基于YOLO v2的辣椒叶部蚜虫图像识别.pdf

山东农业大学学报(自然科学版),2023,54(5):700-709VOL.54 NO.5 2023Journal of ShandongAgricultural University(Natural Science Edition)doi:10.3969/j.issn.1000-2324.2023.05.009基于基于 YOLO v2 的辣椒叶部蚜虫图像识别的辣椒叶部蚜虫图像识别邹 玮1,岳延滨1*,冯恩英1,彭顺正1,张爱民2,肖玖军31.贵州省农业科技信息研究所,贵州 贵阳 5500062.贵州省辣椒研究所,贵州 贵阳 5500063 贵州省山地资源研究所,贵阳 550006摘摘 要要:针对传统辣椒蚜虫识别精度不高、研究较少等问题，本研究一种基于 YOLO v2 的辣椒蚜虫图像识别方法，准确定位蚜虫位置，识别两种不同类型蚜虫，并探究不同网络深度对模型性能的影响。首先 YOLO v2 目标检测网络与 Resnet50 网络六种不同深度卷积结构相融合，构建辣椒蚜虫识别模型，然后利用预测框生成算法设置候选框参数，对六种模型进行训练，根据训练结果设计辣椒蚜虫识别系统。在验证集上进行对比试验，结果表明 Resnet-22 模型对辣椒叶部蚜虫识别精度最高，平均识别准确率为 96.49%，其中黄色蚜虫识别准确率为 98.70%，绿色蚜虫识别准确率为 94.27%，识别时间为 0.129 s。Resnet-22 模型具有较强的鲁棒性，为实现田间复杂背景下辣椒蚜虫识别奠定基础。关键词关键词:辣椒;蚜虫;图像识别中图法分类号中图法分类号:TP751文献标识码文献标识码:A文章编号文章编号:1000-2324(2023)05-0700-10Image Recognition ofAphid on Pepper Leaves Based on YOLO v2ZOUWei1,YUEYan-bin1*,FENG En-ying1,PENG Shun-zheng1,ZHANGAi-min2,XIAOJiu-jun31.Guizhou Institute of Agricultural Science and Technology Information Research,Guiyang 550006,China2.Guizhou Institute of Pepper Research,Guiyang 550006,China3.Guizhou Institute of Mountain Resources,Guiyang 550006,ChinaAbstract:Aiming at the low identification accuracy and less research of traditional pepper aphid recognition,we studies aYOLO v2-based image identification method of pepper aphid to accurately locate aphid locations,identify two differenttypes of aphids,and explore the impact of different network depths on model performance.First,the YOLO v2 targetdetection network is integrated with six different deep convolutional structures of the Resnet50 network to construct a pepperaphid recognition model,and then the candidate box parameters are set using the prediction box generation algorithm,finally,the six models are trained,and the pepper aphids identification system is designed.The comparative test results on thevalidation