基于改进的YOLOv5苹果叶部病害识别研究.pdf

北方农业学报2 0 2 4,5 2(1）：12 5-13 4JOURNALOFNORTHERNAGRICULTURE赵兴，邬欢欢.基于改进的YOLOv5苹果叶部病害识别研究 J.北方农业学报,2 0 2 4,5 2(1)：12 5-13 4.D0I:10.12190/j.issn.2096-1197.2024.01.14基于改进的YOLOv5苹果叶部病害识别研究赵兴1,邬欢欢1.2（1.塔里木大学信息工程学院，新疆阿拉尔8 43 3 0 0;2.塔里木绿洲农业教育部重点实验室，新疆阿拉尔8 43 3 0 0）摘要：【目的】提出一种基于改进YOLOv5模型的病害目标检测算法，实现对苹果叶部病害的自动识别，解决YOLOv5检测模型存在的漏检和误检问题。【方法】基于卷积神经网络改进的YOLOv5模型，采用加权双向特征金字塔网络(BiFPN)特征融合方法，有效改善PANet对多尺度特征融合的不良影响，并加入CBAM模块，使网络能更准确地定位和识别苹果叶部病害，建立一种苹果叶部病害检测的算法模型；使用ATCSP模块和自上而下的特征融合方法来增强模型对多尺度疾病的检测效果,并将该模型与SSD、Y O L O v 4、Y O L O v 6 和YOLOv7模型进行对比。【结果】改进的YOLOv5检测算法模型显著提高了苹果叶部病害检测的精度，对比原始算法，精度（P)提升了5.1%，达到9 0.8%；平均精度均值（m A P）提高了1.2%，达到9 3.4%；模型大小减少2 1.4MB。改进后的YOLOV5算法精度比SSDYOLOv4、Y O L O v 6 和YOLOv7模型分别高11.3、4.4、4.2、3.6 个百分点。【结论】提出了一种基于卷积神经网络改进的YOLOv5苹果叶部病害检测模型，改进后的YOLOv5模型检测速度快、准确率高，且模型较小，能够实现对苹果叶部病害的自动识别。关键词：YOLOv5；苹果；叶部病害；识别；卷积神经网络中图分类号：TP391.41;S436.611文献标识码：A文章编号：2 0 9 6-119 7(2 0 2 4)0 1-0 12 5-10Research on apple leaf disease detection based on improved YOLOv5ZHAO Xing,WU Huanhuan-2(1.School of Information Engineering,Tarim University,Aral 843300,China;2.Ministry of Education Key Laboratory of Tarim Oasis Agriculture,Aral 843300,China)Abstract:ObjectivePropose a disease target detection algorithm based on improved YOLOv5 model,to achieve automaticrecognition of apple leaf diseases and solve the problems of miss and false detection in the YOLOv5 detection model.MethodsBased on the YOLOv5 model improved by convolutional neural network,weighted bidirectional feature pyramidnetwork(BiFPN)feature fusion method was used to effectively improve the adverse effect of PANet on multi-scale featurefusion.The CBAM module was added to enable the network to more accurately locate and identify apple leaf diseases andestablishing an algorithm model for detecting apple leaf diseases.The ATCSP module and top-down feature fusion methodwere used to enhance the detection performance of the model for multi-scale diseases.The model was compared with SSD,YOLOv4,YOLOv6,and YOLOv7 models.Results The improved YOLOv5 detection algorithm model significantly improvedthe accuracy of apple leaf disease detection.Compared with