回率和參數量基本不變的情況下，再次將模型的精確率提升至 81.9% ， mAP@0.5 提升至 72.1% ，mAP@0.5：0.95 提升至 47.1% ，并將 FLOPs 降低至7.4G 。顯而易見，改進模型在所有關于檢測能力的指標中，均為最高值或幾乎持平最高值。相比于基線模型YOLOv10n，改進模型的精確率、召回率 、mAP@0.5 和mAP@0.5：0.95 分別提升 1.6%.3.5%.3% 和 4.9% ，這有力地證明了改進模型能夠有效地增強對豆類病害的檢測能力，從而為現代農業發展作出貢獻。

3.4 對比試驗

為進一步驗證改進模型在復雜環境中的病害檢測效果，選擇將改進模型與部分主流的自標檢測模型進行對比，結果如表2所示。在參數量方面，YOLOv5n具有最小的模型參數量，但其具有的耦合頭結構并未實現對分類與回歸任務的分離，這將很大程度上影響豆類病害檢測任務的分類效果，導致對非病害作物和不同類別的病害作物的誤判，進而影響豆類作物生產。同時，相比于基線模型YOLOv10n，改進模型在計算量方面僅僅有少量增加。在試驗所采用的各檢測模型中，改進模型獲得了每類性能評價指標中的最高值，即具備最佳的檢測性能，同時也意味著改進模型僅以少量的計算量提升為代價，實現了模型性能的有效提升。綜上，改進模 型在檢測效果和計算代價方面，擁有著最佳的平衡。

表2對比試驗結果Tab.2 Results of comparison experiment

3.5 檢測效果

通過將測試集圖像分別送人基線模型和改進模型中，經過推理并最終得到2份預測結果。部分預測結果如圖7所示，未包含置信度的檢測框是真實標注，包含置信度的檢測框則是模型的預測結果。可以看出，在漏檢率方面，基線模型在角葉斑和豆銹病目標圖像中各自遺漏1個目標，而這會在一定程度上降低豆類病害的檢測精度。與基線模型相比，改進模型則正確識別出全部的豆類病害目標，滿足高效檢測豆類病害的前提要求。

圖7部分可視化檢測結果Fig.7Partial visualization ofdetectionresults

4結論

1）利用公開豆類病害數據集，對YOLOv10n模型進行改進，并進行消融實驗。首先，通過引人DCNv2，模型能夠更加關注目標的空間信息，進而提高對不同形狀和位置病害的檢測精度。其次，采用BiFPN特征融合方式，通過加權融合多尺度特征，進一步提升模型對不同尺度病害目標的區分能力。最后，設計基于注意力機制的MLFA_head模塊，將來自不同尺度的特征進行進一步融合，以優化網絡末端的檢測效果。

2）將改進模型與若干主流檢測模型進行對比試驗，改進模型在豆類病害檢測任務中表現出優越的性能。改進模型在檢測精度上優于其他現有模型，達到72.1% 的 mAP@0.5 和 47.1% 的 mAP@0.5：0.95. 展示卓越的性能表現。同時，在計算資源消耗方面，改進模型具有較小的模型體積，并且相比于基線模型，計算量顯著減少，僅為 7.4G 。這一特性使得該模型更適合部署于邊緣設備，特別是在室外環境中的實時檢測任務。盡管改進模型已經具有較高的檢測精度，但并未特別強調其輕量化設計。因此，未來的研究將致力于在保證檢測精度的前提下進一步優化模型的計算效率，以實現模型在邊緣設備上進行高速推理的可行性，從而為豆類培育產業提供更加高效的病害監測與防治解決方案。

參考文獻

[1]JhaUC，NayyarH，Chattopadhyay A，etal.Major viral diseases in grain legumes：Designing disease resistant legumes from plant breeding and OMICS integration [J]. Frontiers inPlantScience，2023，14：1183505.

[2]Pamela P，Mawejje D，Ugen M. Severity of angular leaf spot and rust diseases on common beans in Central Uganda [J]. Uganda Journal of Agricultural Sciences， 2014，15（1）：63—72.

[3]Fuentes A，Yoon S，Kim S C，et al.A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition [J]. Sensors-Basel，2017， 17（9）：2022.

