基于改进YOLOX＿Nano的番茄叶片病害识别研究.pdf

基于改进 YOLOX Nano 的番茄叶片病害识别研究 方晓捷 严李强 null 张福豪 宋沛琳 西藏大学信息科学技术学院 西藏拉萨 nullnullnullnullnullnull 摘要 近年来 番茄遭受的病害种类越来越多 这些病害对番茄产量和果实品质产生巨大影响 及时高效识别病害并采取有效措施成为 当前番茄生产的迫切需求 针对现有模型番茄病害识别率较低以及模型较大较复杂的问题 提出一种基于改进 nullnullnullnullnullnullnullnullnullnull 的病害识 别模型 通过引入全局注意力机制以增强特征图的全局信息捕捉能力 改进特征金字塔网络中的上采样模块和路径聚合网络中的下采 样模块 以提升特征的表达能力和融合效果 试验结果表明 该方法对番茄叶片病害识别的 nullnullnull 达到 nullnullnullnullnullnull 优化后的模型不仅在番 茄叶片病害识别上表现出高准确率和快速检测性能 而且参数量和计算量较少 便于部署于手机等移动设备 该方法可为番茄叶片病 害轻量化快速高效识别提供参考 关键词 nullnullnullnullnullnullnullnullnullnull 网络 nullnullnull 注意力机制 番茄病害识别 中图分类号 nullnull nullnullnullnullnullnull 文献标识码 null 文章编号 nullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnull doi nullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnullnull 开放科学 资源服务 标识码 OSID esearch on Tomato Leaf Disease ecognition Based on Improved YOLOX Nano FANG Xiao jie YAN Li qiang ZHANG Fu hao et al nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnull Abstract nullnull nullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnull null nullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnull nullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnull nullnull nullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnull nullnullnullnullnullnullnull nullnull nullnullnullnullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnull null nullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnullnullnull null nullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnullnull null nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnull nullnullnullnullnullnullnull nullnull nullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnull nullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnull nullnullnull nullnull nullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnull nullnullnull nullnull nullnullnullnull nullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnull nullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnull nullnullnull nullnullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnull nullnullnullnull nullnull nullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnull nullnull nullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnull Key words nullnullnullnullnull null nullnullnullnull nullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnullnullnullnullnull 基金项目 nullnullnullnull 年中央引导地方科技发展资金项目 nullnullnullnullnullnullnullnullnullnullnull nullnullnullnullnull 西藏大学研究生 高 水 平 人 才 培 养 计 划 项 目 nullnullnullnullnullnullnullnullnullnullnullnullnull 作者简介 方晓捷 nullnullnullnull 女 安徽滁州人 硕士研究生 研究方向 农作物 图像识别 null 通信作者 教授 硕士 从事智能控制研究 收稿日期 nullnullnullnullnullnullnullnullnullnull 修回日期 nullnullnullnullnullnullnullnullnullnull 当前 农作物病害是全球农业生产中的一大挑战 尤其 是在我国农业种植结构日益复杂的背景下 病害问题愈发突 出 严重影响了农作物产量和品质 番茄作为我国重要的传 统作物 其种植面积和产量均居世界前列 