the original algorithm,accuracy(P)increased by 5.1%,reaching90.8%;average precision mean(mAP)increased by 1.2%,reaching 93.4%;the model size reduced by 21.4 MB.The accuracyof improved YOLOV5 algorithm was 11.3,4.4,4.2,and 3.6 percentage points higher than SSD,YOLOv4,YOLOv6,andYOLOv7 models,respectively.ConclusionA convolutional neural network-based improved YOLOv5 apple leaf disease收稿日期：2 0 2 3-11-2 0基金项目：兵团财政科技计划项目南疆重点产业创新发展支撑计划（2 0 2 2 DB005）；塔里木大学校长基金项目（TDZKZD202104）作者简介：赵兴（19 9 9 一），男，硕士研究生，研究方向为农业信息化、数字图像处理。通信作者：邬欢欢（19 8 2 一），男，教授，硕士，主要从事智慧农业、计算机图像处理、人工智能方面的研究工作。126北方农业学报52卷detection model was proposed.The improved YOLOv5 model had fast detection speed,high detection accuracy,and smallsize,which can achieve automatic recognition of apple leaf diseases.Keywords:YOLOv5;Apple;Leaf diseases;Identification;Convolutional neural network我国是全球最大的苹果生产与消费大国，其种植面积约占全球总量的40%，在全球苹果生产与消费中起着重要的作用。在多种环境因素的共同作用下,苹果叶部的病害难以避免，严重影响了苹果的品质和产量，给苹果生产带来了巨大的经济损失。如何快速、高效地检测与防治苹果叶部病害已成为呕待解决的问题。传统农作物病害识别的方法主要依靠专家经验,不仅费时费力，而且难以保证准确率。近年来,在农业信息化快速发展的背景下,以机器学习叫为基础的算法在农业中得到了广泛应用。目前已有的一些机器学习方法,如SVM2、随机森林、决策树 4都依赖于专家经验和人工选取特征，不能很好地满足实际需求。另外，采用机器学习方法建立的模型易受选择特征的影响而不能获得较准确的结果。近年来，卷积神经网络已被广泛应用于农作物病害识别中 5-8 。现有常用的CNN模型19-12 大多含有较多的参数，计算量较大，训练模型较大且训练过程对高性能服务器的要求较高。因此，很难在受资源限制的嵌入式终端上进行部署 13-1。卷积神经网络近年来发展迅速，在农业上应用效果较好 18-2 0 。USHADEVI等 2 1 使用MEAN块和Apple-Inception提出了MEAN-SSD这一新的检测模型 2-2 5 ,改进后的 MEAN-SSD26每秒处理的图像帧数(FPS)达到了12.5 3,平均精度均值(mAP)达到了83.12%。SU N等 2 7 通过引入 Inception 和 Inception-resnet模块，提出了具有更快、更高特征提取能力的DR-IACNN模型。但上述模型检测结果准确度较低,无法检测到早期苹果的叶部病害。现有的苹果叶部病害检测算法存在病害识别效率低、识别精度低等问题。因此,本研究基于卷积神经网络的苹果叶部病害识别方法，主要采用ATCSP模块来改进PANet的结构，引人BiFPN的思想，通过学习得到权重参数来融合不同层的特征映射，同时加入CBAM模块，使得网络能够更准确地定位和识别感兴趣的区域,提出了一种基于改进YOLOv528-30模型的病害目标检测算法，以期实现对苹果叶部多种病害的自动识别，提高识别准确率和稳定性，从而为卷积神经网络在农业病害监测中的应用提供技术支持。1材料和方法1.1试验环境与参数设置试验环境的CPU为Inteli7-12700F，显卡为NVIDIARTX3080,操作系统为Windows10,编译环境为Python3.7、Py t o r c h 0.8.0 学习框架，GPU训练加速为CUDA11.6。苹果斑点落叶病特征主要为黄褐色棍棒形病斑,表面光滑,边缘清晰,病斑周围常有紫色晕圈。苹果灰斑病特征主要为近圆形的灰色病斑,中心偶有小黑点。苹果锈病特征为油亮的橘红色小斑点，而后扩大成橙黄色边缘发红的局部隆起病斑。试验时间为2 0 2 3 年5 一9 月，试验地点为塔里木大学园艺试验站。试验初始参数设置见表1。