基于改进YOLOv7的植保无人机精准喷洒系统_陈文彬.pdf

第1期陈文彬 等 基于改进Y O L O v 7的植保无人机精准喷洒系统1 6 7 D O I 1 0 1 3 7 3 3 j j c a m i s s n 2 0 9 5 5 5 5 3 2 0 2 6 0 1 0 2 4 陈文彬 傅晓锦 江志伟 等 基于改进Y O L O v 7的植保无人机精准喷洒系统 J 中国农机化学报 2 0 2 6 4 7 1 1 6 7 1 7 3 C h e n W e n b i n F u X i a o j i n J i a n g Z h i w e i e t a l P r e c i s i o n s p r a y i n g s y s t e m f o r p l a n t p r o t e c t i o n U A V b a s e d o n i m p r o v e d Y O L O v 7 J J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n 2 0 2 6 4 7 1 1 6 7 1 7 3 基于改进YOLOv7的植保无人机精准喷洒系统 陈文彬1 傅晓锦1 江志伟1 王瑞2 卢犇轶3 1 上海电机学院机械学院 上海市 2 0 1 3 0 6 2 浙江大学建筑工程学院 杭州市 3 1 0 0 0 0 3 浙江农林大学现代农学院 杭州市 3 1 1 3 0 0 摘要 对于当前植保无人机喷洒存在重复喷洒 农药残留 缺少在线病虫害检测 且检测方法不易在嵌入式端部署等问题 提出一种植保无人机平台下基于改进Y O L O v 7的霜霉病与潜叶蝇检测农药喷洒系统 首先 采用渐进金字塔网络 A F P N提升模型在特征融合区域的自适应特征融合能力 其次 引入E M A注意力机制模块 利用维度交互的方式来提 升融合像素特征 试验结果表明 改进Y O L O v 7病虫害检测算法的平均精度均值mAP达到9 4 2 相比于原始 Y O L O v 7算法提高2 5 9 每秒传输帧数FPS相比于原算法提高4 6 最后 将Y O L O v 7 A F P N E M A的病虫害 识别模型部署到J e t s o n O r i n N a n o上进行验证性检测试验 对比模型改进前后的检测精度 验证结果表明 改进算法相 比于原始算法 在线实时检测精度提升1 1 3 病虫害检测成功率达8 9 7 关键词 植保无人机 喷洒系统 改进Y O L O v 7 病虫害 中图分类号 S 2 5 2 T P 3 9 1 4 文献标识码 A 文章编号 2 0 9 5 5 5 5 3 2 0 2 6 0 1 0 1 6 7 0 7 收稿日期 2 0 2 4年5月2 5日 修回日期 2 0 2 5年6月1 9日 基金项目 上海市自然科学基金 1 1 Z R 1 4 1 3 8 0 0 浙江省自然科学基金项目 Y 1 0 9 0 1 5 3 第一作者 陈文彬 男 1 9 9 7年生 浙江永康人 硕士研究生 研究方向为机器视觉与智能机器 E m a i l 2 5 3 6 3 6 8 2 2 2 q q c o m 通讯作者 傅晓锦 男 1 9 6 4年生 浙江绍兴人 博士 教授 研究方向为智能控制与故障诊断 E m a i l 2 2 6 0 0 2 0 1 0 1 0 2 s t s d j u e d u c n Precision spraying system for plant protection UAV based on improved YOLOv7 C h e n W e n b i n 1 F u X i a o j i n 1 J i a n g Z h i w e i 1 W a n g R u i 2 L u B e n y i 3 1 School of Mechanical Engineering Shanghai Dianji University Shanghai 2 0 1 3 0 6 China 2 College of Civil Engineering and Architecture Zhejiang University Hangzhou 3 1 0 0 0 0 China 3 College of Advanced Agricultural Sciences Zhejiang A s p r a y i n g s y s t e m i m p r o v e d Y O L O v 7 d i s e a s e s a n d p e s t s 0 引言 当前 大部分农业设施在害虫监测方面仍主要依 赖于人工调查 基于机器视觉的害虫监测技术具备省 时省力 智能化等诸多优点 可有效提高害虫监测效 率 有助于推动害虫防治工作的精准化 1 植保无人 第4 7卷 第1期 2 0 2 6年1月 中国农机化学报 J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n