近年来 随着气 候变化和农业集约化的发展 番茄病害的种类和发生频率显 著增加 常见的病害包括早疫病 黄化曲叶病 褐斑病 叶霉 病等 这些病害在叶片中表现出不同的症状 严重时会显著 降低番茄产量和果实质量 给农户带来巨大经济损失 null 识 别并防治这些病症对于确保番茄的健康生长至关重要 传 统的病害识别方法依赖于农户的经验和常规的农药防治 效 率低下且容易导致误判 基于深度学习的病害识别基于人 工智能的应用 能够及时识别病害并采取有效防治措施 不 仅能防止病害扩散 减少作物损失 还能提高农业生产效率 同时避免过量使用农药 减轻对环境和生态系统的压力 促 进农业可持续发展 null 因此 采用新技术提高番茄病害识别 的精度和速度成为当前农业生产的迫切需求 随着深度学习技术的发展和计算机图像处理能力的提 升 计算机视觉技术在农作物病害识别领域的应用取得了显 著成果 例如 nullnullnullnullnullnullnullnullnull 等 null 采用 nullnullnullnullnullnullnull nullnullnullnull 模型训练 番茄图 像 通 过 颜 色 识 别 番 茄 成 熟 度 平均精确度达到 nullnullnullnullnull 赵越等 null 研究显示 nullnullnullnullnullnullnull nullnullnullnull 与 nullnullnullnullnull 结合的 方式在马铃薯叶片病害识别中表现优异 检测精度高达 nullnullnullnullnull 远超 nullnullnullnullnullnull 和 nullnullnullnullnullnull 刘阗宇 null 在 nullnullnullnullnullnullnull nullnullnullnull 的基础上改进区域建议网络 提高建议区域质量 使多姿态 葡萄叶片的检测精度得以提升 李 玉 芳 null 通 过 简 化 nullnullnullnullnullnullnullnullnull 的 nullnullnullnullnullnullnullnullnull 模块 获得了在农作物病害 null 分类中 达到 nullnullnullnullnull精度的分类网络 廖露等 null 结合 nullnullnullnullnull 和迁移 学习模型 解决传统水稻病害分类方法的效率和准确度问 题 正确率超过 nullnullnull nullnullnullnullnull 等 null 使用 nullnullnullnullnullnull 识别 nullnull 个品 种的植物叶片图像 准确率高达 nullnullnullnullnullnull nullnullnullnullnullnullnullnull 等 null 提 出 nullnullnullnullnullnull nullnullnullnullnull 模型 用于高效检测番茄 草莓等农作物的病 害 nullnullnull 等 nullnull 通过改进 nullnullnullnullnullnullnullnullnullnullnull 和 nullnullnullnullnullnull 模型 实现 了对番茄灰斑病的高效检测 公徐路等 nullnull 基于 nullnullnullnullnullnullnull 模 型 通过轻量化网络和注意力模块 提高了苹果叶片小目标 病害的检测精度 马超伟等 nullnull 提出使用改进的 nullnullnullnullnullnull 模 型 结合 nullnull nullnullnullnullnullnull 和深度可分离卷积 优化了小麦病害的 检测性能 上述深度学习技术在提高检测准确性的同时 也在努力 减少内存占用和参数数量 以实现高准确度识别 快速检测 并便于在移动设备上部署 尽管检测精度有所提高 但随着 模型参数的增加 模型的复杂度也随之增加 导致更多的浮 点运算 这可能会增加延迟 从而影响实时检测的性能 在 此背景下 人工智能公司旷视科技在 nullnullnullnull 年提出了 nullnullnullnullnull 安徽农业科学 nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnullnull nullnullnullnull nullnull null nullnullnullnullnullnullnull 检模型 nullnullnullnullnullnullnullnullnullnull 作为 nullnullnullnullnull 系列中参数量最精简的 模型 因其具有较少的参数 快速的浮点运算能力 低延迟 检测精度较高以及便于在移动设备上部署等优势 所以受到 了业界的广泛关注 该研究旨在对 nullnullnullnullnullnullnullnullnullnull 的基础架 构进行深入优化 目标是在不显著增加模型的内存和计算参 数的情 况 下 引 入 全 局 注 意 力 机 制 提出一种基于改进 nullnullnullnullnullnullnullnullnullnull 的番茄叶片病害识别模型 1 试验数据 1 1 数据获取 试验所需的所有数据来自公开数据集 nullnullnullnullnullnullnullnullnullnullnullnull网站 该网站涵盖番茄作物的 null 种叶片病害 共 nullnull nullnullnull 张 分别是疮痂病 null nullnullnull 张 早疫病 null nullnullnull 张 晚疫病 null nullnullnull张 叶霉病 nullnullnull 张 斑枯病 null nullnullnull 张 褐斑病 null nullnullnull 张 黄 化曲叶病 null nullnullnull 张 花叶病 nullnullnull 张 其中每张照片的像素均为 nullnullnullnullnullnullnull 1 2 数据处理 利用 nullnullnullnullnullnullnullnull 软件对番茄叶片上的病斑进 行标注 并将有关病斑的类别和位置等信息存储于相应的 nullnullnull 文件中 将试验数据根据类别按 nullnull nullnull null的比例划分为训 练集 验证集和测试集 由于某些类别数据不均衡 采取数 据增强的方法来扩充早疫病 叶霉病 花叶病训练集 具体包 括水平翻转 