表1模型训练参数Table 1Model training parameters参数名称Parameters图像大小Imagesize批尺寸Batch size轮次Epoch初始学习率 Initial learning rate优化函数Optimizer学习率动量Momentum权重衰减Weight decay1.2训练环境和评价指标为了衡量改进的算法相比原始算法的性能改善情况，本试验采用精度（P）、平均精度均值（mAP)和召回率（R）作为评价指标。所有预测目标中预测正确目标所占比例的计算初始值Initial value640 x640323000.01SGD0.9370.000 51期赵兴等：基于改进的YOLOv5苹果叶部病害识别研究127公式如下：Precision=TP+FPRecall为所有标注正确目标中预测正确目标所占比例，其计算公式如下：TPRecall=_TP+FN上述两个公式中，TP表示预测正确的正面示例数；FP表示预测错误的反面示例数；FN表示预测错误的正面示例数；TN表示预测正确的反面示例数。AP是衡量训练出的网络模型在单个类别上优劣的重要指标，其计算公式如下：AP=P(R)dR式中,d表示对径向微分,所有类别的mAP均是衡量训练后的网络模型在每个类别上平均优劣的重要指标,mAP为所有类别上平均精度(AP)的平均值。mAP通常分为mAP0.5和mAP0.5:0.95，其中，mAP0.5指将IoU阈值设为0.5 时,所有类别所有图片AP的平均值。mAP0.5:0.95指IoU阈值从0.5 到0.95,步长0.0 5 上的平均mAP。I o U 是指预测框和真实框交集部分的面积与预测框和真实框并集部分的面积的比值,N为预测的类别数。计算公式如下：SuionN2APmAP=i-1N1.3苹果叶部病害数据集试验数据集来自AIStudio，包含415 3 张标记图像的矩形位置来标记苹果叶部病害。其中数据集中调整为6 40 x640用于训练。通过Labellmg软件对图像进行分类标记，包括病害类型、中心坐标、每个病斑的宽度和高度，模型训练参数见表1。试验共标注了8 9 42 个病灶（表2)。将标记的数据集以7:3 的比例随机分为训练集和测试集。3 种病害包括“Alternaria blotch“Grey spot“Rust。数据集的数据分布显示不平衡状态，即正常图片的数量远远高于病害图片的数量。表2 数据集标注分布TPTable 2Dataset annotation distribution(1)病害类型Disease type(2)斑点落叶病Alternaria blotch灰斑病 Grey spot锈病Rust总数Total由于数据集受到室外光照的影响，在拍摄过程中，会使图像整体亮度分布不均匀，在图像部分位置(3)过亮或过暗,因此需要调整图像的对比度。1.4直方图均衡化直方图均衡化计算公式如下：Sk=T(r.)-Z-,=0,1,L-1j=in式中，n为的像素数;n为像素总数;k为灰度级数;L为可能出现的灰度级总数。直方图均衡化后的图像整体亮度提升，但对于图像中地面上过亮的区域更亮，所在过暗的区域没有起到明显的增强效果。1.5注意力机制(4)在YOLOv5网络中加人CBAM，帮助网络更精确地识别苹果叶部病害。CBAM是一个简洁且高效(5)的注意力模块，通常用于前馈卷积神经网络。在给定中间特征图的基础上会按照通道和空间两个维度推断注意力图，之后将输入特征图与其相乘以进行自适应的特征修饰，从而增强网络对关键通道域的注意力。此外，它能够与YOLOv5算法完美结合，从而使得高层特征的提取更为全面和丰富，CBAM结构图见图 1 3 1。CBAM由通道域与空间域组成，通道域聚焦特征点在不同通道中的权重，特征图进人通道域后将其进行全局最大池化和全局平均池化，并使用多层MLP计算不同通道的注意力权重，然后使用Sigmoid激活函数输出最终结果，计算公式如下：M.(F)=oW,WoFcavg+W,WoFmax图片数量Number ofimages1 7511 2771 1254 153标注数Number oflabels39012 6332.4088942(6)(7)128北方农业学报52卷Convolutional Block Attention ModuleChannelInput FeatureAttentionModuleSpatialAttentionModuleRefinedFeatureChannel AttentionModuleMaxPoolChannel AttentionSharedMLPInputfeatureFSpatial AttentionModuleconvlayer一MeChannel-refined MaxPool,AvgPoolfeatureFFigure 1CBAM structure diagram式中，为激活函数；Fcavg为平均池化后在空间上的特征映射；Fcmx为最大池化后在空间上的特征映射；W。是第1个全连接层的权重矩阵；W，是第2 个全连接层的权重矩阵。SAM主要关注目标特征在图像中的具体位置，并对空间特征进行相应的转换，以便更准确地提取关键信息。在空间域采用全局最大池化和全局平均池化能获得新特征F的宽度和高度,将特征的维度从HxW变为1x1。