冀常鵬 佐永吉 代 巍 基于CMS YOLOv8n的葡萄葉片病害檢測(cè) J 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào) 2025 56 3 95 105 JICP ZUOYJ DAIW DetectionofgrapeleafdiseasesbasedonCMS YOLOv8n J JournalofShenyangAgriculturalUniversity 2025 56 3 95 105 基于nullnullnullnullnullnullnullnullnullnullnull的葡萄葉片病害檢測(cè) 冀常鵬 佐永吉 代 巍 遼寧工程技術(shù)大學(xué) 電子與信息工程學(xué)院 遼寧葫蘆島 125105 摘 要 目的 在復(fù)雜的農(nóng)業(yè)場(chǎng)景下 人工觀測(cè)葡萄葉片病害存在效率低及誤判率高的問(wèn)題 為了改變這一現(xiàn)狀 提升葡萄葉病 害檢測(cè)的準(zhǔn)確性與效率 滿足農(nóng)業(yè)生產(chǎn)中對(duì)病害早發(fā)現(xiàn) 早防治的需求 提出一種基于改進(jìn)YOLOv8n模型的葡萄葉病害檢測(cè)算法 CMS YOLOv8n 方法 首先在骨干網(wǎng)絡(luò)和頸部網(wǎng)絡(luò)中引入CBAM CBAM通過(guò)結(jié)合通道和空間注意力 能夠讓模型更有效地聚 焦于病害區(qū)域特征 當(dāng)面對(duì)葡萄葉片上不規(guī)則的病害目標(biāo)時(shí) 普通模型可能難以準(zhǔn)確捕捉特征 而引入CBAM后的模型 能自動(dòng) 學(xué)習(xí)到病害區(qū)域在通道和空間維度上的重要特征 從而顯著提升對(duì)不規(guī)則病害目標(biāo)的表征能力 其次 設(shè)計(jì)新型C2f MS Block 模塊 用它來(lái)替代頸部網(wǎng)絡(luò)中的C2f模塊 多尺度構(gòu)建塊能夠從不同尺度去提取病害目標(biāo)信息 對(duì)于不同大小 形狀的病害 都能 很好地捕捉其特征 在降低模型復(fù)雜度的同時(shí) 極大地提升對(duì)病害目標(biāo)多尺度信息的處理能力 使得模型在不同環(huán)境下都能穩(wěn) 定地檢測(cè)出病害 結(jié)果 相較于原始YOLOv8n 改進(jìn)后的模型性能有顯著提升 在檢測(cè)精度方面 mAP50提高1 3 mAP50 95 提高0 3 在模型復(fù)雜度方面 FLOPs從8 1G降低至7 8G 結(jié)論 改進(jìn)后的模型不僅檢測(cè)精度更高 而且在運(yùn)行時(shí)所需的計(jì)算 量更少 更有利于在實(shí)際場(chǎng)景中部署和應(yīng)用 在未來(lái)的農(nóng)業(yè)生產(chǎn)中 有望進(jìn)一步推廣應(yīng)用 幫助種植戶及時(shí)發(fā)現(xiàn)葡萄葉病害 減 少經(jīng)濟(jì)損失 促進(jìn)葡萄產(chǎn)業(yè)的健康發(fā)展 關(guān)鍵詞 YOLOv8 病害檢測(cè) CBAM MS Block 中圖分類號(hào) TP391 41 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 1000 1700 2025 03 0095 11 nullnullnullnullnullnullnullnullnull nullnull nullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnull nullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnullnull JIChangpeng ZUOYongji DAIWei SchoolofElectronicandInformationEngineering LiaoningTechnicalUniversity HuludaoLiaoning125105 China nullnullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull In complex agricultural scenarios manual observation of grape leaf diseases has the problems of low efficiency and a high misjudgment rate To change this situation improve the accuracy and efficiency of grape leaf disease detection and meet the demand for early detection and prevention of diseases in agricultural production a grape leaf disease detection algorithm named CMS YOLOv8n based on the improved YOLOv8n model is proposed nullnullnullnullnullnullnull Firstly CBAM Convolutional Block Attention Module is introduced into the backbone network and the neck network By combining channel and spatial attention