V o l 4 7 N o 1 J a n 2 0 2 6 1 6 8 中国农机化学报2 0 2 6年 机作为当前时代的新兴产物 其在农业生产中起到了 非常重要的作用 2 但是目前仍存在许多不足 在植保 无人机的农药喷洒过程中 存在对相同地块多次喷洒 遗漏喷洒 农药漂移等问题 3 而装载机器视觉识别系 统的植保无人机能让棉花 水稻 蔬菜等农作物的喷药 作业更高效 环保 4 潜叶蝇属于双翅目潜蝇科 5 是我国危害最严重 的害虫之一 霜霉病 6 又称火龙秧子或黄叶子病 是 由十字花科霜霉菌引起的真菌性病害 其可能在白菜 的苗期到结球期一直都存在 并且通常多发生在8月 下旬 9月下旬 7 目前 在农业病虫害检测领域 许多研究人员通过 深度学习来解决病虫害识别问题 8 乔琛等 9 提出了 一种在Y O L O v 5模型基础上添加C 3模块 并在主干 网络中加入N A M注意力机制的模型 来提高对黄瓜 霜霉病菌的检测 并在原始模型的基础上检测精度略 有提升 张平川等 1 0 提出了一种基于改进F a s t e r R C N N的桃树黄叶病识别模型 利用S o f t N M S算 法代替N M S算法 其能够达到较高的精度 M u k h o p a d h y a y等 1 1 提出一种基于N S G A 的茶叶 病害区域检测方法 其能够以较高精度对茶叶病害进 行检测 F a i s a l等 1 2 结合M o b i l e N e t V 3和S w i n T r a n s f o r m e r模型 引入咖啡叶病害识别的混合特征 融合方法 来提高对咖啡叶病害的检测精度 以上研 究均采用机器视觉的方式来实现病虫害的检测 但如 何解决病虫害防治的问题仍没有可行的方案 针对上 述问题 本文提出一种基于改进Y O L O v 7的目标检测 算法 以植保无人机作为实施设备 实现识别病虫害并 做出精准喷洒的联动除害效果 满足有虫则喷 无虫不 喷的绿色健康环保需求 1 材料与方法 1 1 数据集的采集与划分 所采用的数据集是部分利用航拍无人机在受病虫 害侵害的菜园里进行低空拍摄 拍摄对象为白菜 拍摄 高度为2 m 采集数据相机分辨率设置为1 9 2 0像素 1 0 8 0像素 总共拍摄3 0 0幅图片 剔除不合格的照片 筛选出有虫害的图片2 0 0幅 另一部分采用飞桨A I S t u d i o平台4 0 0幅病虫害公开数据集 利用Y O L O 自带软件L a b e l I m g对数据集进行标注 总共设置 1 2 两种类别 1 代表潜叶虫 2 代表霜霉病 为提供 数据的泛化能力 对数据进行增强扩充 加入随机平 移 翻转 镜像和调节亮度等方式将数据扩充至 3 0 0 0幅图片 按照7 2 1的比例划分为2 1 0 0幅训 练集 6 0 0幅验证集 3 0 0幅测试集 将打完标签生成 的 x m l文件转换成 t x t文件便于模型进行训练 1 2 基于机器视觉的精准喷洒系统设计 目前市场上的植保无人机存在重复喷洒 喷洒浪费 等问题 据不完全统计 一架满载1 5 L农药的植保无人 机可以喷洒农田将近1 2 3 h m 2 1 3 而不针对性喷洒既 造成农药浪费 土地污染 1 4 还浪费往返罐装农药的续 航时间 为解决植保无人机农药浪费 续航过短等问 题 1 5 在植保无人机的基础上 设计一套符合作业要求 的基于机器视觉的精准喷洒系统 如图1所示 图1 植保无人机精准喷洒系统 F i g 1 P r e c i s i o n s p r a y i n g s y s t e m o f p l a n t p r o t e c t i o n U A V 1 摄像头 2 R T K 3 飞控 4 喷头 5 嵌入式开发板 6 水泵 如图2和图3所示 该喷洒系统以5 0 4 V移动电 源 植保无人机原有电源 进行供电 通过识别系统对 农作物进行虫害识别 K 9飞控控制无人机飞行状 态 J e t s o n开发板控制水泵喷洒状态 Q G C地面站作 为终端接受发送命令 最终将改进算法部署到识别系 统的J e t s o n O r i n N a n o开发板中 并最终通过外接显 示屏在植保无人机上进行测试试验 图2 系统总体设计方案 F i g 2 O v e r a l l p r o g r a m f o r s y s t e m d e s i g n 图3 喷洒系统工作流程 F i g 3 W o r k f l o w o f t h e s p r a y i n g s y s t e m 2 改进Y O L O v 7网络 2 1 模型改进方法 Y O L O算法是由R e d m o n等 1 6 提出的 其是一种 实时目标检测算法 其特点是速度快 精度高 工业应 第1期陈文彬 等 基于改进Y O L O v 7的植保无人机精准喷洒系统1 6 9 用广 针对小目标病虫害检测存在尺度小 易遮挡和 背景复杂等问题 分别从3个方面对Y O L O v 7 1 