之后通过卷积核进行7 x7卷积，利用 Sigmoid 进行归一化，最后将其与输出特征图合并，计算公式如下：M,(F)=o(f7(Fang;Fmx)式中，为激活函数;F77是尺寸为7 7 卷积运算滤波器；Fag为在通道上平均池化后特征映射；Fm为在通道上最大池化后特征映射。2结果与分析2.1改进直方图均衡化针对上述直方图均衡化对图像过亮或过暗区域没有明显增强的问题，利用自适应阈值的方法对图Spatial AttentionMs图1CBAM结构图像直方图均衡化，通过对图像局部对比度的调整使整个图像的对比度得到增强。直方图均衡化后的苹果叶部图像整体亮度大幅度提升，图像中亮度较大的区域图像对比度增强效果较为明显，而自适应直方图均衡化可以有效解决图像过亮或过暗区域对比度没有明显增强的问题，使整个图像对比度得到增强，减少后续图像特征提取的计算量。对训练集原始病害图像进行旋转、随机亮度增强、随机色度增强,经过数据增强后的数据集见图2。YOLOv5是基于原始的YOLO目标检测架构设(8)计，使用了近年来卷积神经网络领域的最佳优化策略。YOLOv5骨干网络结合了Focus 结构 3 2 和 CSP3结构，提取了输人样本中的主要信息。YOLOv5使用PANet34结构来融合特征层,并在特征层的三个不同尺度上实现预测。YOLOv5体系结构包含四种体系结构。本试验全面考虑了识别模型的准确性、效率和规模，并基于YOLOv5体系结构进行了苹果叶部对象识别网络的改进设计。原始YOLOv5的网络结构见图3 3 。1期赵兴等：基于改进的YOLOv5苹果叶部病害识别研究129日Erogeveleaf spotErogeveloalspo122020909ipa图2 楼数据增强后的数据集Figure 2Data enhanced datasetCBLCSP1.1CBLCSP1.608*6083CBLCSP1.CBLSPPC5P2.1CBL上菜ConcatCSP2.CBLconcatCSP2CONV76*76*255CBLResunitCSP1-xCSP2.x2.2改进的BIFPN头部特征融合网络结构根据GOOGLEBRAIN团队 3 的研究，与FPN和PAN等其他特征融合方式相比，头部网络的双向特征金字塔网络结构(BiFPN)在实现双向跨尺度连接和加权特征融合方面表现更佳。YOLOv3所使用ConBNCBLCBLReSCBLunitX个残差组件ConvCBLCBL2*x个ConvLeakyreluaddTConvConvCHLCLConcatBNConcatBNreluCBL图3 原始YOLOv5网络结构Figure 3 Original YOLOv5 network structure的FPN特征融合框架在本质上受到了单向信息流的制约。图4(a)35展示了该结构,它自上而下传递特征信息，并结合上采样与低级别特征来整合高级别特征,从而得到预测所需的特征图。在FPN特征融合结构的基础上，YOLOv4和YOLOv5所使用的ConcatConcatLeakyreluCBLeakyCSP2.1CSP2.slicesliceFocusslicesliceCONVCONVMaxpoolConcatCBL38*38*25519*19*255MaxpoolSPPCBLConeatMaxpoolCBL130北方农业学报52卷PAN特征融合结构引人了一个额外的自下而上的路径聚合网络。图4(b)35展示的这一结构,能够将浅层的定位数据传递到更深的层次，并在多个维度上提高定位的准确性。图4(c)35展示的是BiFPN特征P7P6P5P4P3(a)FPN将头部网络改进为BIFPN结构的YOLOv5网络结构后对骨干层的网络进行了保留,以输人6 40 x640的图片为例，经过骨干网络后输出为10 2 4个尺寸为4x4的特征图。在10 层采用11的卷积核进行步长为1的卷积操作得到5 12 个尺寸为4x4的特征图。在11层通过上采样操作得到尺寸为8 x8的特征图，在12 层与第6 层得到的5 12 个尺寸的特征图进行拼接，得到10 2 4个尺寸为8 x8的特征图。在6 层通过ATCSP层，采用3 倍层叠，通过多次卷积等操作输出5 12 个尺寸为8 x8的特征图，CSP层的内部结构见图 5 3 7 。在14 17 层采用与10 13 层一样的网络结构，在18 层采用3 x3的卷积核进行步长为2 的卷积操作，得到2 5 6 个尺寸为8 x8的特征图。在19 层结合BIFPN特征融合模式的思想，采用双向跨尺度连接，对特征图尺寸同为8 8 的第19 层、第14层和第6 层进行多尺度特征融合，得到10 2 4个尺寸为8x8的特征图。在2 0 层通过CSP层，采用3 倍层叠，通过多次卷积等操作输出5 12 个尺寸为8 x8的特征图。同理，在2 1 2 3 层采用与18 2 0 层一样的网络结构。最后,在2 3 层输出10 2 4个尺寸为4x4的特征图,检测层也保持与原有的YOLOv5一致的结构。融合框架。将双向(自下而上和自上而下)的路径为特征网络层，并多次在同一层中重复，以达到更高层次的特征整合。