set demonstrate that Resnet-22 model has the highest identification accuracy,and achieves the averageidentification accuracy of 96.49%on two different types of aphid species,the identification accuracy of yellow aphid andgreen aphid is 98.70%and 94.27%respectively,and the average identification time of one picture is 0.129 s.Resnet-22model is robust and lays the foundation for pepper aphid identification in a complex context in the field.Keywords:Pepper;aphid;image recognition目前我国辣椒常年种植面积约为 214.4 多万 hm2，是我国种植面积最大的蔬菜作物之一，栽培面积和总产量居世界首位1。由于受天气、土壤和防治技术等因素的影响，蚜虫危害日益加重，严重降低了辣椒品质和产量。蚜虫多以成虫、若虫群集于辣椒叶背和嫩尖上刺吸汁液，主要危害表现为：嫩叶卷曲皱缩、成龄叶上产生褪绿斑点，叶片发黄，老化，植株矮小、生长缓慢，严重的甚至萎蔫枯死，此外，蚜虫还是造成病毒病传播的主要媒介，其吸食汁液后排泄的蜜露会诱发煤污病2。一般辣椒受害减产可高达 20%30%，因此，对蚜虫进行早期识别和防控是保证辣椒高产、优质的重要措施之一。传统的作物病虫害识别方法仍停留在人工调查和田间取样上，该过程耗时、费力，而且存在代表性差、主观性强和时效性差等弊端，从而影响作物病虫害及时防治。随着计算机技术的不断发展，收稿日期收稿日期:2023-02-26修回日期修回日期:2023-05-02基金项目基金项目:贵州省科技计划项目(黔科合支撑2021一般 173);贵州省科技计划项目(黔科合支撑2020IY172 号)第第 1 作者简介作者简介:邹 玮(1997-),女,硕士,实习研究员,主要从事图像处理、植物表型等方面研究工作.E-mail:*通讯作者通讯作者:Author for correspondence.E-mail:第 5 期邹 玮等:基于 YOLO v2 的辣椒叶部蚜虫图像识别701利用图像处理技术对病虫害进行识别，已成为农作物病虫害监测的重要研究方向3。传统识别方法是基于颜色、纹理和形状特征对图片信息进行提取分析，由于受作物种类、病虫害类型、光照环境等因素的影响，病虫害特征提取较为困难4。在作物病虫害分类识别的研究中主要包括支持向量机（SVM）、K-Means 聚类算法5、贝叶斯分类器以及人工神经网络（ANN）等几种比较典型的传统机器学习算法。如彭勤等6基于支持向量机SVM提取豆类病害特征并对豆类作物斑病进行分类识别，模型准确率为 93.27%。杨昕薇等7用逐步判别分析法对水稻常见的 3 种病害特征进行分析，发现识别准确率与病斑的饱和度纹理相关性较大，与颜色相关性较小，在剔除相关性较小的特征后利用贝叶斯分类器进行分类识别，平均准确率达 97.5%。房俊龙等8通过提取图像中番茄果径和圆度特征并结合人工神经网络可以准确地判断番茄生理病害果。基于深度学习的卷积神经网络(Deep convolutional neural network，DCNN)能够不依赖特定特征，在目标检测领域得到了广泛应用。目前目标检测方法主要分为两类：一是基于区域生成的检测方法，先由算法生成一系列样本候选框，再对候选框中的目标进行分类，R-CNN9、Fast R-CNN10网络均属于这类算法，宋中山等11提出一种基于二值化的 Faster R-CNN 区域检测模型对自然环境下柑橘叶片病害进行检测，平均准确率为 87.5%。这类方法检测精度高、漏检率也较低，但运行时间长，难以满足现实场景需求。二是基于回归的方法，该方法通过一系列卷积操作提取特征，最后进行分类和边框回归，实现了输入原始图像到直接输出目标位置和类别的优化12。典型算法有 SSD13和YOLO14-16系列网络，这类方法运行速度快，而且实时检测精度也能达到第一类方法的水平17。