[ 4] Huang Q，Wu X，Wang Q，et al. Knowledge distillation facilitates the lightweight and efficient plant diseases detectionmodel[J].PlantPhenomics，2023，5：0062.

[5]Lu J，Ehsani R，Shi Y，et al. Detection of multi-tomato leaf diseases（late blight，target and bacterial spots）in different stages by using a spectral-based sensor [J]. Scientific Reports，2018，8（1）：2793.

[6]Dhingra G，Kumar V，Joshi H D.A novel computer vision based neutrosophic approach for leaf disease identification and classification [J].Measurement，2019， 135：782—794.

[7]AbdulridhaJ，Ampatzidis Y，QureshiJ，et al.Laboratory and UAV-based identification and classification of tomato yellow leaf curl，bacterial spot，and target spot diseases in tomato utilizinghyperspectral imagingand machine learning[J].Remote Sensing，2020，12（17）：2732.

[8]Atri I，Awasthi L，Sharma TP，et al.A review of deep learning techniques used in agriculture [J]. Ecological Informatics，2023，77：102217.

[9]Cynthia ST，HossainK MS，Hasan MN，etal. Automated detection of plant diseases using image processing and Faster R—CNN algorithm [C]. 2019 International Conference on Sustainable Technologies for Industry4.0（STI），2019：1-5.

[10]Kerkech M，Hafiane A，Canals R.Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images [J].Computers and Electronics in Agriculture，2018，155：237—243.

[11］楊巧梅，崔婷婷，袁永榜，等．輕量化YOLO模型在農作 物微小病蟲害檢測中的應用研究[J]．中國農機化學報， 2024，45（9）：265—270，284. Yang Qiaomei，Cui Tingting，Yuan Yongbang，et al. Research on the application of lightweight YOLO model in detection of small crop diseases and pests [J]. Journal of Chinese Agricultural Mechanization，2024，45（9）：265一 270，284.

[12]張書貴，陳書理，趙展．改進YOLOv8的農作物葉片病蟲 害識別算法[J].中國農機化學報，2024，45（7）：255—260. Zhang Shugui，Chen Shuli，Zhao Zhan． Recognition algorithm for crop leaf diseases and pests basedon improved YOLOv8[J]. Journal of Chinese Agricultural Mechanization，2024，45（7）：255—260.

[13]鄭金松，谷海紅，蔣慶剛，等．基于局部特征和視覺詞袋 模型的大豆葉片病害識別[J]．中國農機化學報，2024， 45（8）：204—209. Zheng Jinsong，Gu Haihong，Jiang Qinggang，et al. Identification ofsoybean leaf disease based on local features and visual bag of words model [J]. Journal of Chinese AgriculturalMechanization，2024，45（8）：2O4-209.

[14] Laizer H，Mduma N，Machuve D，et al. Common beans imagery dataset for early detection of bean rust and bean anthracnose diseases [J]. Data in Brief，2024，54：110508.

[15]Badgujar C M，Poulose A，Gan H. Agricultural object detection with You Only Look Once（YOLO） Algorithm： A bibliometric and systematic literature review[J]. Computers and Electronics in Agriculture，2024，223：109090.

[16]Wang A，Chen H，Liu L，et al．YOLOvlO：Real-time end-to-end object detection [EB/OL]. https：//arxiv. org/abs/2405.14458，2024—05—23.

[17]Liu S，Qi L，Qin H，et al. Path aggregation network for instance segmentation [C]. Proceedings of the IEEE Conference on Computer Vision and Pattrn Recognition （CVPR）， 2018： 8759-8768.

[18]Zhu X，HuH，Lin S，etal.DeformableConvNets V2： More deformable，better results [C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition， 2019：9308-9316.

[19] Tan M，Pang R，Le Q V. EficientDet：Scalable and efficientobjectdetection[C].202OIEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR），2020：10778-10787.

[20] Zhu F，Wang Y，Cui J，et al. Target detection for remote sensing based on the enhanced YOLOv4 with improved BiFPN[J]. The Egyptian Journal of Remote Sensing and Space Science，2023，26（2）：351-360.

[21] Xiao J，Zhang S，Yao Y，et al. Generative adversarial network with hybrid attention and compromised normalization for multi-scene image conversion [J]. Neural Computing and Applications，2022，34（9）：7209－7225.