重复块RepeatedblocksP7P7P6P6P5P5P4P4P3P3(b)PANet图4特征融合网络结构Figure 4Feature fusion network structureBottlenneckConv1x1个BottleneckConv3x3nn.Conv2dtorch.catBNLeakyReLUConv1x1图5 CSP层的内部结构Figure 5Internal structure of CSP layer改进后的模型用于苹果叶部初次检测，由于该模型保留了原始YOLOv5模型的骨干网络，方便了对成熟的苹果叶部检测的YOLOv5模型进行迁移学习。通过将BiFPN特征融合结构可以引人YOLOv5算法,在训练苹果叶部检测数据时,可以有效提升召回率和平均精度。(c)BiFPNCSPXConv1x1Conv=nn.Conv2dnn.Conv2dActivate1期赵兴等：基于改进的YOLOv5苹果叶部病害识别研究1312.3结果与对比本试验中的苹果叶部病害检测应同时考虑精确度和召回率，原始网络训练参数见图6,改进后的网络训练参数见图7。利用mAP、P等参数来验证模型的性能,并对检测结果进行评价,以便确认改进后的YOLOv5网络的各组件对最终性能的影响。通过ATCSP模块的整合，mAP0.5从0.9 2 2 提升为提高到0.9 3 4，提高幅度为1.2%；精度从0.8 5 7 提升到0.908，提高幅度为5.1%。这表明改进后的YOLOv5可以过滤其他级别的特征，并将有用的信息保持在该级别,以提高对苹果叶部病害的检测精度,利用多头注意力机制，提高目标检测的精度。train/box_loss0.120.100.080.060.040.020val/box_loss0.100.080.060.040train/box_loss0.080.060.040.020val/box_loss0.070.060.050.040此外,为了全面评估BiFPN对多尺度学习的能力，在评价指标IoU=0.95的情况下，mAP的差距也很明显,这表明BiFPN对多尺度对象特别是小对象检测的有效性。另外，当R为0.4时，精度比原始YOLOv5网络高出很多。检测模型在面对容易混淆的疾病斑点时可能会混淆，苹果叶部相同的病害病斑不同，使分类更加困难。采用归一化后的混淆矩阵直观评价改进后的YOLOv5对3 种早期苹果叶片病害的分类性能,最终测试结果的混淆矩阵见图8。由图8 可知，该模型的分类性能较好，大部分样本的预测都正确。train/obij_losstrain/cls_loss0.04results0.0250.0200.0150.0101002000.0350.0300.0250.0200.0151002000.050.040.030.020.011000val/obj_loss0.050.040.030.021000Figure 7 Improved network training parameter diagrammetrics/precision0.80.030.60.020.40.010.20.000.00100val/obj_loss0100Figure 6Raw network training parameter diagramtrain/obi.lossmetrics/precision0.04results0.030.020.010.001000val/cls_loss0.030.020.011000图7 改进后网络训练参数图metrics/recall0.80.60.40.20.02000val/cls_loss0.040.030.020.012000图6原始网络训练参数图train/cls_loss0.80.60.40.20.01000metrics/mAP_0.50.80.60.40.20.010001001002002000metrics/mAP_0.50.80.60.40.20.001001001001002002000.90.80.70.60.50.40metrics/mAP_0.5:0.950.50.40.30.20.10.000metrics/mAP_0.5:0.950.50.40.30.20.10.00metrics/recall100100100100200200132北方农业学报52卷0.880.010.24-0.8-0.60.030.920.35-0.40.070.040.940.41-0.20.030.040.05Altermaria Boltch由图9 可知,F1是AP和R总和的平均值,应在评估模型时将两者考虑在内。当置信水平为0.2 0.8 时，模型对所有疾病的平均F1得分都很高，而在置信水平为0.2 8 5 时，F1平均值最高，为0.9 0。结果表明，改进后的YOLOv5能够较好地对3 种早期苹果叶部病害进行分类，满足了实际应用场景的检测需求。