改进YOLOv5用于水稻害虫检测.pdf

2023 年第 7 期165计算机应用信息技术与信息化改进 YOLOv5 用于水稻害虫检测陈 炯1 刘建华1CHEN Jiong LIU Jianhua 摘要 水稻害虫的快速精准识别是对水稻田害虫防治的前提。利用水稻测报仪装置诱捕成虫进行拍摄识别，准确的识别结果可以为植保人员制定农药喷洒措施提供依据，但是由于水稻害虫具有目标尺度变化大的特性，导致现有检测器难以准确检测出水稻害虫中的小目标。针对识别水稻害虫成虫中小目标漏检错检的问题，本文构建了 TsPest 水稻害虫数据集，并且提出改进的 YOLOv5 算法 Ts-YOLOv5。首先，在YOLOv5 主干网络中添加 CA 注意力机制，通过结合空间和通道信息，提高对小目标的关注度，其次，利用 Tscode 解耦头将 YOLOv5 的分类和回归任务解耦，提高模型检测的效果。实验表明，在本文自制的 TsPest 水稻害虫数据集中，改进后的 Ts-YOLOv5 模型 mAP50 为 89.3%，较改进前提升了 3.2 个百分点，其中稻纵卷叶螟、稻飞虱、二化螟的 AP50 值分别提升了 1.1%、4.8%和 3.9%。其中对于稻飞虱检测结果的提升，证明了改进后的算法能够有效提升小目标的检测能力。同时为了探究不同的注意力机制在 YOLOv5 主干网络不同位置添加后的效果，将 ECA、SE、CBAM、CA 注意力机制模块，分别加入主干网络的 C3 后、输出端、Bottleneck 内进行实验，最后证明将 CA、CBAM 加入主干网络 C3 后对模型的提升效果最好。实验结果表明，改进后的 YOLOv5 模型可以提升对水稻害虫的检测能力，为水稻害虫检测系统提供技术支撑。关键词 YOLOv5；解耦头；水稻害虫检测；深度学习；注意力机制doi：10.3969/j.issn.1672-9528.2023.07.0421.华北水利水电大学 河南郑州 4500460 引言水稻是我国粮食产量的主要支撑，它的播种面积广，总产量高，是极其重要的粮食作物之一1。水稻在生长过程中，非常容易受到虫害的侵扰，导致其产量下降危害国家粮食安全，因此如何精准地识别出水稻害虫的数量及种类非常重要。在实际生产中，种植人员依据害虫的数量和种类划分虫害等级，如果虫害等级划分的准确，那么种植人员就能够依据等级从而精准的喷洒农药，这样可以在节约农民生产成本、减少农药喷洒带来的环境危害的前提下，有效治理虫害，保护粮食安全2-4。传统条件下，对水稻害虫的识别和计数往往依靠专业的植保人员，站在田间，通过目测的方法，“以点代面”来估测田间虫害情况。这种方法的准确度完全依靠植保人员的经验是否丰富，因此太过主观化，导致害虫识别准确度不稳定，同时由于专业的植保人员数量限制，难以大范围推广，因此，需要依靠新的技术来实现害虫的识别5。随着计算机视觉的发展，为农业害虫的识别带来了新的技术手段6。利用计算机视觉识别害虫的原理就是通过相机拍摄得到害虫的图像，之后通过计算机视觉中的图像处理技术得到害虫的纹理、轮廓、颜色等特征，然后通过训练分类器进行害虫的识别。例如 Han 等人7使用支持向量机设计了一种远程病虫害自动识别系统，实现了田间病虫害的快速实时识别和诊断，但数据集数目较少，检测效果有待提高。2016年，Preetha Rajan 等人8提取害虫的纹理特征和颜色特征，然后使用 SVM 进行分类，对害虫的检测效果良好。可是该方法对于在复杂环境下的害虫识别效果不稳定且对小目标害虫检测效果较差。刘双等人9以 Gentle AdaBoost 算法为基础,利用HAAR 特征和 LBP 特征混合特征组合代替传统模型下的单一特征,从梯度和纹理的角度来训练弱分类器和强分类器，用于菜蝽检测。这种方法相比原先的 SVM 分类器能够提取到更多的特征，但是会存在较严重的漏检和误检。而且利用上述传统的计算机视觉来识别害虫，往往还是需要依靠人工设计来进行特征的提取，时间人力成本高，无法完全摆脱经验化。随着深度学习的发展，以卷积神经网络为核心的目标检测技术在农业害虫识别中有着广泛的应用。