7 算法 进行改进 首先替换颈部网络结构F P N为 A F P N 1 8 通过自适应空间融合来融合不同的层次特 征 随后加入2个E M A 1 9 注意力机制模块 通过跨维 度交互进一步聚合2个并行分支的输出特征 以捕获 像素级成对关系 最后替换W I o U损失函数 改进的 Y O L O v 7算法如图4所示 图4 改进后的YOLOv7网络结构 F i g 4 I m p r o v e d Y O L O v 7 n e t w o r k s t r u c t u r e 2 2 A F P N渐进金字塔网络 引入的A F P N模块如图4中N e c k网络所示 在 自下而上的特征提取过程中 A F P N逐步整合低级 高 级和顶级的特征 具体来说 首先是融合低级特征 然 后是深层特征 最后是最抽象的顶级特征 非相邻层 次特征之间的语义差距大于相邻层次特征之间的语义 差距 特别是对于底部和顶部特征 这导致非相邻层 次特征的融合效果较差 因此 如图5所示 利用 A S F F 2 0 为不同层次的特征分配不同的空间权重 以 增强关键层次的重要性 减轻来自不同对象的矛盾信 息的影响 图5为3个层次特征的融合 设xn lij表 示从L e v e l n到L e v e l l位置 i j 的特征向量 得到的 特征向量记为ylij 通过多层次特征的自适应空间融合 得到 由特征向量x1 lij x2 lij x3 lij的线性组合定义如 式 1 所示 ylij lij x1 lij lij x2 lij lij x3 lij 1 式中 lij L e v e l 1的特征在L e v e l 1的空间权重 lij L e v e l 2的特征在L e v e l 2的空间权重 lij L e v e l 3的特征在L e v e l 3的空间权重 式 1 满足约束条件 lij lij lij 1 考虑到 A F P N的每个阶段融合特征数量的差异 实现一个特 定阶段的自适应空间融合模块数量 图5 ASFF结构 F i g 5 A S F F s t r u c t u r e 2 3 E M A注意力机制 基于跨空间学习的高效多尺度注意力模块 E M A 能够提高检测器性能 同时降低参数量和计算 开销 该模块利用分组结构和多尺度并行子网络 同 时建立了短期和长期依赖关系 保留每个通道上的信 息 模型在提高检测器性能的同时 也成功地降低所 需的参数量和计算开销 E M A的结构如图6所示 E M A提供一种不同空间维度方向的跨空间信息 聚合方法 以实现更丰富的特征聚合 其引入2个张 量 分别是1 1分支的输出和3 3分支的输出 然 后 利用2 D全局平均池化对1 1分支输出的全局空 间信息进行编码 在最小分支的输出中 信道特征被 转换为相应的维度形状 即R1 c g Rc g hw 池化操 作如式 2 所示 1 7 0 中国农机化学报2 0 2 6年 zc 1h w h j w i xc i j 2 式中 zc 第c个通道的输出特性 w 输入特征的空间维度的宽 h 输入特征的空间维度的高 xc 第c个通道的输入特性 跨空间学习扩大了特征空间 实现对3个通道之 间依赖关系的高效提取 并将空间结构信息保存在信 道中 同时减少计算开销 在E M A中 针对2 D全局 平均池化的输出 采用非线性S o f t m a x激活函数以适 应线性变换 最后 3条路径的输出特征被计算为 2个空间注意力权重值的聚合 通过S i g m o i d激活函 数强调所有像素的上下文信息 最终输出的维度大小 与输入特征图X Rc h w相同 图6 EMA注意力机制 F i g 6 E f f i c i e n t m u l t i s c a l e a t t e n t i o n E M A m e c h a n i s m 2 4 改进损失函数 在Y O L O v 7原始网络中使用的C I o U 2 1 损失函 数 其在进行目标框回归时 考虑了真实边界框与预测 边界框的各种因素 从而提高回归稳定性 C I o U在计 算中 其纵横比描述的是绝对值 这将存在一定的模 糊 因此将W I o U v 1损失函数替换原本的损失函数 在锚框与目标框有较高重合度的情况下减轻对几何误 差的惩罚 增强模型泛化性 其W I o U 2 2 损失函数计算 过程如式 3 和式 4 所示 LW I o U RW I o ULI o U 3 RW I o U e x p x xg t 2 y yg t 2 Wg 2 Hg 2 4 式中 LW I o U W I o U损失函数 LI o U 交并比损失函数 RW I o U 产生阻碍收敛的梯度 Wg 能覆盖真实框和预测框的最小B O X的宽 Hg 能覆盖真实框和预测框最小B O X的高 xg t 真实框的中心横坐标值 yg t 真实框的中心纵坐标值 x 预测框的中心点横坐标值 y 预测框的中心点纵坐标值 3 试验结果与分析 3 1 训练与嵌入式平台 本试验训练平台和环境如表1所示 