引言

桑樹的種植在我國(guó)有著悠久的歷史和深厚的傳統(tǒng)文化底蘊(yùn)[1]。作為世界上最早種植桑樹和養(yǎng)蠶的國(guó)家之一，蠶桑產(chǎn)業(yè)在中國(guó)的發(fā)展可以追溯到幾千年前的古代。但桑樹的生長(zhǎng)和產(chǎn)量受到多種因素的影響，其中病害是最主要的危害因素之一。據(jù)農(nóng)業(yè)農(nóng)村部辦公廳發(fā)布的《2023年“蟲口奪糧”保豐收行動(dòng)方案》[2]，2022年全國(guó)桑樹病蟲害發(fā)生面積約為1.1億畝次，同比增加15%。2022年全國(guó)因桑樹病蟲害致糧食損失約為140萬(wàn)噸，占桑葉總產(chǎn)的11.4%。因此，及時(shí)準(zhǔn)確地識(shí)別和防治桑樹病害，對(duì)于提高桑樹和蠶業(yè)的生產(chǎn)效率和經(jīng)濟(jì)效益具有重要意義。傳統(tǒng)的桑樹病害識(shí)別方法主要依靠人工觀察和判斷，需要專業(yè)知識(shí)和經(jīng)驗(yàn)，耗時(shí)耗力且容易出現(xiàn)誤判和漏判[3-5]。隨著計(jì)算機(jī)視覺(jué)和深度學(xué)習(xí)技術(shù)的發(fā)展，利用圖像處理和機(jī)器學(xué)習(xí)方法進(jìn)行桑樹病害識(shí)別成為一種新的可能。

近年來(lái)，大規(guī)模檢測(cè)模型在工業(yè)、農(nóng)業(yè)等復(fù)雜場(chǎng)景應(yīng)用中得到快速提升[6-8]。目標(biāo)檢測(cè)的算法模型在農(nóng)業(yè)中被廣泛應(yīng)用，如趙德安[9]等人于2019年提出了改進(jìn)的YOLOv3模型以識(shí)別復(fù)雜背景下的蘋果果實(shí)，其實(shí)驗(yàn)識(shí)別準(zhǔn)確率達(dá)97%，召回率為90%，相較于FasterRCNN的識(shí)別率高了5%。孫肖肖[10]等人于2019年提出使用大尺度識(shí)別替代YOLO的多尺度識(shí)別，在預(yù)處理階段提出結(jié)合超濾特征以及OSTU算法對(duì)復(fù)雜背景下的茶葉嫩芽圖像進(jìn)行圖像分割，識(shí)別率達(dá) 84.2%，召回率為 82%。Chen[11]等人在2022年提出了一種用于橡膠樹病害檢測(cè)的改進(jìn)型YOLOv5模型，該模型使用了新的InvolutionBottleneck模塊、SE模塊和EIOU損失函數(shù)以提升模型性能，該模型在59個(gè)作物病害類別上達(dá)到了平均94.24%的識(shí)別準(zhǔn)確率，每個(gè)樣本的平均推理時(shí)間為1.563 ms，模型大小僅為2 MB。

目前，基于圖像處理和機(jī)器學(xué)習(xí)方法的桑樹病害識(shí)別已經(jīng)有一些相關(guān)研究，但仍存在一些問(wèn)題和挑戰(zhàn)。首先，由于桑樹病蟲害種類多、形態(tài)復(fù)雜、分布不均勻等原因，導(dǎo)致采集到的圖像數(shù)據(jù)量不足、質(zhì)量不高、類別不平衡等問(wèn)題，給模型訓(xùn)練和測(cè)試帶來(lái)困難。其次，桑樹病害目標(biāo)體積可能過(guò)小，例如桑褐斑病中的褐斑點(diǎn)，同時(shí)圖像背景可能過(guò)于雜亂。為了解決上述問(wèn)題和挑戰(zhàn)，本文提出了一種基于YOLOv8的桑樹病蟲害識(shí)別方法，通過(guò)引入可變形卷積和注意力機(jī)制以提高YOLOv8s模型應(yīng)對(duì)復(fù)雜背景和小體積目標(biāo)時(shí)的識(shí)別能力，改善對(duì)桑葉病害的識(shí)別能力，最終實(shí)現(xiàn)自然環(huán)境下的桑葉病害的準(zhǔn)確檢測(cè)，為桑葉病害識(shí)別的自動(dòng)化、智能化提供理論依據(jù)。

本文詳細(xì)內(nèi)容請(qǐng)下載：

http://www.xxav2194.com/resource/share/2000006362

作者信息：

葉暉1，項(xiàng)東暉2，曾松偉3

（1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院，浙江 杭州 311300；

2.浙江易港通電子商務(wù)有限公司，浙江 寧波 315200；

3.浙江農(nóng)林大學(xué) 光機(jī)電工程學(xué)院，浙江 杭州 311300）