以上基于传统机器视觉和基于深度学习的目标检测算法模型，相对于传统的作物病虫害识别方法来说检测时间和识别精度均取得了较好的效果，但是，基于回归的目标检测算法在辣椒虫害识别方面的研究还较少。因此，本研究以离体辣椒叶片上的蚜虫为研究对象，提出一种基于 YOLO v2 目标检测网络的辣椒蚜虫识别算法，以期为实现田间辣椒蚜虫精细化、智能化管理奠定基础。1材料与方法材料与方法1.1试验环境试验环境本研究中模型训练的硬件环境配置为：Windows10 64 位操作系统，CPU 为 Intel(R)Core(TM)i5-10400 2.9GHz，GPU 为 NVIDIA GeForce GT 710 内存10G，系统型号为戴尔 Vostro 3888-China HDDProtection 1.3.1。软件开发环境为：CUDA 11.4，MATLAB 2020b。图像采集装置为 iPhone XR，图像分辨率为 3024 像素4032 像素。1.2数据来源与预处理数据来源与预处理1.2.1 数据来源 辣椒蚜虫叶片采集于贵州省农业科学院，采集时间 2022 年 8 月，采集的叶片带回实验室后平铺在吸光白板上，分别采集蚜虫叶片正反面图像，并用标签做好标记，拍摄高度约为 12 cm。1.2.2 数据预处理 原图采集的辣椒叶片图像中包含了标签、蚜虫和背景板，如果对原图进行目标检测，将出现模型的运行时间长、精度低等问题，所以需要对图片进行尺寸转换，以缩短网络运行时间，提升训练效率。根据特征提取网络对图像尺寸的要求，将原始图片裁剪为 224224 大小，MATLAB通过 imcrop 函数对图像目标区域进行截取，如图 1 所示。a.目标截图 Original screenshotb.原图 Original imagec.目标截图 Target screenshot图图 1 截取蚜虫区域图像截取蚜虫区域图像Fig.1 Intercepts images of aphid areas经过裁剪后试验共采集了 291 张辣椒蚜虫样本图像，其中黄色蚜虫图像 146 张，绿色蚜虫图像702山东农业大学学报(自然科学版)第 54 卷145 张，这两种蚜虫分别代表了两种不同类型蚜虫的状态。一般而言，检测结果与光照、拍摄角度等有很大关系，为了使模型具有较强的泛化能力，避免出现过拟合现象，采用数据增强技术对图像进行扩增18，对已有图像进行平移、镜像、缩放、旋转、对比度增强以及高斯白噪声等操作将图像扩充至 2619 张，数据增强效果如图 2 所示。a.原始图像 Original imageb.对比度增强 Contrast enhancementc.放大 Magnificationd.高斯噪声 Gaussian noisee.随机平移Random translationf.水平镜像 Horizontal mirrorg.缩小 Shrinkh.随机旋转 Random rotationi.垂直镜像 Vertical mirror图图 2 数据增强数据增强Fig.2 Data enhancement本研究使用 MATLAB 自带的图像标注工具 Image Labeler 对数据集进行 ROI 标注，黄色蚜虫用橘黄色方框标注，标签名设置为 aphid1，绿色蚜虫用蓝色方框标注，标签名设置为 aphid2。标注时真实框（Ground trurh）为蚜虫的最小外接矩形框，以减少真实框内额外像素的面积，数据集标注如图 3 所示。标注好的数据集按照比例 7:3 划分为训练集、验证集，数据量分别为 1833 张、786 张。其中，训练集主要用来训练网络中的参数，验证集用来评估模型的性能19。图图 3 数据集标注数据集标注Fig.3 Dataset annotation2模型构建模型构建2.1YOLO 网络模型网络模型YOLO 系列网络是由 Redmon J 等20在 2015 年提出的一种端到端的单阶段目标检测网络，与之前以 Faster R-CNN 区域检测模型为代表的两阶段网络不同，YOLO 网络直接将带分类的目标检测问题视为回归问题，加快了检测速度且能将目标和背景更好地区分开。该模型利用特征提取网络自动第 5 期邹 玮等:基于 YOLO v2 的辣椒叶部蚜虫图像识别703提取前景目标特征，最后通过检测网络预测目标类别和边框位置如图 4 所示。