表1 训练环境 T a b 1 T r a i n i n g e n v i r o n m e n t 配置环境参数 C P U I n t e l c o r e T M i 5 1 3 6 0 0 K C P U 3 5 G H z G P U N V I D I A G e f o r c e R T X 3 0 9 0 2 4 G 操作系统W i n d o w s 1 0 开发环境C U D A 1 1 7 P y T o r c h 1 1 3 1 本试验改进算法部署平台和环境如表2所示 表2 部署环境 T a b 2 D e p l o y m e n t e n v i r o n m e n t 部署环境参数 C P U c o r e A r m R C o r t e x A 7 8 A E v 8 2 6 4 b i t C P U G P U 3 2 T e n s o r C o r e N V I D I A A m p e r e 8 G 操作系统U b u n t u 2 0 0 4 运行环境C u d a 1 1 4 P y t h o n 3 8 1 0 推理加速包J e t p a c k 5 1 1 T e n s o r R T 8 5 2 2 3 2 训练设置 以Y O L O v 7为基础模型进行改进训练 训练 2 0 0个epoch 初始学习率设置为0 0 1 batch size设置 为1 6 迭代1个轮次保存1次模型权重 最终选择识别 精度最高的模型 3 3 评价指标 选用的算法评价指标包括精确率 Precision 召 回率 Recall 平均精度均值 mAP 每秒传输帧数 FPS 相应的计算如式 5 式 7 所示 Precision TPTP FP 5 Recall TPTP FN 6 mAP APN 7 式中 TP 正确检测框 FP 误检框 FN 漏检框 AP 一个目标的检测精度 N 检测类别数 3 4 模型训练结果与分析 3 4 1 本文算法检测结果 在数据增强后的数据集上使用训练集分别训练 Y O L O v 7算法和改进算法 然后分别在训练好的模型 上用测试集验证 Y O L O v 7原算法和改进算法在测 第1期陈文彬 等 基于改进Y O L O v 7的植保无人机精准喷洒系统1 7 1 试集上的检测结果如表3所示 表3 YOLOv7算法改进前后检测结果对比 T a b 3 C o m p a r i s o n o f d e t e c t i o n r e s u l t s b e f o r e a n d a f t e r i m p r o v e m e n t o f Y O L O v 7 a l g o r i t h m 网络模型 mAP 0 5 潜叶蝇霜霉病 mAP 0 5 Y O L O v 7 7 0 5 6 6 1 6 8 3 I m p r o v e d Y O L O v 7 9 6 1 9 2 2 9 4 2 由表3可知 改进的Y O L O v 7算法的mAP 0 5提 高2 5 9 在数据集中这两种类别的mAP 0 5分别 提高2 5 6 2 6 1 改进的Y O L O v 7算法对霜霉病 类别的检测mAP 0 5提升最大 由此可验证改进的 Y O L O v 7算法对潜叶蝇和霜霉病这2种病虫害检测 有大幅度的提升 从图7可以看出 在改进后的Y O L O v 7算法测试 所得的P R曲线中 随着召回率的增加 各个类别以 及总类别的精确率下降趋势更快 改进后的 Y O L O v 7算法针对每个类别以及总类别的P R曲 线面积更大 曲线收敛效果更好 显然其对病虫害等小 目标的检测具有更好效果 从测试集中选取多组图 片 使用原始算法和改进后算法分别进行检测 其对比 结果如图8所示 可以看出 改进后的Y O L O v 7算法 相比于原始的Y O L O v 7算法具有更高的检测率 在提 升检测精度的同时 也检测到原始算法未检测到的 部分 a 改进前 b 改进后 图7 P R曲线比较 F i g 7 P R c u r v e c o m p a r i s o n c h a r t a 改进前 b 改进后 图8 检测结果示意图 F i g 8 S c h e m a t i c d i a g r a m o f d e t e c t i o n r e s u l t s 3 4 2 消融实验 将改进模块依次加入到原Y O L O v 7模型中 得到 的检测结果如表4所示 可以看出 A F P N模块对 Y O L O v 7算法的检测能力提升较多 加入A F P N模块 使mAP 0 5提升2 4 6 更换损失函数使 mAP 0 5提升0 2 提升效果略微 插入E M A注 意力机制模块 mAP 0 5再次提升1 1 其FPS 值较原始算法提升4 1帧 s 表4 不同模块加入效果对比 T a b 4 C o m p a r i s o n o f t h e e f f e