垂直翻转和图像旋转 经过增强处理后 训练 集的图片数量从 nullnull nullnullnull 张增加到 nullnull nullnullnull 张 每种番茄叶片 病害的图片数量详表 null 表 1 番茄叶片病害数据集 Table 1 Tomato leaf disease dataset 序号 nullnullnull 病害种类 nullnullnullnullnull nullnull nullnullnullnullnullnullnullnull 图片数量 nullnullnullnullnullnull nullnull nullnullnullnullnullnull 训练集 nullnullnullnullnullnullnullnull nullnullnull 增强后的训练集 nullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnull 验证集 nullnullnullnullnullnullnullnullnullnull nullnullnull 测试集 nullnullnullnull nullnullnull null 疮痂病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 早疫病 null nullnullnull nullnullnull null nullnullnull nullnullnull nullnullnull null 晚疫病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 叶霉病 nullnullnull nullnullnull null nullnullnull nullnull nullnull null 斑枯病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 褐斑病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 黄化曲叶病 null nullnullnull null nullnullnull null nullnullnull nullnullnull nullnullnull null 花叶病 nullnullnull nullnullnull null nullnullnull nullnull nullnull 总计 nullnullnullnullnull nullnull nullnullnull nullnull nullnullnull nullnull nullnullnull null nullnullnull null nullnullnull 2 番茄叶片病害智能检测模型 2 1 YOLOX Nano 网络 nullnullnullnullnullnullnullnullnullnull 是 nullnullnullnull 系列最轻 量化的版本 相比传统的目标检测模型 nullnullnullnullnullnullnullnullnullnull 在检 测速度和模型体积方面表现更为出色 更适合于移动端和嵌 入式设备的部署 nullnull nullnullnullnullnullnullnullnullnullnull 的整体结构可以分为 null 个主 要 部 分 分 别 为 nullnullnullnullnullnullnullnullnullnull 主 干 提 取 网 络 这 是 nullnullnullnullnullnullnullnullnullnull 的骨干网络 负责从输入图像中提取高层次的 特征表示 使用 nullnullnullnullnull nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnull nullnullnull 结构 以提 高计算效率和特征学习能力 特征金字塔网络 nullnullnull 通过 在不同网络层次上融合和提取特征 以确保模型能够检测多尺 度的目标 路径聚合网络 nullnullnull 进一步优化了特征的传播和 融合 确保在不同层次上的特征信息能够充分交互和利用 以 增强检测的准确性和鲁棒性 nullnullnullnullnullnullnullnull 输出层 是 nullnullnullnullnullnull nullnullnullnull 的检测头部分 使用 nullnullnullnullnullnullnullnullnullnullnull 的检测方法 它负责从 特征图中预测目标的位置 类别和置信度 是整个目标检测过 程的关键组成部分 图 null 是 nullnullnullnullnullnullnullnullnullnull 的结构图 2 2 全局注意力机制 鉴于 nullnullnullnullnullnullnullnullnullnull 网络结构的简 化 未能充分捕捉特征向量之间的关联 导致对相似且难以 区分的目标预测效果不佳 同时所使用的数据集中番茄叶片 病害特征确实存在相似性问题 为此 该研究在 nullnullnullnullnullnull nullnullnullnull 模型中引入全局注意力模块 旨在帮助网络更有效地 聚焦于重要的特征信息 从而提升对关键目标的识别能力 全局注意力机制 nullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnull 通过 优化信息流和增强模型对全局特征的交互能力来实现提升 深度神经网络的性能 这种机制有助于降低信息的分散性 并提升模型在全局维度上的特征交互 通过融入全局注意 力机制 模型能够更加精准地识别图像中的关键信息 进而 在背景复杂和光线变化的条件下 提高病害识别的准确性 nullnullnull 注意力机制由通道子注意力模块 null null 和空间子注意力 模块 null null 构成 通道子注意力模块使用三维排列在 null 个不同 维度上来保留信息 然后利用 null 个 null 层的多层感知机 nullnullnull 来增强跨维度的空间信息交互 从而提高特征表示的能力 空间子注意力模块关注空间信息 通过使用 null 个卷积层进行 空间信息的融合 充分学习空间特征 nullnull nullnullnull 注意力机制 原理如图 null 所示 在通道子注意模块中 中间状态的定义为公式 null F null nullM null F null nullF null null 式中 M c 表示通道注意力图 null表示级联 在空间子注意模块中 中间状态的定义为公式 null F null nullM null F null nullF null null 式中 M s 表示空间注意力图 null表示级联 2 3 改进的 YOLOX Nano 网络 该研究在 nullnullnullnullnullnullnullnullnullnull 网络的基础上引入 nullnullnull 注意力模块 对输入的特征层进行 全局处理 通过对全局上下文建模 对不同通道的特征图进 行权重的重新分配 增强网络结构深层的特征提取 让网络 聚焦于关键特征 忽视非重点特征 既优化了网络的学习能 力 又提高了特征的重要性和区分度 nullnull 在 nullnullnull 和 nullnullnull 网络中对特征进行上采样和下采样 主 要是为了在不同的特征层级中进行信息融合和尺度适配 通过上采样可以将低分辨率的特征图扩展到更高的分辨率 以便与来自其他层级的特征图进行融合 而下采样则有助于 从较高分辨率的特征图中提取更丰富的语义信息 并减少整 nullnullnullnullnull 卷 null 期 方晓捷等 基于改进 nullnullnullnullnullnullnullnullnullnull 的番茄叶片病害识别研究 图 1 YOLOX Nano 网络结构 Fig 1 YOLOX Nano network structure diagram 图 2 GAM 注意力机制原理 Fig 2 Schematic diagram of GAM attention mechanism 体的计算负担 在上述过程中 可能会丢失一些重要的细节 信息 该研究通过在上采样前加入全局注意力机制 可以让 网络在恢复高分辨率特征图时更好地利用全局上下文信息 从而保留更多有用的细节信息 通过在下采样前加入全局注 意力机制 可以帮助网络更好地整合全局信息 选择性地保 留那些对最终任务有重要影响的特征 从而提升下采样过程 中的信息保留和特征表达能力 在上采样和下采样前引入 全局注意力机制 能够在这些关键特征处理阶段为网络提供 nullnullnull 安徽农业科学 nullnullnullnull 年 全局上下文信息 这有助于网络更好地保留和增强重要特 征 减少信息丢失 并优化特征融合过程 通过这种方式 网 络的特征表达能力得到提升 进而提升最终的任务性能 nullnull 图 null 是改进后的 nullnullnullnullnullnullnullnullnullnullnullnullnullnull 网络结构图 图 3 YOLOX Nano GAM 网络结构 Fig 3 YOLOX Nano GAM network structure diagram 3 试验与结果分析 3 1 试验环境与参数设定 该研究所有试验均基于 nullnullnullnull nullnullnullnull 操作系统 nullnullnullnullnullnullnull nullnullnullnullnullnull 为深度学习框架 开发语言为 nullnullnullnullnullnull nullnullnull 运算平台 nullnullnullnull nullnullnullnull nullnullnull 为 nullnullnullnull nullnullnull nullnullnullnullnull null nullnullnullnull nullnull nullnullnullnullnullnullnullnullnull 显卡使用 nullnullnullnullnullnull nullnullnullnullnullnullnull nullnullnull nullnullnullnull 显存 nullnull null 训练超参数设置具体见表 null 其中迭代次数 nullnullnullnullnullnull 指 的是模型训练时整个训练数据集被模型循环遍历的次数 迭 代次数越多 模型对训练数据的拟合程度可能会提高 但同 时也可能会导致过拟合的问题 nullnull 批大小 nullnullnullnullnull nullnullnullnull 指的 是在每次迭代训练中同时输入到模型中的样本数量 较大的 批大小可能会导致更快的训练速度 但也可能会增加内存需 求 并且可能会导致模型在训练过程中陷入局部最优解 较 小的批大小则可能会增加训练时间 但能够更频繁地更新模 型参数 nullnull 因此 选择合适的批大小时平衡训练效率和资源 占用的关键 动量 nullnullnullnullnullnullnullnull 主要用于加速模型的收敛速度 表 2 网络训练超参数设置 Table 2 Network training hyperparameter setting 序号 nullnullnull 参数名称 nullnullnullnullnullnullnullnullnull 参数值 nullnullnullnullnullnullnullnullnull nullnullnullnullnull null nullnullnullnullnullnull nullnullnull null nullnullnullnullnullnullnullnullnull null null 动量 nullnullnullnullnullnullnullnull nullnullnull null 权重衰减参数 nullnullnullnullnull null null 初始学习率 nullnull nullnullnullnullnull null 并减少在参数空间中震荡的情况 权重衰减参数指的是通 过在模型的损失函数中增加一个惩罚项 来限制模型的复杂 度 防止过拟合 nullnull 学习率用于控制每次更新的步长和幅 度 学习率过大可能导致模型在更新时跳过最优点 过小会 使模型的收敛速度变慢 选择合适的学习率能够帮助模型更 快得到最优解 nullnull 该试验使用随机梯度下降法 nullnullnull 进行 学习和更新网络参数 3 2 评价指标 针对该研究 选用平均精度 nullnullnullnullnullnullnull nullnullnullnullnullnull nullnullnullnull nullnull 各 类 别 nullnull 的 平 均 值 nullnullnullnull nul