图图 4 YOLO 网络检测流程图网络检测流程图Fig.4 Flow chart of YOLO network detection本研究选用 YOLO v2 作为分类检测网络，综合考虑时间和检测精度因素，在精度均满足条件的情况下，较高级的 YOLO 模型训练时间较长，对计算机的性能要求更高。YOLO v2 网络相对于原始YOLO 网络而言，对网络模型结构进行了相应改进，提升了网络检测性能，能够适应本试验要求。与之前的网络相比，做出的改进如下：（1）加入了 Batch Normalization（批归一化）层21，可以把每个神经元的输出限制在以 0 为均值，标准差为 1 的分布里，加快神经网络收敛速度，起到正则化作用，防止模型过拟合。（2）提高了图像分辨率。YOLO v2 在预训练网络进行特征提取时使用 ImageNet 数据集初始化网络参数，此时图像分辨率为 224224，为提高网络检测精度，在训练检测网络时，将输入图像分辨率调整为 448448，这一操作将网络的精度整体提升了约 3.5%。（3）加入了 Anchor 机制。事先给定 B 个长、宽大小不一的先验参考框，每个 Anchor 对应一个预测框，预测框只需要预测它对应的 Anchor 的偏移量。原始 YOLO 网络中 B 设置为 2，而 YOLO v2网络可以增加预测框数量。（4）利用 K-means 聚类选定先验参考框尺寸。在 ROI 标注的数据集上用 K-means 聚类自动选择先验框长宽比，这种方式比 Faster R-CNN 网络中用手动设置更加科学，能够尽可能覆盖所有目标。不同的聚类个数对应不同的 IOU，个数越多覆盖的 IOU 越大，但相应模型的复杂度也会大大增加。2.2模型主干网络模型主干网络 Resnet50目前，Resnet 网络主要有 Resnet18、Resnet34、Resnet50、Resnet101 和 Resnet152，随着 Resnet网络层数不断加深，卷积核尺寸减小、数量增多，模型参数量增加，从而导致训练过程计算量增大且容易出现梯度消失现象，但小卷积核提取的语义信息更加全面。考虑到本研究图像目标特征较为简单，因此选择 Resnet50 作为特征提取网络。Resnet5022主要包含三种基本结构：独立卷积结构、卷积残差结构、平均池化和全连接结构。其中卷积残差结构通过跳跃连接、恒等映射将浅层特征与深层特征融合，有效解决了梯度弥散等问题，残差网络结构如图 5 所示。在特征提取网络中引入残差结构能够保留更多蚜虫特征信息，可以进一步提高模型检测性能。图图 5 残差网络结构示意图残差网络结构示意图Fig.5 Residual network structure diagram704山东农业大学学报(自然科学版)第 54 卷2.3基于改进的辣椒蚜虫检测模型架构基于改进的辣椒蚜虫检测模型架构本研究以 Resnet50 在数据集 ImageNet 上进行测试的预训练网络为起点，通过迁移学习来微调网络参数，即利用预训练网络 Resnet50 提取辣椒叶片上蚜虫的图像特征，再使用学习到的图像特征训练分类器。Resnet 提出以前，普遍认为网络的深度越深，提取到的特征越抽象，模型的检测效果越好。在实际训练过程中，发现网络层数越深，就会出现梯度消失和模型退化等问题，从而导致模型的学习能力下降，检测准确率也会降低，甚至出现不能检出目标的情况。为进一步验证不同深度网络模型对辣椒叶片上蚜虫的识别性能，特征提取模块分别选用 Resnet50 前 10、16、22、28、34、42层卷积网络，去掉最后的平均池化层和全连接层，分类检测模块采用 YOLO v2 网络结构，构成辣椒蚜虫检测模型，模型整体框架如图 6 所示。将这六个模型分别叫做 Resnet-10、Resnet-16、Resnet-22、Resnet-28、Resnet-34、Resnet-42，Resnet50 卷积结构与 YOLO v2 网络相融合的位置在图中分别用红色、蓝色、绿色、粉色、紫色和黄色箭头位置表示。图图 6 辣椒蚜虫检测模型框架辣椒蚜虫检测模型框架Fig.6 Model framework for pepper aphids detection2.4预测框生成算法预测框生成算法YOLO v2 网络中加入 Anchor 机制，为选择最具代表性的候选框，使用 K-means 聚类算法，选出适合实际问题的候选框数量和尺寸。