CBAM enables the model to focus more effectively on the features of the diseased areas When facing irregular disease targets on grape leaves ordinarymodelsmayhavedifficultyinaccuratelycapturingthefeatures However themodelintroducedwithCBAMcanautomatically learn the important features of the diseased areas in both the channel and spatial dimensions thus significantly enhancing the representation ability for irregular disease targets Secondly a new C2f MS Block module is designed to replace the C2f module in thenecknetwork Themulti scalebuildingblockcanextractdiseasetargetinformationfromdifferentscales andcanwellcapturethe features of diseases with different sizes and shapes While reducing the complexity of the model it greatly improves the ability to 沈陽(yáng)農(nóng)業(yè)大學(xué)學(xué)報(bào) 2025 56 3 95 105 JournalofShenyangAgriculturalUniversity http DOI 10 3969 j issn 1000 1700 2025 03 010 收稿日期 2024 12 30 修回日期 2025 02 20 基金項(xiàng)目 遼寧省教育廳基本科研項(xiàng)目 LJKMZ20220677 第一作者 冀常鵬 1970 男 碩士 教授 從事信號(hào)處理及計(jì)算機(jī)通信與網(wǎng)絡(luò)研究 E mail ccp 沈 陽(yáng) 農(nóng) 業(yè) 大 學(xué) 學(xué) 報(bào) 第56卷 processmulti scaleinformationofdiseasetargets enablingthemodeltostablydetectdiseasesindifferentenvironments nullnullnullnullnullnullnull The improved model is verified through experiments and the results show that the performance of the improved model has significantly improved compared with the original YOLOv8n In terms of detection accuracy the mAP50 has increased by 1 3 and the mAP50 95hasincreasedby0 3 Intermsofmodelcomplexity theFLOPshavebeenreducedfrom 8 1Gto7 8G nullnullnullnullnullnullnullnullnullnull Thismeans that the improved model not only has higher detection accuracy but also requires less computation during operation which is more conducivetodeploymentandapplicationinpracticalscenarios Infutureagriculturalproduction itisexpectedtobefurtherpromoted and applied to help growers detect grape leaf diseases in a timely manner reduce economic losses and promote the healthy developmentofthegrapeindustry nullnullnull nullnullnullnullnull YOLOv8n diseasedetection CBAM MS Block 作為全球最大的葡萄生產(chǎn)和消費(fèi)國(guó) 中國(guó)的葡萄產(chǎn)業(yè)對(duì)國(guó)民經(jīng)濟(jì)具有重要貢獻(xiàn) 推動(dòng)葡萄產(chǎn)業(yè)的發(fā)展不 僅能提高種植戶的經(jīng)濟(jì)收入 還能促進(jìn)地方經(jīng)濟(jì)發(fā)展 助力農(nóng)戶脫貧致富 在科技持續(xù)賦能與市場(chǎng)需求強(qiáng)勁 拉動(dòng)的雙重驅(qū)動(dòng)下 葡萄產(chǎn)業(yè)呈現(xiàn)出迅猛的發(fā)展態(tài)勢(shì) 當(dāng)下 葡萄的應(yīng)用范疇已實(shí)現(xiàn)多元化拓展 從傳統(tǒng)的食 品加工領(lǐng)域 逐步延伸至化妝品 醫(yī)藥 生物制品等高精尖行業(yè) 