c t s o f a d d i n g d i f f e r e n t m o d u l e s 模型P R mAP 0 5 FPS 帧 s 1 Y O L O v 7 7 3 5 6 0 7 6 8 3 8 8 5 Y O L O v 7 A F P N 9 0 8 9 1 7 9 2 9 9 4 3 Y O L O v 7 A F P N W I o U 9 2 9 9 1 8 9 3 1 9 3 8 Y O L O v 7 A F P N W I o U E M A 9 6 1 9 2 2 9 4 2 9 2 6 3 5 模型部署 W i n d o w s系统下P y T o r c h使用 p t文件来保存神 经网络模型的权重 参数和结构 这些文件可以用于 在不同的环境中加载和使用已经训练好的模型 或者 在训练过程中保存模型的状态以便后续继续训练或进 行推理 但这并不适用所有的硬件平台 所以要进行 格式转换 图9为病虫害识别部署至设备端的流程 其中T e n s o r R T 2 3 是一个可以在N V I D I A各种G P U 硬件平台下运行的一个C 推理框架 T e n s o r R T由 4个组件组成 O N N X p a r s e r B u i l d e r E n g i n e和 L o g g e r 因此可以使用T e n s o r R T推理引擎来执行该 模型 以加快其在英伟达G P U上的运行速度 部署流 程包括 首先要将P y T o r c h所训练模型文件的 p t格 式转换为开放神经网络交换格 O N N X 2 4 并检查模 型文件格式是否正确 然后将O N N X文件转换为 T R T格式文件 最后将T R T格式文件部署至J e t s o n O r i n N a n o开发板上 并进行在线实时检测测试 对比 算法改进前后检测率和漏检率 如图1 0所示 为直观地表达出模型改进前后检测 精度的提升和不同 利用设备端L i n u x系统下 p y t h o n 3调用v i d e o指令开启实时摄像头并对测试样 本进行识别 截取识别视频并对检测识别视频进行抽 帧处理 共计截取照片1 6 0张 计算每帧相片是否能识 别到虫害 进行统计 统计后计算其漏检率和误检率 统计结果如表5所示 改进后模型检出虫害率相比原 始模型提升1 1 3 由图1 1可知 在j e t s o n开发板检 测到虫害的同时 水泵做出喷洒反应 验证了其方案的 可行性 当J e t s o n O r i n N a n o运行不同深度和宽度的网络 模型时 G P U的高负载持续时间也会有所差异 随着 模型结构变得更加复杂 G P U资源的利用率也会增 1 7 2 中国农机化学报2 0 2 6年 加 因此 随着模型复杂度的提高 所需算力也将不断增 加 从图1 2和图1 3可以看出 优化后的Y O L O v 7 在J e t s o n设备上的G P U占用要更低 且其G P U利用率 更加稳定 图9 模型部署流程 F i g 9 M o d e l d e p l o y m e n t f l o w c h a r t a 未检测到病虫害 b 检测到病虫害 图10 设备端检测效果 F i g 1 0 D e v i c e s i d e d e t e c t i o n r e n d e r i n g 表5 模型改进前后在线检测精度 T a b 5 O n l i n e d e t e c t i o n a c c u r a c y b e f o r e a n d a f t e r m o d e l i m p r o v e m e n t 模型漏检数 张漏检率 检出数 张检出率 原始模型3 5 2 1 9 1 2 5 7 8 1 改进模型1 7 1 0 6 1 4 3 8 9 4 a 未检测到病虫害 b 检测到病虫害 图11 设备端检测喷洒效果 F i g 1 1 D e v i c e s i d e d e t e c t i o n s p r a y r e n d e r i n g 图12 原始模型GPU利用率 F i g 1 2 G P U u t i l i z a t i o n o f t h e o r i g i n a l m o d e l 图13 改进模型GPU利用率 F i g 1 3 G P U u t i l i z a t i o n o f t h e i m p r o v e d m o d e l 4 结论 为解决当前植保无人机农药喷洒存在的问题 设 计一款基于改进Y O L O v 7的植保无人机精准喷洒系 统 由识别系统 喷洒系统和视觉系统组成 利用 Y O L O v 7识别模型来识别目前常见的2种病害 1 构建潜叶蝇 霜霉病 2种病虫害的数据集 在原 有Y O L O v 7模型上改进其颈部网络 替换A F P N渐进 金字塔网络 替换损失函数W I o U 加入E M