K-means 聚类的相似度检测通常用欧式距离进行度量，对YOLO v2 来说，候选框尺寸的衡量标准为 IOU，所以 YOLO v2 利用 IOU 来计算距离，公式如下：D（box，centroid）=1-IOU（box，centroid）(1)在使用 K-means 聚类方法时需要人为指定聚类数 K，针对本研究中要检测识别辣椒叶片上蚜虫类型的问题，需要在 ROI 标注蚜虫的数据集上进行 K-means 聚类，以得到适合图像中标注蚜虫的anchor box 尺寸和数量。聚类结果如图 7 所示，当 K5 时，AvgIOU 随 K 值增加而上下浮动。AvgIOU 表示辣椒蚜虫数据集上预测的 anchor box 与实际标注框覆盖度的平均值，设置不同聚类数 K 对应不同地 AvgIOU，AvgIOU 值越大说明预测框对蚜虫位置、尺寸预测越准确，但 K 值越大则 anchor box 数量越多，会导致模型复杂度增加，因此本研究将 anchor box个数设置为 5。图图 7 K-means 聚类结果聚类结果Fig.7 K-means clustering results第 5 期邹 玮等:基于 YOLO v2 的辣椒叶部蚜虫图像识别705辣椒叶片图像中每个目标对应多个预测框，每个预测框都有一个置信度，先去除置信度低于阈值的预测框，本试验设置置信度阈值为 0.5，将剩余预测框按照置信度大小排序，选取置信度最高的预测框，分别计算其余预测框与该框的重叠度 IOU，最后将 IOU 大于阈值的预测框去除，以上操作经过不断迭代，输出的图像中每个目标将由唯一的预测框进行预测，IOU 阈值大小应根据实际情况而定，设置过高，多余预测框将会被保留下来，设置过低，可能会消除相近目标对象的预测框，因此反复试验后将 IOU 阈值设置为 0.5。通过上述 NMS 极大值抑制算法处理后即可得到蚜虫在辣椒叶片中的准确位置。3模型训练与结果分析模型训练与结果分析3.1辣椒蚜虫检测网络训练辣椒蚜虫检测网络训练损失函数是网络训练中很重要的一环，在训练过程中，YOLO v2 网络的输出层通过优化预测框与实际标注框之间的均方误差损失来调整网络中的各项参数。YOLO v2 的损失函数定义如下23：200221)()(SiBjiiiiobjijyyxxlKLoss200221)()(SiBjiiiiobjijhhwwlK20022)(SiBjIiobjijCClK20023)(SiBjiinoobjijCClK204)()(2cpcplKiSiclassesciobji(2)式中：S网格单元数量；B每个网格中 Bounding boxes 数量；objijl网格 i 中的第 j 个边界框是否负责检测目标对象；noobjijl网格 i 中的第 j 个边界框是否包含目标对象K1、K2、K3、K4分别代表预测框定位误差损失权重、在网格 i 的第 j 个边界框中检测到一个对象的置信度误差权重、网格 i 的第 j 个边界框中没有检测到对象时的误差权重、预测框分类误差权重损失函数中第一项和第二项负责修正预测框定位参数，第三项和第四项负责检测预测框中是否包含蚜虫，当不包含对象的网格数量超过包含对象的网格数量时，置信度损失可能会导致训练发散，为了弥补这一点，可以增加 K2的值降低 K3的值。第五项负责修正预测框中检测到蚜虫的类条件概率平方误差。3.2试验参数设置试验参数设置试验中检测网络在训练和测试时选择 GPU 进行加速，其中 ExecutionEnvironment 参数默认选择GPU，部分训练参数设置为：选择 SGDM 算法对模型进行优化，动量为 0.9，初始学习率 0.001，每次训练迭代的小批量大小为 8，每迭代 50 次显示一次训练结果，3-7 个 epoch 后训练结果输出变化不大，模型基本收敛，因此最大训练轮数设置为 8 个 epoch。3.3试验结果分析试验结果分析模型训练损失曲线可以描述损失函数的变化趋势，表示随着迭代次数的增加，模型预测辣椒叶片上蚜虫位置和类别与真实值之间的偏差情况，损失值大小与模型预测出错概率相关。本次试验各模型在训练集中训练迭代 1 520 次的损失曲线如图 8（a）所示，为便于清楚查看损失值波动情况，通过间隔 10 次取值的方式对各模型训练迭代过程中损失值的显示如图 8（b）所示。