彰顯出其在跨領(lǐng)域應(yīng)用中所蘊(yùn)含的巨大價(jià)值 與發(fā)展?jié)摿?1 然而 在葡萄栽培過(guò)程中的各種病害導(dǎo)致葡萄減產(chǎn) 作物品質(zhì)下降 從而使 其經(jīng)濟(jì)效益降低 傳統(tǒng)的病 害檢測(cè)與防治方法主要依賴人工觀察和專業(yè)知識(shí) 既低效又容易出現(xiàn)誤判 近年來(lái) 基于計(jì)算機(jī)視覺(jué)與深度 學(xué)習(xí)的農(nóng)作物病蟲(chóng)害診斷方法研究取得了突破性進(jìn)展 2 4 早期的圖像處理方法 如聚類分析 邊緣檢測(cè) 顏色 分割和紋理分析 5 8 等 雖然為病害識(shí)別提供初步的思路 但在復(fù)雜背景下的識(shí)別效果有限 難以滿足實(shí)際應(yīng)用 的需求 基于卷積神經(jīng)網(wǎng)絡(luò) CNN 的圖像識(shí)別方法 如AlexNet和VGGNet在農(nóng)業(yè)病害檢測(cè)中取得一定進(jìn)展 但在實(shí)際應(yīng)用中仍面臨計(jì)算資源消耗大 實(shí)時(shí)性差的問(wèn)題 因此 針對(duì)葉片病害等形態(tài)復(fù)雜 大小不一且區(qū)域 不規(guī)則的目標(biāo) 亟需一種更加高效的病害檢測(cè)技術(shù) 最近幾年 YOLO系列因其在物體檢測(cè)方面的優(yōu)良性能 引起人們的廣泛興趣 通過(guò)K means聚類和特征 層優(yōu)化 基于YOLOv3開(kāi)發(fā)荔枝和番茄病害檢測(cè)方法 9 10 王權(quán)順等 11 改進(jìn)YOLOv4算法 結(jié)合二分K均值聚類 算法和DenseNet121優(yōu)化錨框和特征網(wǎng)絡(luò) 用于蘋(píng)果葉部病害檢測(cè) 陶兆勝等 12 改進(jìn)YOLOv5s 并應(yīng)用于番茄葉 片病害檢測(cè) 盡管這些研究取得一定成果 但在小目標(biāo)檢測(cè)和復(fù)雜背景識(shí)別方面仍存在改進(jìn)空間 YOLOv8 模型在小目標(biāo)檢測(cè)方面其性能和速度有所提升 13 14 但在葡萄葉片病害識(shí)別中的應(yīng)用仍處于探索階段 因此 提出一種基于的注意力機(jī)制和分層特征融合策略檢測(cè)方法的CMS YOLOv8n CBAM MS Block YOLOv8n 模 型 為葡萄葉片病害檢測(cè)提供一種高效且準(zhǔn)確的模型方法 null 材料與方法 nullnullnull 試驗(yàn)數(shù)據(jù)集 數(shù)據(jù)集質(zhì)量是影響模型訓(xùn)練效果和檢測(cè)性能的關(guān)鍵因素 為確保模型能夠精準(zhǔn)識(shí)別葡萄葉片病害 構(gòu)建 一個(gè)涵蓋3種常見(jiàn)病害類型的數(shù)據(jù)集 圖1 包括黑腐病 Blackrot 霜霉病 Downymildew 和艾斯卡病 Esca disease 數(shù)據(jù)集的圖像來(lái)源于青島市大澤山 錦州北鎮(zhèn)葡萄種植基地 這些地區(qū)病蟲(chóng)害種類豐富 且種植環(huán)境 多樣 有助于采集到多樣化的病害葉片樣本 基本涵 蓋不同的光照條件 生長(zhǎng)期以及葡萄品種 以保證數(shù)據(jù) 的多樣性和代表性 葡萄病蟲(chóng)害樣本采集在春季展葉 期至秋季落葉期之間 這樣能確保收集到不同生長(zhǎng)階 段的病害樣本 同時(shí) 記錄采集時(shí)的環(huán)境溫度 濕度等信 息 以便后續(xù)分析環(huán)境因素與病蟲(chóng)害發(fā)生的關(guān)聯(lián) 采集 設(shè)備使用佳能5DMarkIV數(shù)碼相機(jī) 配備微距鏡頭 以 便確保能夠清晰捕捉到葉片上的細(xì)微病蟲(chóng)害特征 設(shè) 置圖像分辨率為300dpi 圖像尺寸為4000 3000像素 黑腐病 Blackrot 埃斯卡病 Escadisease 霜霉病 Downymildew 圖null 數(shù)據(jù)集實(shí)例 nullnullnullnullnullnull null nullnullnullnullnullnullnull nullnullnullnullnullnullnullnull 96 第3期 冀常鵬等 基于CMS YOLOv8n的葡萄葉片病害檢測(cè) 保證采集的圖像具有足夠的細(xì)節(jié)信息 共獲得1129張葡萄葉片圖像 為保證數(shù)據(jù)的高質(zhì)量和科學(xué)性 采集過(guò) 程嚴(yán)格控制試驗(yàn)條件 包括晴天 陰天和早晚低光照等自然光照變化 此外 為提高數(shù)據(jù)集的多樣性及豐富 性 加入來(lái)自PlantVillage 15 AiStudio 16 IDADP 17 18 公開(kāi)數(shù)據(jù)集中的葡萄葉片病害圖像4284張 利用X Any LabelImg軟件對(duì)圖像進(jìn)行標(biāo)注 標(biāo)簽信息存儲(chǔ)為YOLO算法的txt數(shù)據(jù)格式 葡萄病害圖像數(shù)據(jù)詞典的數(shù)據(jù)表 字段與示例見(jiàn)表1 具體而言 使用LabelImg為每張圖像中的病害區(qū)域繪制邊界框 并按照青島市大澤山葡萄 種植基地的葡萄病害情況 將其分為葡萄正常葉片 0 grape 黑腐病 1 b r 霜霉病 2 gdm 和艾斯卡病 3 esca 4種類別進(jìn)行標(biāo)注 生成的txt標(biāo)簽文件與圖像文件同名 其中記錄的目標(biāo)信息 