A跨空间学 习注意力机制 使其潜叶蝇检测精度mAP 0 5提升 2 5 6 霜霉病检测精度mAP 0 5提升2 6 1 平均 精度均值提升2 5 9 FPS提升4 6 2 部署优化模型至 J e t s o n设备端 进行实时摄像 头检测 其改进模型检测出虫害率达到8 9 4 相比 于原始模型提升1 1 3 其次通过设备端G P U实时 检测工具对设备运行模型时的G P U利用率进行监测 证明改进后的Y O L O v 7模型其G P U占用率更低且 G P U使用更加稳定 在未来的研究工作中 考虑到病虫害种类多样化 与其复杂性 需要进一步对病虫害类别进行数据扩充 丰富病虫害类别 优化模型性能 加快植保无人机向智 能化 高效化发展的脚步 第1期陈文彬 等 基于改进Y O L O v 7的植保无人机精准喷洒系统1 7 3 参 考 文 献 1 陈梅香 刘蒙蒙 赵丽 等 基于机器视觉的设施农业害虫 监测技术研究进展与展望 J 农业工程技术 2 0 1 7 3 7 3 1 1 0 1 5 2 师树谦 王亚磊 农业机器人技术现状与发展趋势 J 新 疆农机化 2 0 2 3 3 1 2 1 6 S h i S h u q i a n W a n g Y a l e i C u r r e n t t e c h n i c a l s i t u a t i o n a n d d e v e l o p m e n t t r e n d o f a g r i c u l t u r a l r o b o t J X i n j i a n g A g r i c u l t u r a l M e c h a n i z a t i o n 2 0 2 3 3 1 2 1 6 3 宋彦涛 植保无人机在玉米病虫害防治中的应用研究 J 黑龙江粮食 2 0 2 3 1 2 8 1 8 3 4 张学俊 顾沈明 李斌 机器视觉技术在农业生产中的应 用研究 J 农村经济与科技 2 0 1 9 3 0 2 3 5 5 5 6 5 杨红峡 潜叶蝇的发生与防治 J 青海农林科技 2 0 1 5 4 3 7 3 9 5 9 6 钟华 白菜霜霉病的防治 J 北方园艺 2 0 0 6 3 4 1 7 于舒怡 李柏宏 刘丽 等 葡萄霜霉病流行传播模型和扩 散规律研究 J 中国植保导刊 2 0 2 4 4 4 1 4 6 5 5 Y u S h u y i L i B a i h o n g L i u L i e t a l S p a t i a l s p r e a d g r a d i e n t m o d e l a n d s h o r t r a n g e e x p a n s i o n o f g r a p e d o w n y m i l d e w J C h i n a P l a n t P r o t e c t i o n 2 0 2 4 4 4 1 4 6 5 5 8 袁小昊 郭志波 机器视觉在农作物病害自动检测中的应 用研究 J 淮阴工学院学报 2 0 1 7 2 6 3 6 1 1 3 2 Y u a n X i a o h a o G u o Z h i b o A p p l i e d r e s e a r c h o n m a c h i n e v i s i o n a p p l i c a t i o n i n a u t o m a t i c d e t e c t i o n o f c r o p d i s e a s e s J J o u r n a l o f H u a i y i n I n s t i t u t e o f T e c h n o l o g y 2 0 1 7 2 6 3 6 1 1 3 2 9 乔琛 韩梦瑶 高苇 等 基于F a s t e r N A M Y O L O的 黄瓜霜霉病菌孢子检测 J 农业机械学报 2 0 2 3 5 4 1 2 2 8 8 2 9 9 Q i a o C h e n H a n M e n g y a o G a o W e i e t a l Q u a n t i t a t i v e d e t e c t i o n o f c u c u m b e r d o w n y m i l d e w s p o r e a t m u l t i s c a l e b a s e d o n F a s t e r N A M Y O L O J T r a n s a c t i o n s o f t h e C h i n e s e S o c i e t y f o r A g r i c u l t u r a l M a c h i n e r y 2 0 2 3 5 4 1 2 2 8 8 2 9 9 1 0 张平川 胡彦军 张烨 等 基于改进版F a s t e r R C N N 的复杂背景下桃树黄叶病识别研究 J 中国农机化学 报 2 0 2 4 4 