可以看到，以Resnet50 前 10 层卷积结构为特征提取网络的模型 Resnet-10 收敛缓慢且波动较大，其他结构模型以小批量进行训练迭代 200 次后迅速收敛，迭代 1 000 次后所有模型基本趋于稳定。706山东农业大学学报(自然科学版)第 54 卷a.训练迭代 1520 次 1520 training iterationsb.间隔 10 次取值 10 intervals图图 8 模型训练损失曲线模型训练损失曲线Fig.8 Model training loss curve试验中选用的评价指标主要有精度 precision、召回率 recall、P-R 曲线、绿色和黄色蚜虫的识别准确率 AP、平均识别准确率 MAP、训练时间 t1和识别时间 t2。其中精度表示本次试验中模型检测出所有辣椒叶片上的蚜虫有多大比例与标签值相同，召回率代表数据集中被标记的蚜虫有多大比例被模型检测出来，识别准确率 AP 是验证集中各类蚜虫识别精度的平均，其大小为 P-R 曲线下的面积。计算公式如下：precision=FPTPTP100%，(3)recall=FNTPTP100%，(4)AP=)(rpoint1rePn1,12,1nnnnr，(5)式中：TP表示图像中目标被识别为对应类型蚜虫且识别正确；TN表示图像中目标被识别为背景且识别正确；FP表示图像中目标被识别为对应类型蚜虫但识别错误；FN表示图像中目标被识别为背景但识别错误；Pinterpo表示召回率为 r 时的精度；n验证集样本个数。评价指标中的 P-R 曲线反映了召回率与准确率之间的关系,一般横坐标为 recall，纵坐标为precision，可以度量目标检测分类器模型优劣。模型的输出是某个类别的概率值，概率值越大表示属于某一类别的概率越大，根据预测结果将验证集样本按从大到小顺序进行排列，选取第一个样本的概率值作为判断目标对象是蚜虫还是背景的阈值，将大于等于该值的样本视为对应类型蚜虫，小于这个值的样本看作背景，由此计算 recall 和 precision 的值，遍历整个验证集样本后绘制两个类别蚜虫的 P-R 曲线如图 9 所示。可以看出，随着阈值的降低，召回率 recall 值逐渐增加，阈值较高时 TP值越大 FP 值越小，因此精度 precision 值较大且比较平稳，当阈值降低时，FP 值增加，精度 precision值开始降低。由图可知随着特征提取网络层数逐渐增加，模型识别性能变好，但深度到一定层数后又逐渐变差。其中 Resnet-22 模型的 P-R 曲线表现最优，AP 值分别为 98.70%和 94.27%，Resnet-42模型性能最差，对绿色蚜虫的识别准确率仅为 76.10%。第 5 期邹 玮等:基于 YOLO v2 的辣椒叶部蚜虫图像识别707a.黄色蚜虫 Yellow aphidsb.绿色蚜虫 Green aphids图图 9P-R 曲线曲线Fig.9 PrecisionRecall curves本研究中六个模型是基于 YOLO v2 网络，融合 Resnet50 前 10、16、22、28、34、42 层卷积结构构成，在神经网络中，网络深度会影响模型检测效果，因此需要分析不同深度网络模型对辣椒叶片上蚜虫的识别性能，以获得最优模型。利用训练集和验证集对六个模型进行性能分析的结果如表1 所示。表表 1 六种网络模型的识别结果六种网络模型的识别结果Table1 Identification results of the six network models模型结构Model structure绿色蚜虫识别准确率/%Recognition accuracy ofthe green aphidsAP黄色蚜虫识别准确率/%Recognition accuracy ofthe yellow aphidsAP平均准确/%Average accuracyMAP训练时间/hTraining timet1单张图片识别时间/sRecognition timet2Resnet-1096.7786.0391.400.220.090Resnet-1698.3892.8095.590.320.114Resnet-2298.7094.2796.490.350.129Resnet-2895.2380.2687.750.820.172Resnet-3493.3177.8585.581.070.203Resnet-4292.8276.1084.461.980.229由表 1 可知，在相同试验条件下，随着网络层数不断加深，模型训练时间变长，由开始的 0.22 h增加至 1.98 h，单张图片识别时间也有所增加，图片识别准确率提高，以 Resnet50 前 22 层卷积结构为特征提取网络的模型 Resnet-22 对蚜虫识别准确率最高，平均识别准确率为 96.49%，但之后随着网络深度增加，模型识别准确率降低。