包括類別 歸一化后的中 心坐標(biāo)及邊界框的寬高 為了評(píng)估模型性能 將數(shù)據(jù)集按照訓(xùn)練 驗(yàn)證 測(cè)試的8 1 1比例劃分 各類別的數(shù) 量分布如圖2 病灶位Lesionlocation 葉部Leaves 葉部Leaves 葉部Leaves 病害名Diseasename 霜霉病Downymildew 黑腐病Blackrot 埃斯卡病Escadisease 圖像路徑Imagepath gdm IMG2152 jpg b r IMG1205 jpg esca IMG3308 jpg 備注Remarks 大澤山Dazeshan 北鎮(zhèn)Beizhen 大澤山Dazeshan 表null 葡萄病害圖像數(shù)據(jù)詞典的數(shù)據(jù)表字段與示例 nullnullnullnullnull null nullnullnullnull nullnullnullnullnull nullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnullnull nullnullnull nullnullnull nullnullnullnullnull nullnullnullnullnullnullnull nullnullnullnullnull nullnullnullnull nullnullnullnullnullnullnullnullnullnull 圖null 類別數(shù)量 nullnullnullnullnullnull null nullnullnullnullnullnull nullnull nullnullnullnullnullnullnullnullnullnull nullnullnull nullnullnullnullnullnullnull YOLOv8n是YOLOv8系列中的一個(gè)網(wǎng)絡(luò)模型 由 Ultralytics開(kāi)發(fā)并開(kāi)源于GitHub 該模型旨在適應(yīng)不同 的計(jì)算資源和部署場(chǎng)景 以實(shí)現(xiàn)高效的目標(biāo)檢測(cè) YO LOv8n注重在精度與速度之間找到最佳平衡 能夠滿足 實(shí)時(shí)目標(biāo)檢測(cè)任務(wù)的需求 YOLOv8n網(wǎng)絡(luò)模型包括骨 干網(wǎng)絡(luò) Backbone 頸部網(wǎng)絡(luò) Neck 和檢測(cè)頭 Head 3 個(gè)模塊 骨干網(wǎng)絡(luò)部分參考CSPDarkNet結(jié)構(gòu) 并使用 C2f模塊替代傳統(tǒng)的C3模塊 從而減少參數(shù)量并提升特 征提取能力 此外 YOLOv8n仍保留SPPF SpatialPyr amidPoolingFast 模塊 以進(jìn)一步增強(qiáng)特征表示能力 Neck部分采用優(yōu)化后的PAN FPN Path Aggregation Network FeaturePyramidNetwork 結(jié)構(gòu) 通過(guò)融合來(lái)自 骨干網(wǎng)絡(luò)不同階段的特征圖 Neck部分采用最優(yōu)路徑 聚集網(wǎng)絡(luò) 特征金字塔網(wǎng)絡(luò) PAN FPN 結(jié)構(gòu) 融合骨干網(wǎng)各階段特征圖 增強(qiáng)特征表達(dá)能力 為后續(xù)的目標(biāo)檢 測(cè)提供更豐富的信息 并且同樣使用C2f模塊替代C3模塊 null nullnullnullnullnullnullnullnullnullnullnull CMS YOLOv8n網(wǎng)絡(luò)結(jié)構(gòu)如圖3 其中Conv為卷積運(yùn)算 C2f模塊是一種用于減少特征冗余的卷積神經(jīng)網(wǎng)絡(luò) 模塊 CBAM注意力機(jī)制 ConvolutionalBlockAttentionModule 是一種用于增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)性能的模塊 通過(guò)引 入通道注意力和空間注意力機(jī)制來(lái)提高特征表示的質(zhì)量 SPP SpatialPyramidPooling 全稱為空間金字塔池化結(jié) 構(gòu) 是由HE等在2015年提出的 19 SPP模塊的主要目的是為了解決圖像在輸入到卷積神經(jīng)網(wǎng)絡(luò)時(shí)尺寸不一的問(wèn) 題 在卷積神經(jīng)網(wǎng)絡(luò)中 通常需要將圖像調(diào)整到固定大小才能輸入到網(wǎng)絡(luò)中 然而 由于圖像本身的大小和長(zhǎng)寬 比可能各不相同 調(diào)整大小可能會(huì)圖像失真或信息丟失 SPP模塊通過(guò)金字塔池化的方式 將不同大小的輸入映 射到固定長(zhǎng)度的輸出 從而解決了這個(gè)問(wèn)題 SPPF SpatialPyramidPoolingFast 模塊是SPP模塊的一種改進(jìn) 它 在保持SPP模塊優(yōu)點(diǎn)的同時(shí) 進(jìn)一步提高計(jì)算效率 SPPF模塊通過(guò)改變金字塔池化的實(shí)現(xiàn)方式 實(shí)現(xiàn)更快的計(jì)算 速度 Concat Concatenate 特征融合是一種將兩個(gè)或多個(gè)張量 或特征圖 在某個(gè)維度上連接在一起的操作 生成 一個(gè)更大的張量 Bottleneck塊 輸入到這些Bottleneck塊的特征圖通過(guò)一系列的卷積 