斑点落叶病Alternaria blotch锈病Rust1.0灰斑病Grey spotAll classes 0.90 at 02850.80.6三0.40.2Rust图：混淆矩阵Figure8Confusion matrix2.4对比试验将本试验改进后的算法与其他主流算法进行对比以证明其优越性，由表3 可知,改进后的算法检测精度达9 0.8%，优于其他算法，相比其他算法分别高出5.1%、11.3%、4.4%、4.2%、3.6%;mAP较原始算法提升1.2%，达到9 3.4%；本试验改进后的算法中P、mAP均优于其他算法，证明了改进算法的有效性。表3 对比试验结果Table3Experimental results comparison模型精度/%平均精度均值/%模型大小/MBModelPIM-YOLOv590.8YOLOv585.7SSD79.5YOLOv486.4YOLOv686.6YOLOv787.2Grey_spotTruebackground FPmAP93.492.282.187.487.788.5Model size147.6169.092.146.671.874.603结论与讨论针对YOLOv5检测模型存在的漏检率和误检率00.2Figure9F1curve0.4置信度Confidence图9 F1曲线0.60.81.0问题，本试验提出的改进YOLOv5苹果叶部病害检测方法可以在农业生产中发挥较大作用。本试验结1期赵兴等：基于改进的YOLOv5苹果叶部病害识别研究133果表明,采用ATCSP结构满足了苹果叶部病害实时检测的要求,CBAM模块可以精确地检测出特定的苹果叶部病害。经过迁移学习后，浅层特征提取网络可以快速收敛并且保持超过原始网络的检测精度，同时检测普遍存在的病害和特定的病害，能够更好地利用不同任务之间的互补性。为了更好地提高苹果叶部病害检测性能，引人跨阶段局部网络。在试验部分对改进算法进行评估，与其他主流算法的比较表明，改进算法显著提高了苹果叶部病害检测的精度，对比原始算法，精度P提升5.1%，达到9 0.8%；平均精度均值mAP0.5提高了1.2%，达到9 3.4%，模型大小减少2 1.4MB。改进后的YOLOv5算法精度比SSD、Y O L O v 4、Y O L O v 6 和YOLOv7模型分别高11.3%、4.4%、4.2%、3.6%。改进算法检测速度快、检测准确率高、模型小。但是,该模型在实际应用中还存在着一些不足之处,如所选取的病害种类较少、实时性不高、识别精度有待提升、对小目标的苹果叶部病害识别率不高等。后期将搜集更多种类的作物病害用于训练，以解决小目标病害识别率低的问题，不断完善该模型并将其部署在移动端，从而提高农业生产的信息化水平。参考文献：1SRINIVASAN K,DASTOOR P H,RADHAKRISHNAIAHP,et al.FDAS:A knowledge-based framework for analysisof defects in woven textile structures J.Journal of theTextile Institute,1992,83(3):431-448.2曾晏林,贺壹婷,蔺瑶,等.基于BCE-YOLOv5 的苹果叶部病害检测方法 J.江苏农业科学，2 0 2 3,5 1(15)：15 5-16 3.3周绍发，肖小玲,刘忠意，等.改进的基于YOLOv5s苹果树叶病害检测 J.江苏农业科学，2 0 2 3,5 1(13）：2 12-2 2 0.4刘洋,冯全，王书志.基于轻量级CNN的植物病害识别方法及移动端应用 J农业工程学报,2 0 19,3 5（17)：194-204.5张俊宁,毕泽洋,闫英,等.基于注意力机制与改进YOLO的温室番茄快速识别 J.农业机械学报，2 0 2 3 5 4(5）：236-243.6张小花，李浩林，李善军，等.基于EficientDet-D1 的草莓快速检测及分类J华中农业大学学报,2 0 2 2,41(6):262-269.7芮修业。复杂背景下叶片病斑分割与识别策略的研究D.天津：天津理工大学,2 0 19.8 HAN K,WANG Y H,TIAN Q.ChostNet:More featuresfrom cheap operationsC J/2020 IEEE/CVF Conference onComputer Vision and Pattern Recognition.Seattle:IEEE,2020:1580-1589.9 PRASHAR K,TALEAR R,KANT C.Robust automaticcotton crop disease recognition(ACDR)method using thehybridfeaturedescriptorwithSVMCJ/2016Intermnational Conference on Computing on sustainableGlobal Development.New Delhi:INDIACom,2017:1-3.1o HE K M,ZHANG X Y,REN S Q,et al.Deep residuallearning for image recognition C J/2016 IEEE Conferenceon Computer Vision and Pattern Recognition.Las Vegas:IEEE,2016:770-778.11 HOWARD A G,ZHU M L,CHEN B,et al.MobileNets:Efficient convolutional neural networks for mobile visionapplicationsEB/0L.