由于绿色蚜虫颜色与辣椒叶片相近、形态与叶片上茎秆相似，因此绿色蚜虫的识别准确率整体低于黄色蚜虫。通过对比表中数据发现，浅层网络模型 Resnet-10 的识别准确率均高于深层网络模型 Resnet-28、Resnet-34、Resnet-42，说明对于本研究中目标特征较为简单的图像，增加过多地卷积层将导致梯度消失模型学习能力下降，识别准确率降低。在利用深度卷积网络作为特征提取器时，卷积网络深度对网络性能具有较大影响，与浅层网络相比，深层网络可以拟合更复杂的特征、识别检测性能更好，但随着网络层数不断加深，反向传播算法无法将输出误差梯度传播至更远节点，权重得不到调整，导致网络拟合能力变弱，增加网络的深度将变得毫无意义。本试验中 Resnet-22 模型识别准确率最高，识别时间与其余四个模型相比差距不大，因此本研究选用模型 Resnet-22 识别辣椒叶片上的蚜虫，用该模型对两种不同生长阶段蚜虫进行识别的结果如图 10 所示。由图可知 Resnet-22 模型能够比较精准地定位蚜虫位置并识别蚜虫类型。708山东农业大学学报(自然科学版)第 54 卷图图 10 辣椒叶片上蚜虫识别结果辣椒叶片上蚜虫识别结果Fig.10Aphid identification results on pepper leaves4界面设计与实现界面设计与实现4.1App DesignerApp Designer 是 MATLAB 内置的 App 开发工具，采用面向对象的方式进行编程，该软件包含前端交互界面设计和后台代码编写模块，在程序开发过程中，需要按照实际需求添加回调函数、修改控件属性等，更改控件属性后代码会自动更新，大大提高了开发效率。4.2辣椒蚜虫识别界面设计辣椒蚜虫识别界面设计本研究开发的辣椒蚜虫识别系统界面如图 11 所示，其中设计视图界面添加了 Button 控件、Label控件、TextArea 文本区域控件和 Image 图像显示控件。各控件根据实际情况添加回调函数，回调相当于 MFC 中的响应函数，是与界面交互的接口。例如“打开图片”按钮控件的功能是让待识别辣椒蚜虫图片显示在 Image 控件上，“识别虫害”按钮控件的回调函数设计是为了调用训练好的蚜虫检测模型并将检测结果（蚜虫类型和数量）显示在 Label 控件中。界面和回调函数设计完成后，将其保存为.mlapp 文件并退出。图图 11 辣椒蚜虫识别界面辣椒蚜虫识别界面Fig.11 Pepper aphid recognition interface5结结 论论（1）针对传统辣椒蚜虫识别精度不高等问题，本研究提出了一种 YOLO v2 目标检测网络与Resnet50 不同深度卷积结构相结合的方法，对离体辣椒叶片上的蚜虫进行分类识别和定位。检测效果最好的模型为 Resnet-22，平均识别准确率为 96.49%，其中黄色蚜虫识别准确率为 98.70%，绿色蚜虫识别准确率为 94.27%，模型训练时间为 0.35 h，单张图片识别时间为 0.129 s；（2）本文探究了不同深度网络模型对辣椒叶片上蚜虫识别性能的影响，发现浅层网络模型对辣椒蚜虫识别准确率高于深层网络，表明根据不同的图像特征要选择合适地网络深度模型，模型结构第 5 期邹 玮等:基于 YOLO v2 的辣椒叶部蚜虫图像识别709不是越复杂越好；（3）本研究与结果表明，辣椒蚜虫检测模型 Resnet-22，能够更好地进行辣椒叶片上蚜虫的定位和识别，具有较强的鲁棒性，可以为实现田间辣椒蚜虫识别奠定基础，同时该模型也具有很强的稳定性和实用性，对于其他作物虫害识别具有一定的参考价值。参考文献参考文献1赵泽阳.我国辣椒价格波动分析研究D.保定:河北农业大学,20192邱宁宏,刘 芬,江秋菊,等.遵义辣椒智慧产业园辣椒病虫害发生情况调查J.长江蔬菜,2022(16):61-663李 静,陈桂芬,安 宇.