5 3 2 1 9 2 2 5 2 5 1 Z h a n g P i n g c h u a n H u Y a n j u n Z h a n g Y e e t a l R e c o g n i t i o n o f p e a c h t r e e y e l l o w l e a f d i s e a s e u n d e r c o m p l e x b a c k g r o u n d b a s e d o n i m p r o v e d F a s t e r R C N N J J o u r n a l o f C h i n e s e A g r i c u l t u r a l M e c h a n i z a t i o n 2 0 2 4 4 5 3 2 1 9 2 2 5 2 5 1 1 1 M u k h o p a d h y a y S P a u l M P a l R e t a l T e a l e a f d i s e a s e d e t e c t i o n u s i n g m u l t i o b j e c t i v e i m a g e s e g m e n t a t i o n J M u l t i m e d i a T o o l s a n d A p p l i c a t i o n s 2 0 2 0 8 0 7 5 3 7 7 1 1 2 F a i s a l M L e u J S D a r m a w a n J T e t a l M o d e l s e l e c t i o n o f h y b r i d f e a t u r e f u s i o n f o r c o f f e e l e a f d i s e a s e c l a s s i f i c a t i o n C I E E E A c c e s s 2 0 2 3 1 1 6 2 2 8 1 6 2 2 9 1 1 3 牛朝阳 小型无人机在农业植保中的应用 J 黑龙江粮 食 2 0 2 3 1 2 7 8 8 0 1 4 安小康 李富根 闫晓静 等 植保无人飞机施用农药应 用研究进展及管理现状 J 农药学学报 2 0 2 3 2 5 2 2 8 2 2 9 4 A n X i a o k a n g L i F u g e n Y a n X i a o j i n g e t a l R e s e a r c h p r o g r e s s a n d m a n a g e m e n t s t a t u s o f p e s t i c i d e a p p l i c a t i o n b y p l a n t p r o t e c t i o n u n m a n n e d a e r i a l v e h i c l e s J C h i n e s e J o u r n a l o f P e s t i c i d e S c i e n c e 2 0 2 3 2 5 2 2 8 2 2 9 4 1 5 阳湘林 樊普云 我国植保无人机发展现状和存在问题分 析 J 农机质量与监督 2 0 2 0 1 1 3 0 3 1 1 6 R e d m o n J D i v v a l a S G i r s h i c k R e t a l Y o u o n l y l o o k o n c e U n i f i e d r e a l t i m e o b j e c t d e t e c t i o n C I E E E C o n f e r e n c e o n C o m p u t e r V i s i o n a n d P a t t e r n R e c o g n i t i o n 2 0 1 6 7 7 9 7 8 8 1 7 W a n g C Y B o c h k o v s k i y A L i a o H Y M Y O L O v 7 T r a i n a b l e b a g o f f r e e b i e s s e t s n e w s t a t e o f t h e a r t f o r r e a l t i m e o b j e c t d e t e c t o r s J P r o c e e d i n g s o f t h e I E E E C V F C o n f e r e n c e o n C o m p u t e r V i s i o n a n d P a t t e r n R e c o g n i t i o n I E E E 2 0 2 3 7 4 6 4 7 4 7 5 1 8 Y a n g G L e i J T i a n H e t a l A F P N A s y m p t o t i c f