英文论文（sci）解读复现:基于YOLOv5的自然场景下苹果叶片病害实时检测

对于目标检测算法改进，但是应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读发表高水平学术期刊中的SCI论文，并对相应的SCI期刊进行介绍

摘要

针对自然场景中复杂背景下多尺度、异型苹果叶片病害的准确定位与识别问题，提出了一种基于改进YOLOv5s模型的苹果叶片病害检测方法。首先，该模型利用双向特征金字塔网络(BiFPN)高效实现多尺度特征融合;然后，加入变压器和卷积块注意模块(CBAM)注意机制，减少无效背景信息的干扰，提高疾病特征的表达能力，提高模型的准确性和召回率。实验结果表明，所提出的 BTC-YOLOv5s模型(模型尺寸为15.8M)能够在自然场景中有效检测4种苹果叶片病害，平均精度(mAP)为84.3%。使用八核CPU，该模型平均每秒可以处理 8.7 张叶子图像。与SSD、Faster R-CNN、YOLOv4-tiny和YOLOx等经典检测模型相比，该模型的mAP值分别提高了12.74%、48.84%、24.44%和4.2%，具有更高的检测精度和更快的检测速度。此外，该模型在强光、昏暗灯光和模糊图像等强噪声条件下具有较强的鲁棒性，mAP值超过80%。综上所述，新型 BTC-YOLOv5s具有重量轻、精度高、效率高等特点，适合在移动设备上应用。该方法可为苹果叶片病害的早期干预和防治提供技术支持。

一、引言

苹果是世界四大流行水果之一，营养丰富，具有重要的药用价值。在中国，苹果产量不断扩大，已成为世界上最大的苹果生产国。然而，多种病害阻碍苹果的健康生长，严重影响苹果的品质和产量，造成重大的经济损失。据统计，苹果病害约有 200 种，其中大部分发生在苹果叶区。

因此，为确保苹果种植业的健康发展，需要采取准确高效的叶部病害识别与防治措施。在传统的病害识别技术中，果农和专家主要依靠经验进行目测，这种方法效率低且主观性强。随着计算机和信息技术的发展，图像识别技术已逐步应用于农业领域。许多研究人员应用机器视觉算法从病害图像中提取颜色、形状和纹理等特征，并将其输入特定的分类器来完成植物病害识别任务。Zhang 等人利用 HSI、YUV 和灰度模型对苹果病害图像进行处理；然后，作者利用遗传算法和基于相关性的特征选择提取特征，并最终利用 SVM 分类器对苹果白粉病、镶嵌病和锈病进行了鉴别，其识别准确率达到了 90%，这不仅使人力和时间成本大大增加，也使系统得以推广和普及。

近年来，深度学习卷积神经网络在农业智能检测中得到了广泛应用，与传统的机器视觉技术相比，其检测速度更快、精度更高[5]。目标检测模型有两种，第一种是以R-CNN[6]和Faster R-CNN[7]为代表的两阶段检测算法。Xie 等人[8]将改进的 Faster R-CNN 检测模型用于葡萄叶病的实时检测，在模型中引入了三个模块（Inception v1、Inception-ResNet-v2 和 SE），平均精度（mAP）达到了 81.1%。Deng 等[9]提出了一种利用无人机遥感和人工智能技术对松树枯萎病进行大规模检测和定位的方法，并进行了一系列优化，将检测精度提高到 89.1%。Zhang 等人[10]设计了一个多特征融合的 Faster R-CNN （MF3R-CNN）模型用于大豆叶病检测，平均准确率达到 83.34%。Wang 等人[11] 使用 RFCN ResNet101 模型检测马铃薯表面缺陷，准确率达到 95.6%。这种两阶段检测模型能够识别作物病害，但其网络模型庞大，检测速度较慢，难以应用于实际种植业。

另一种目标检测算法是以 SSD [12] 和 YOLO [13-16] 系列为代表的单阶段算法。与两阶段检测算法不同，它不需要生成候选帧。通过将边界问题转换为回归问题，利用从网络中提取的特征来预测病变的位置和类别。由于其准确率高、速度快、训练时间短、计算要求低，更适合农业应用。Wang 等人[17]使用 SSD-MobileNet V2 模型检测荔枝表面的划痕和裂纹，最终实现了 91.81% 的 mAP 和 102 帧/秒（FPS）的检测结果。Chang-Hwan 等人[18]在实验中提出了一种新的注意力增强型 YOLO 模型，用于识别和检测植物叶面病害。Li等人[19]改进了YOLOv5中的CSP、特征金字塔网络（FPN）和非最大抑制（NMS）模块，用于检测五种蔬菜病害，获得了93.1%的mAP，有效减少了复杂背景造成的漏检和误检。在复杂的果园环境中，Jiang 等人[20] 提出了一种改进的 YOLOX 模型来检测甜樱桃果实的成熟度。在改进模型的过程中，mAP 和召回率分别提高了 4.12% 和 4.6%，有效解决了果实重叠和枝叶遮挡造成的干扰。Li 等人[21]利用改进后的 YOLOv5n 模型检测自然环境中的黄瓜病害。使用单阶段目标检测算法进行智能作物病害检测的发展已日趋成熟，但针对苹果叶片病害检测的研究却较少。小数据集和简单的图像背景给大多数现有研究带来了问题。因此，为计算能力有限的移动设备开发一种识别准确率高、检测速度快的苹果叶病检测模型至关重要。

考虑到苹果园复杂的种植环境和各种形状的病斑，本研究提出了一种基于 YOLOv5s 的改进型目标检测算法。该算法旨在减少苹果叶病检测任务中多尺度病斑、密集病斑和不明显特征造成的误检。因此，可以提高模型的准确性和效率，为苹果叶病识别和果园智能管理提供必要的技术支持。

二、Materials and Methods（材料与方法）

2.1 材料

2.1.1 数据获取与标注

在本研究中，使用了三个数据集来训练和评估所提出的模型:植物病理学挑战2020 (FGVC7)[22]数据集，植物病理学挑战2021 (FGVC8)[23]数据集和PlantDoc[24]数据集。

FGVC7和FGVC8[22,23]由Kaggle主办的植物病理学细粒度视觉分类大赛中使用的苹果叶片疾病图像组成。照片由康奈尔农业科技公司使用佳能Rebel T5i数码单反相机和智能手机拍摄，每张照片的分辨率为4000 × 2672像素。苹果叶片病害有四种，即锈病、frogeye 叶斑病、白粉病和赤霉病。这些病害发生频繁，对苹果的品质和产量造成重大损失。数据集的样例图像如图1所示。

PlantDoc[24]是由Davinder Singh等人于2020年构建的用于植物病害视觉检测的非实验室图像数据集。收录自然场景植物病害图像2598幅，涉及植物13种，病害多达17种。