基于优化卷积神经网络的玉米螟虫害图像识别J.华南农业大学学报,2020,41(3):110-1164王翔宇,温皓杰,李鑫星,等.农业主要病害检测与预警技术研究进展分析J.农业机械学报,2016,47(9):266-2775唐 林.自动采摘目标图像快速识别算法研究基于 K-means 聚类算法J.农机化研究,2023,45(05):32-366彭 勤,高 士,彭佳红.基于 SVM 的豆类作物病害识别研究J.电脑知识与技术,2019,15(24):210-2117杨昕薇,谭 峰.基于贝叶斯分类器的水稻病害识别处理的研究J.黑龙江八一农垦大学学报,2012,24(3):64-67,798房俊龙,张长利,潘 伟,等.用遗传算法训练的人工神经网络识别番茄生理病害果J.农业工程学报,2004(3):113-1169Yanyan D,Subin P,Kidong L.Utilizing mask R-CNN for solid-volume food instance segmentation and calorieestimation J.Applied Sciences,2022,12(21):1093810 Cheng X.Research on application of the feature transfer method based on fast R-CNN in smoke image recognition J.Advances in Multimedia,2021(1):1-711 宋中山,汪 进,郑 禄,等.基于二值化的 Faster R-CNN 柑橘病虫害识别研究J.中国农机化学报,2022,43(6):150-15812 Marietta I,Kenneth M,Sean XG,et al.A multimodal(FACILE)classification for optical diagnosis of inflammatorybowel disease associated neoplasia J.Endoscopy,2019,51(2):133-14113 程海超.基于 YOLO 的番茄病虫害识别算法研究J.农业与技术,2022,42(10):38-4014 印志本,刘 锋,栾世伟.改进 SSD 算法在骏枣黑斑病识别模型研究J.农业与技术,2022,42(22):15-1815 傅云龙,梁 丹,梁冬泰,等.基于机器视觉与 YOLO 算法的马铃薯表面缺陷检测J.机械制造,2021,59(8):82-8716 周 维,牛永真,王亚炜,等.基于改进的 YOLOv4-GhostNet 水稻病虫害识别方法J.江苏农业学报,2022,38(3):685-69517 徐会杰,黄仪龙,刘 曼.基于改进YOLOv3模型的玉米叶片病虫害检测与识别研究J.南京农业大学学报,2022,45(6):1276-128518 刘 芳,刘玉坤,林 森,等.基于改进型YOLO 的复杂环境下番茄果实快速识别方法J.农业机械学报,2020,51(6):229-23718 朱晓慧,钱丽萍,傅 伟.图像数据增强技术研究综述J.软件导刊,2021,20(5):230-23619 李就好,林乐坚,田 凯,等.改进 Faster R-CNN 的田间苦瓜叶部病害检测J.农业工程学报,2020,36(12):179-18520 Redmon J,Farhadi A.YOLO9000:Better,Faster,Stronger C.San Juan,Puerto Rico:IEEE Conference on ComputerVision and Pattern Recognition,201721 Ioffe S,Szegedy C.Batch normalization:accelerating deep network training by reducing internal covariate shift J.CoRR,2015,abs/1502.0316722 余小东,杨孟辑,张海清,等.基于迁移学习的农作物病虫害检测方法研究与应用J.农业机械学报,2020,51(10):252-25823 冯艳君,刘 军,周台典,等.基于改进特征提取网络和 YOLO V2 的手势识别J.电子世界,2020(19):198-200