歸一化和激活操作進(jìn)行處 數(shù) 量 N u m b e r 3000 2500 2000 1500 1000 500 0 類型Type grape b r gdm esca 97 沈 陽(yáng) 農(nóng) 業(yè) 大 學(xué) 學(xué) 報(bào) 第56卷 理 最后生成的特征圖會(huì)與直接傳遞的那部分特征圖在Concat塊進(jìn)行拼接 Concat MaxPool2d層用于下采樣輸入 體積的空間維度 減少網(wǎng)絡(luò)的計(jì)算復(fù)雜度并提取主要特征 SiLU SigmoidLinearUnit 為Swish激活函數(shù) 20 23 農(nóng)業(yè)場(chǎng)景是一個(gè)復(fù)雜的環(huán)境 葡萄葉片病害通常分布不均 且容易被復(fù)雜背景 如土壤 枝葉和光照變化 干 擾 傳統(tǒng)YOLOv8n在關(guān)注關(guān)鍵區(qū)域和抑制干擾上存在一定局限 需引入更強(qiáng)的注意力機(jī)制來(lái)增強(qiáng)特征提取的針 對(duì)性 將卷積注意力機(jī)制模塊 ConvolutionalBlockAttentionModule CBAM 引入YOLOv8n的backbone和neck 中 提升網(wǎng)絡(luò)對(duì)關(guān)鍵病害區(qū)域的關(guān)注能力 并抑制背景干擾 從而顯著提升葡萄葉片病害檢測(cè)的準(zhǔn)確性和魯棒性 此外 病害特征具有多尺度特性 病害表現(xiàn)形式多樣 包括斑點(diǎn) 變色等 且分布在葉片的不同區(qū)域 同時(shí)為了在 便攜式設(shè)備上實(shí)現(xiàn)實(shí)時(shí)推理 模型需要兼顧輕量化和高性能 而MS Block模塊 21 通過(guò)分層特征融合策略實(shí)現(xiàn)輕 量化的多尺度特征融合 有助于捕獲不同尺度的病害特征 與傳統(tǒng)的特征融合方式相比 MS Block不僅能有效 平衡模型的實(shí)時(shí)性和精度 還能夠顯著降低計(jì)算復(fù)雜度和空間復(fù)雜度 因此 在neck部分集成MS Block模塊 使 得模型更加適配便攜式平臺(tái)的部署需求 同時(shí)增強(qiáng)其在復(fù)雜農(nóng)業(yè)場(chǎng)景中的應(yīng)用能力 24 25 nullnullnull 添加注意力機(jī)制 在葡萄葉片病害檢測(cè)任務(wù)中 病害通常表現(xiàn)為細(xì)小的斑點(diǎn)或紋理變化等微小特征而難以精確檢測(cè) 同時(shí)農(nóng)業(yè) 復(fù)雜環(huán)境和光照變化也增大對(duì)病害檢測(cè)的干擾 采用CBAM以提高模型的檢測(cè)精度和魯棒性 CBAM通過(guò)生成 具有通道和空間維度的特征圖 能夠動(dòng)態(tài)地調(diào)整網(wǎng)絡(luò)對(duì)不同區(qū)域的關(guān)注強(qiáng)度 具體來(lái)說(shuō) CBAM在通道維度上通 過(guò)通道注意力機(jī)制 賦予不同通道不同的權(quán)重 突出病害區(qū)域的關(guān)鍵特征 而在空間維度上 CBAM則通過(guò)空間注 意力機(jī)制關(guān)注圖像中重要的局部區(qū)域 進(jìn)一步減小背景噪聲的影響 這使得模型能夠更加精準(zhǔn)地捕捉病害區(qū)域 的細(xì)節(jié) 尤其是針對(duì)細(xì)小目標(biāo)的檢測(cè) 減少小目標(biāo)漏檢的風(fēng)險(xiǎn) 從而顯著提升檢測(cè)精度和魯棒性 在CMS YOLOv8n模型中 在backbone中的SPPF模塊前和neck部分的中間引入CBAM SPPF模塊旨在處 理不同尺度的特征圖 增強(qiáng)網(wǎng)絡(luò)的多尺度感知能力 然而 SPPF模塊處理的特征圖在信息豐富度上存在一定 的不平衡 可能會(huì)導(dǎo)致模型對(duì)病害區(qū)域的關(guān)注不夠 因此 在SPPF模塊前引入CBAM 可以幫助模型在多尺度 特征融合前更加精準(zhǔn)地捕捉病害區(qū)域的細(xì)節(jié) 強(qiáng)化病害區(qū)域的特征表達(dá) 確保在特征融合過(guò)程中對(duì)重要信息 的關(guān)注度提高 其次 YOLOv8n的neck部分負(fù)責(zé)將backbone提取的特征進(jìn)行進(jìn)一步處理 并傳遞給輸出層進(jìn) 行目標(biāo)檢測(cè) 此時(shí) 模型已經(jīng)提取一定的高級(jí)特征 但這些特征仍然可能包含較多的背景噪聲 特別是在復(fù)雜 的農(nóng)業(yè)環(huán)境中 通過(guò)在neck部分的中間引入CBAM 能夠在進(jìn)行最終特征融合和預(yù)測(cè)之前 進(jìn)一步優(yōu)化特征的 圖null nullnullnullnullnullnullnullnullnullnullnull網(wǎng)絡(luò)結(jié)構(gòu) nullnullnullnullnullnull null nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull 98 第3期 冀常鵬等 基于CMS YOLOv8n的葡萄葉片病害檢測(cè) 空間和通道注意力 減少背景干擾和不相關(guān)區(qū)域的影響 使得模型更專注于病害區(qū)域的細(xì)節(jié) CBAM是一種能夠提高網(wǎng)絡(luò)特征表達(dá)能力的計(jì)算單元 它以中間層特征量為輸入 輸出具有相同大小的增 強(qiáng)特征 該過(guò)程通過(guò)兩個(gè)關(guān)鍵步驟實(shí)現(xiàn) 首先是通道注意力機(jī)制 ChannelAttention 通過(guò)全局信息建模來(lái)對(duì) 不同通道進(jìn)行加權(quán) 從而突出重要的通道特征 其次是空間注意力機(jī)制 SpatialAttention 通過(guò)對(duì)特征圖的空 間維度進(jìn)行建模來(lái)關(guān)注重要區(qū)域的空間信息 最終 經(jīng)過(guò)這兩步的注意力機(jī)制處理后 網(wǎng)絡(luò)能夠更有效地聚 焦于關(guān)鍵特征 提升檢測(cè)性能 整個(gè)過(guò)程如圖4 利用特征圖F傳遞通道注意模塊 建立通道注意力映射M c F 將F與M c F 逐像素相乘得到增強(qiáng)后的特征圖F 1 F 1 進(jìn)入空間注意力機(jī)制模塊生成空間注意力映射M s F 1 最后 通過(guò)將F 1 與M s F 1 逐像素相乘 得到特征圖F 2 圖null nullnullnullnull結(jié)構(gòu) nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnull 圖null 通道注意力模塊結(jié)構(gòu) nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnull 通道注意力模塊如圖5 首先對(duì)輸入特征圖F沿通道維度同時(shí)進(jìn)行全局平均池化 GlobalAveragePooling GAP 和全局最大池化 GlobalMaxPooling GMP 得到2個(gè)不同的空間表現(xiàn)向量 隨后 將這兩個(gè)向量輸入共 享的多層感知機(jī) MLP 網(wǎng)絡(luò) 將經(jīng)過(guò)MLP網(wǎng)絡(luò)處理后的兩個(gè)向量相加 并通過(guò)Sigmoid激活函數(shù) 生成最終的 通道注意力向量 通道注意力權(quán)重M c F 定義為 M c F MLP AvgPool F MLP MaxPool F 1 式中 F為輸入特征圖 為Sigmoid激活函數(shù) MLP為多層感知機(jī)網(wǎng)絡(luò) AvgPool為平均池化 MaxPool為最大池化 空間注意力模塊如圖6 首先將輸入特征圖F1沿通 道維度分別進(jìn)行全局平均池化和全局最大池化操作 生成兩個(gè)大小為W H 1的空間特征圖 隨后 將這兩 個(gè)特征圖進(jìn)行通道維度上的拼接 得到一個(gè)大小為W H 2的特征圖 接著 通過(guò)一個(gè)卷積核大小為7 7的卷 積操作進(jìn)行特征提取 并經(jīng)過(guò)Sigmoid激活函數(shù) 最終生 成空間注意力特征圖 空間注意力權(quán)重M s F 1 定義為 M s F f 7 7 AvgPool F 1 MaxPool F 1 2 圖null 空間注意力模塊結(jié)構(gòu) nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnull nullnullnullnullnullnullnullnullnull nullnullnullnullnullnull 99 沈 陽(yáng) 農(nóng) 業(yè) 大 學(xué) 學(xué) 報(bào) 第56卷 式中 F 1 為輸入特征圖與通道注意力權(quán)重逐像素相乘得到的特征圖 M s F 1 為空間注意力權(quán)重 為Sigmoid激 活函數(shù) f 7x7 為卷積核 CBAM模塊通過(guò)集成通道注意力機(jī)制模塊和空間注意力機(jī)制模塊來(lái)關(guān)注更重要通道以及更顯著空間位 置 從而幫助模型更有效地選擇與病害特征相關(guān)的關(guān)鍵信息 有效提高病害檢測(cè)的準(zhǔn)確性 nullnullnull 模型輕量化 在對(duì)YOLOv8n進(jìn)行改進(jìn)時(shí) 需要考慮葡萄葉片檢測(cè)的實(shí)時(shí)性 第一 為了部署在農(nóng)業(yè)應(yīng)用場(chǎng)景中的便攜 式設(shè)備 如無(wú)人機(jī) 手持終端等 這些設(shè)備通常計(jì)算能力有限 輕量化設(shè)計(jì)可以減少模型的計(jì)算復(fù)雜度和內(nèi)存 占用 從而使其在低功耗硬件上也能高效運(yùn)行 第二 雖然多尺度融合能夠顯著提升檢測(cè)精度 但它也增加計(jì) 算量 輕量化設(shè)計(jì)可以優(yōu)化結(jié)構(gòu) 減少冗余計(jì)算 第三 模型輕量化改進(jìn)不僅能降低訓(xùn)練和調(diào)優(yōu)成本 而且符 合綠色計(jì)算理念 有助于可持續(xù)發(fā)展目標(biāo) 降低設(shè)備能耗 YOLOv8的neck部分中的C2f模塊負(fù)責(zé)將來(lái)自backbone的特征進(jìn)行多層次的融合 雖然backbone部分中的 C2f模塊也有助于特征融合 但其主要作用是在較低的層次上對(duì)特征進(jìn)行初步的處理和提取 相比之下 neck 部分負(fù)責(zé)對(duì)從backbone提取的特征進(jìn)行更加細(xì)致的融合與加工 尤其是在處理多尺度信息時(shí) 因此 優(yōu)化 neck中的C2f模塊 能夠在特征融合階段更加精細(xì)地提升模型性能 傳統(tǒng)的C2f模塊雖然能夠有效融合多層特 征 但在處理復(fù)雜背景或細(xì)小病害特征時(shí) 仍然存在一定的局限性 此外 C2f模塊在計(jì)算效率上也存在一定 的瓶頸 影響了實(shí)時(shí)性 尤其是在計(jì)算資源有限的設(shè)備上 C2f MSBlock模塊通過(guò)層次化特征融合策略和異 構(gòu)卷積核選擇協(xié)議 有效提升多尺度特征融合的精度 與傳統(tǒng)C2f模塊相比 C2f MSBlock能夠更好地處理不 同尺度的特征 特別是在捕捉細(xì)粒度信息 如微小病 斑 和整合粗粒度信息方面表現(xiàn)更為出色 從而顯著提 高葡萄葉片病害檢測(cè)的精度 尤其在復(fù)雜背景下的小 目標(biāo)檢測(cè)中具有明顯優(yōu)勢(shì) 此外 C2f MSBlock的輕量 化設(shè)計(jì)有效減少冗余計(jì)算 降低計(jì)算量 提高推理速 度 確保模型在實(shí)時(shí)性要求高的農(nóng)業(yè)場(chǎng)景中能夠快速 響應(yīng) 同時(shí)適應(yīng)低功耗設(shè)備的部署需求 C2f MSBlock 模塊如圖7 MS Block的結(jié)構(gòu)如圖8 首先對(duì)輸入特征應(yīng)用1 1 卷積 以增加通道維度并增強(qiáng)特征表達(dá)能力 隨后 將 處理后的特征劃分為多個(gè)并行分支 其中一個(gè)分支保 持原始特征不變 其余分支則通過(guò)倒置殘差模塊進(jìn)行 進(jìn)一步處理 以生成豐富的多尺度特征表示 在網(wǎng)絡(luò) 的淺層 MS Block使用較小的卷積核 以便更細(xì)致地處 理高分辨率特征 從而更好地捕獲小尺寸目標(biāo)的細(xì)節(jié) 信息 在網(wǎng)絡(luò)的深層 MS Block使用一個(gè)更大的卷積核 來(lái)捕捉更多的上下文信息 便于識(shí)別大尺寸目標(biāo) 有助 于檢測(cè)大尺寸的葡萄葉片及其病害 在特征融合階段加入MS Block 可以更好地融合 不同層級(jí)的特征 提高特征的表達(dá)能力 在YOLOv8n 網(wǎng)絡(luò)中加入MS Block 對(duì)于葡萄霜霉病等病害 能融合 多尺度特征 增強(qiáng)對(duì)病害的定位和分類能力 在特征 提取模塊中 采用瓶頸結(jié)構(gòu) 減少中間層的通道數(shù) 從 而降低計(jì)算量 對(duì)于病蟲(chóng)害檢測(cè)模型中的特征提取部 分 通過(guò)設(shè)計(jì)緊湊的瓶頸模塊 在不影響對(duì)病蟲(chóng)害特征 圖null nullnullnullnullnullnullnullnullnullnullnull結(jié)構(gòu) nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnullnullnullnull 圖null nullnullnullnullnullnullnullnull結(jié)構(gòu) nullnullnullnullnullnull null nullnullnullnullnullnullnullnullnull nullnull nullnullnull nullnullnullnullnullnullnullnull 100 第3期 冀常鵬等 基于CMS YOLOv8n的葡萄葉片病害檢測(cè) 提取效果的情況下 減少計(jì)算量和參數(shù)量 MS Block通過(guò)引入InvertedBottleneckBlock來(lái)降低計(jì)算成本 首先 此結(jié)構(gòu)利用1 1卷積對(duì)輸入特征進(jìn) 行升維 以增加特征空間的表達(dá)能力 其次 采用深度可分離卷積 DW卷積 實(shí)現(xiàn)高效的特征提取 最后 采用 1 1卷積降維 降低計(jì)算復(fù)雜度 降低參數(shù) 該方法在保持特征信息豐富度的前提下 大大降低計(jì)算復(fù)雜度 提 高模型的實(shí)時(shí)性 CBAM的計(jì)算量相對(duì)較小 而MS Block在處理多尺度特征時(shí)可能會(huì)增加一定的計(jì)算量 在設(shè)計(jì)網(wǎng)絡(luò)結(jié)構(gòu) 時(shí) 需要根據(jù)實(shí)際應(yīng)用場(chǎng)景對(duì)計(jì)算資源的限制 合理選擇模塊的數(shù)量和位置 如在移動(dòng)端或嵌入式設(shè)備上進(jìn) 行病害檢測(cè) 應(yīng)減少M(fèi)S Block的使用 以保證實(shí)時(shí)性 而在服務(wù)器端進(jìn)行大規(guī)模病害檢測(cè)時(shí) 可以適當(dāng)增加 MS Block以提高性能 22 23 null 試驗(yàn)與分析 nullnullnull 試驗(yàn)環(huán)境 試驗(yàn)是在AutoDL單卡服務(wù)器上進(jìn)行 操作系統(tǒng)為Ubuntu20 04 CPU為IntelXeon Gold6430 2 1GHz GPU型號(hào)為NVIDIARTX4090GPU 24GB顯存 內(nèi)存120GB 深度學(xué)習(xí)框架選用PyTorch1 11 0 編程語(yǔ)言選用 Python3 8 CUDA11 3的編譯環(huán)境 輸入圖像尺寸為640 640 訓(xùn)練周期為150epoch 批量大小為64 優(yōu)化器 選用隨機(jī)梯度下降 SGD 初始學(xué)習(xí)率設(shè)定為0 001 以實(shí)現(xiàn)高效且穩(wěn)定的模型訓(xùn)練 nullnullnull 評(píng)價(jià)指標(biāo) 