(2017-04-17).https:/arxiv.org/abs/1704.04861.12 KRIZHEVSKY A,SUTSKEVER I,HINTON G E.ImageNetclassification with deep convolutional neural networksJ.Communications of the ACM,2017,60(6):84-90.13 LIN T Y,DOLLAR P,GIRSHICK R,et al.Feature pyramidnetworks for object detection CJ/2017 IEEE Conferenceon Computer Vision and Pattern Recognition.Honolulu:IEEE,2017:2117-2125.14 LIU B,DING Z F,ZHANG Y,et al.Kiwifruit leaf diseaseidentification using improved deep convolutional neuralnetworks C J/2020 IEEE Annual Computers,Software,andApplications Conference.Madrid:IEEE,2020:1267-1272.15 LIU S,QI L,QIN H F,et al.Path aggregation network forinstance segmentation CJ/2018 IEEE Conference onComputer Vision and Pattern Recognition.Salt Lake City:IEEE,2018:8759-8768.16 LIU W,ANGUELOV D,ERHAN D,et al.SSD:Single ShotMultiBoxDetectorM.Berlin:Springer InternationalPublishing,2016.134北方农业学报52卷17 REDMONJ,FARHADIA.YOLOv3:AnincrementalimprovementEB/0LJ(2018-04-08).htps:/arxiv.org/abs/1804.02767.18 HE K M,ZHANG X Y,REN S Q,et al.Spatial pyramidpooling in deep convolutional networks for visualrecognitionJ.IEEE Transactions on Pattern Analysis andMachine Intelligence,2015,37(9):1904-1916.19 REDMON J,DIVVALA S,GIRSHICK R,et al.You onlylook once:Unified,real-time object detection CJ/2016IEEE Conference on Computer Vision and PatternRecognition.Las Vegas:IEEE,2016:779-788.20 REDMONJ,FARHADIA.YOLO9000:Better,faster,stronger cJ/Proceedings of the IEEE Conference onComputer Vision and Pattern Recognition.Boston:IEEE,2017:7263-7271.21 USHADEVI G,GOKULNATH B V.A survey on plantdisease prediction using machine learning and deeplearning techniquesJ.Inteligencia Artificial,2020,23(65):136-154.22 REN S Q,HE K M,GIRSHICK R,et al.Faster R-CNN:Towards real-time object detection with region proposalnetworks JJ.IEEE Transactions on Pattern Analysis andMachine Intelligence,2017,39(6):1137-1149.23 SUN H N,XU H W,LIU B,et al.MEAN-SSD: