《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 模擬設(shè)計(jì) > 設(shè)計(jì)應(yīng)用 > 基于深度學(xué)習(xí)的桑葉病害識(shí)別方法研究
基于深度學(xué)習(xí)的桑葉病害識(shí)別方法研究
電子技術(shù)應(yīng)用
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,； 2.浙江易港通電子商務(wù)有限公司,；3.浙江農(nóng)林大學(xué) 光機(jī)電工程學(xué)院
摘要： 為提高桑葉病害檢測(cè)精度，實(shí)現(xiàn)將模型方便快速部署到移動(dòng)端,，針對(duì)自然環(huán)境下桑葉病害病斑小,、背景復(fù)雜等問(wèn)題，以YOLOv8為基線模型進(jìn)行改進(jìn),，提出了一種YOLOv8-Evo的桑葉病害識(shí)別算法,。首先在Backbone模塊中加入了可變形卷積模塊從而更靈活地捕捉病害的細(xì)節(jié)和形狀，其次在Neck模塊中增加了CBAM（Convolutional Block Attention Module）注意力機(jī)制,，發(fā)掘圖像中的關(guān)鍵特征和區(qū)域,，最后在18 849張桑葉病害數(shù)據(jù)集上進(jìn)行驗(yàn)證，相較YOLOv8s模型,，YOLOv8-Evo的識(shí)別精度提高2.4%,，召回率提高1.5%，mAP50提高1%,，mAP50-95提高0.7%,，實(shí)驗(yàn)證明改進(jìn)的YOLOv8-Evo模型為桑葉病害識(shí)別的自動(dòng)化提供了理論依據(jù)與技術(shù)支持。
中圖分類號(hào)：TP391.41 文獻(xiàn)標(biāo)志碼：A DOI: 10.16157/j.issn.0258-7998.245509
中文引用格式： 葉暉,，項(xiàng)東暉,，曾松偉. 基于深度學(xué)習(xí)的桑葉病害識(shí)別方法研究[J]. 電子技術(shù)應(yīng)用，2025,，51(3)：70-76.
英文引用格式： Ye Hui,，Xiang Donghui，Zeng Songwei. Research on mulberry leaf disease recognition method based on deep learning[J]. Application of Electronic Technique,，2025,，51(3)：70-76.
Research on mulberry leaf disease recognition method based on deep learning
Ye Hui1，Xiang Donghui2,，Zeng Songwei3
1.School of Mathematics and Computer Science,，Zhejiang A&F University； 2.Zhejiang Yigangtong E-commerce Co.,，Ltd.,； 3.School of Optoelectromechanical Engineering， Zhejiang A&F University
Abstract： To improve the accuracy of mulberry leaf disease detection and enable convenient and rapid deployment of models on mobile devices, an improved version of the YOLOv8 model, named YOLOv8-Evo, is proposed to address issues such as small lesion spots and complex backgrounds in natural environments. The algorithm introduces a deformable convolution module within the Backbone to capture disease details and shapes more flexibly. Additionally, a Convolutional Block Attention Module (CBAM) is incorporated into the Neck to highlight key features and regions in the image. After validation on a dataset of 18 849 mulberry leaf disease images, the YOLOv8-Evo model demonstrates a 2.4% increase in precision, a 1.5% increase in recall rate, a 1% improvement in mAP50, and a 0.7% improvement in mAP50-95 compared to the YOLOv8s model. These results provide both theoretical support and technical backing for the automation of mulberry leaf disease identification.
Key words : mulberry leaf disease,；YOLOv8,；object detection,；model improvement

引言

桑樹(shù)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(shù)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(shù)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(chóng)口奪糧”保豐收行動(dòng)方案》[2],，2022年全國(guó)桑樹(shù)病蟲(chóng)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(shù)病蟲(chóng)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(shù)病害,，對(duì)于提高桑樹(shù)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(shù)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(shù)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(shù)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(shù)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(shù)病蟲(chóng)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(shù)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(shù)病蟲(chóng)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://wldgj.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）


Magazine.Subscription.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載。