為驗(yàn)證基線YOLOv8n模型在葡萄病蟲(chóng)害檢測(cè)上的性能 以精度 Precision 召回率 Recall 均值平均精度 MeanAveragePrecision mAP 的兩個(gè)變體 分別為mAP50和mAP50 95 并結(jié)合浮點(diǎn)運(yùn)算量 FLOPs 模型大 小作為模型性能的評(píng)估標(biāo)準(zhǔn) 在目標(biāo)檢測(cè)方面 mAP是評(píng)價(jià)模型總體性能的一個(gè)重要指標(biāo) 該方法在不同置信閾值下 將精度 Preci sion 與召回率 Recall 相結(jié)合 評(píng)價(jià)模型的綜合性能 具體來(lái)說(shuō) 通過(guò)繪制精度 召回率 Precision Recall 曲 線 計(jì)算出各類別的檢測(cè)性能指數(shù) AP mAP是用來(lái)衡量多類模型綜合表現(xiàn)的平均水平 假設(shè)模型需要檢測(cè) n個(gè)類別 評(píng)價(jià)指標(biāo)的計(jì)算為 Precision TP TP FP 3 Recall FP TP FP 4 AP 0 1 P R dR 5 mAP 1 n i 1 n AP i 100 6 式中 n為檢測(cè)類別 Precision為精確率 Recall為召回率 TP為被正確識(shí)別的正樣本 FP為負(fù)樣本被錯(cuò)誤識(shí)別為 正樣本 AP為平均精度 P R 為Precision以Recall為參數(shù)的一個(gè)函 mAP為均值平均精度 在目標(biāo)檢測(cè)方面 mAP是評(píng)價(jià)模型總體性能的一個(gè)重要指標(biāo) 該方法在不同置信閾值下 將精度 Preci sion 與召回率 Recall 相結(jié)合 評(píng)價(jià)模型的綜合性能 具體來(lái)說(shuō) 通過(guò)繪制精度 召回率 Precision Recall 曲 線 計(jì)算出各類別的檢測(cè)性能指數(shù) AP 而mAP是用來(lái)衡量多類模型綜合表現(xiàn)的平均水平 mAP50表示當(dāng)IOU IntersectionoverUnion 閾值設(shè)置為0 50時(shí)的平均精度 它將所有IOU超過(guò)0 50的檢測(cè) 結(jié)果視為正確 適用于快速評(píng)估模型在較寬松匹配標(biāo)準(zhǔn)下的表現(xiàn) 相比之下 mAP50 95則在IOU閾值從0 50 到0 95的范圍內(nèi) 以0 05為間隔進(jìn)行計(jì)算 能夠更全面地評(píng)估模型在不同匹配標(biāo)準(zhǔn)下的性能表現(xiàn) FLOPs反映 模型的計(jì)算復(fù)雜度 通過(guò)降低FLOPs 可以有效提升模型的運(yùn)算速度并實(shí)現(xiàn)輕量化 nullnullnull 消融試驗(yàn) 為驗(yàn)證提出的CMS YOLOv8n模型的有效性 進(jìn)行消融試驗(yàn) 所有試驗(yàn)均在確保其他試驗(yàn)參數(shù)一致的前提 下進(jìn)行 通過(guò)針對(duì)不同改進(jìn)方法的比較 旨在深入探討各改進(jìn)對(duì)模型性能的具體影響 消融試驗(yàn)的結(jié)果如表2 試驗(yàn)結(jié)果表明 加入CBAM注意力機(jī)制后 模型的mAP50和mAP50 95分別提高至92 2 和71 顯著提 101 沈 陽(yáng) 農(nóng) 業(yè) 大 學(xué) 學(xué) 報(bào) 第56卷 升檢測(cè)精度 在引入MS Block模塊后 盡管mAP50較原始模型提高0 9 但mAP50 95略有下降 下降幅度 為0 5 值得注意的是 FLOPS從8 1顯著降低至7 7 顯著減少模型的計(jì)算復(fù)雜度 盡管CMS YOLOv8n與僅加入CBAM注意力機(jī)制的模型相比 mAP50和mAP50 95有所下降 但成功實(shí)現(xiàn)模 型的輕量化 顯著減少模型參數(shù)量 更重要的是 在 保持較高檢測(cè)精度的同時(shí) 該模型能夠滿足葡萄葉 病害檢測(cè)任務(wù)對(duì)實(shí)時(shí)性的要求 從而在精度和實(shí)時(shí) 性之間實(shí)現(xiàn)良好的平衡 根據(jù)圖9的檢測(cè)效果對(duì)比 CMS YOLOv8n模 型在病害檢測(cè)方面表現(xiàn)得更加精細(xì) 與YOLOv8n 相比 CMS YOLOv8n不僅能夠檢測(cè)到微小病害區(qū) 域 這些區(qū)域是YOLOv8n未能識(shí)別的 而且還能將 YOLOv8n錯(cuò)誤識(shí)別為單一大面積病害的區(qū)域 準(zhǔn) 確地細(xì)分為多個(gè)小區(qū)域 這種精細(xì)化的檢測(cè)能力 顯著提高病害區(qū)域定位的準(zhǔn)確性 從而增強(qiáng)檢測(cè) 的全面性和可靠性 不管是YOLOv8n還是CMS YOLOv8n 霜霉病 和艾斯卡病由于其病斑特征顯著 對(duì)比強(qiáng)烈 通常 比黑腐病更容易被檢測(cè)到 黑腐病的早期癥狀表 現(xiàn)為小而不明顯的褐色病斑 與背景容易混淆 因 此檢測(cè)難度較大 同時(shí) 艾斯卡病和黑腐病由于 在顏色 形狀和分布上存在一定相似性 在檢測(cè)過(guò) 程中可能會(huì)被混淆 導(dǎo)致互相誤檢 尤其是黑腐病的早期病斑較小且特征不明顯時(shí) 誤判為艾斯卡病的可能 性更高 但是 CMS YOLOv8n通過(guò)引入