例如 Lin 等人10提出了一种无锚区域卷积神经网络对 24 类害虫进行精确识别和分类，获得了 56.4%的 mAP 和 85.1%的 mRecall，分别2023 年第 7 期166计算机应用信息技术与信息化比 Faster R-CNN 和 YOLO 检测器提高了 7.5%和 15.3%，但该研究识别率较低，收集的害虫图片背景单一，难以适应其他种类自然复杂环境下的害虫图像。魏杨等人11提出了一种由候选框生成网络和 Fast R-CNN 两个部分组成的农业害虫检测方法，识别精确度平均值可达到 82.13%，但对于小目标的检测不够理想。Chen 等12提出了一个基于智能害虫识别算法的实时农业气象和害虫识别系统，首先使用无人机和移动设备收集荔枝蝽的图像，进行图像增广，并使用 YOLOv3模型对处理后的图像样本进行分类和识别，精度达到 90%。但对小目标害虫的识别有限。综上所述，基于卷积神经网络的目标检测技术在害虫识别上有着广泛的应用，且识别效果良好，但是对于小目标害虫检测的研究存在不足，所以本文提出改进的 YOLOv5 卷积神经网络来识别小目标的水稻害虫。1 材料与方法1.1 数据集构建与预处理1.1.1 数据集构建本文水稻害虫数据采集于安徽省安庆市望江县水稻田，拍摄时间为 2022 年 4 月 1 日到 2022 年 6 月 30 日，时间跨度 3 个月，种类包含稻纵卷叶螟、稻飞虱、二化螟三种害虫的成虫。所用设备为河南云飞科技公司的水稻虫情测报仪，该设备通过性诱、色诱将害虫吸引到设备中利用远红外杀死、烘干，平铺到托虫板上，并利用 1200 万像素的海康威视摄像头自动拍摄，原始图片像素为 30004000。仪器所拍图片中有些包含非水稻昆虫，为了减少无关昆虫对实验的影响，将所有图片进行了筛选，尽可能地保留只含有三种实验所需害虫的图片，筛选后得到 1916 张图片，结果如图 1 所示。之后由专业植保人员利用 Labelimg 标注工具标注图片，标注后得到稻纵卷叶螟 13227 头，稻飞虱 5349 头，二化螟 1751 头，将数据集命名为 TsPest。1.1.2 样本增强为了提高模型的泛化能力和鲁棒性，采用在线数据增强的方式将数据量进行扩充，防止由于训练样本不足导致模型过拟合。在线数据增强的原理是在每个 epoch 进行训练前，对数据集进行随机旋转、平移、Mosaic（马赛克）等变换。等到下一次 epoch 时，只要数据增强方式够多，并且每个方式都包含随机因子，那么就可以保证每个epoch训练的数据都是不一样的，有多少轮 epoch，就把数据扩充了多少倍13。在线数据增强的优点是不需要将增广的数据合成出来，因此节省了数据的存储空间，具有很高的灵活性。本文中采用了 Mosaic、调整图像的亮度、对比度等方式来进行数据增强，增强后的图片如图2所示。图 2 在线增强结果(0:稻纵卷叶螟 1:稻飞虱 2:二化螟)1.2 水稻害虫检测模型构建1.2.1 YOLOv5 网络结构现阶段目标检测算法主要分为 One Stage 和 Two Stage两类，其中 Two Stage 是指先由算法生成一系列作为样本的候选框，再利用卷积神经网络进行样本分类，代表算法有Faster RCNN，Cascade RCNN 等14。One Stage 不需要候选框，将目标分类和定位的问题转化为回归问题，直接在图片上经过回归计算出目标框，代表算法有 YOLO(you only look once)和 SSD(single shot multibox detector)。YOLO 是 Joseph Redmon 和 Ali Farhadi 等人 2016 年在 CVPR 大会上提出的单阶段目标检测算法。它是以卷积神经网络为基础网络，将目标检测的问题转化成一个端到端的回归问题，即给定输入图像，直接在图像的多个位置上回归出目标的边框以及分类类别。以 Faster-RCNN 为代表的 Two Stage 检测算法精度高但训练时间长，对于实时性要求较高的目标检测应用则以YOLO 为代表的算法具有更广泛的应用。YOLOv5 是在 YOLOv4 网络结构基础上的改进算法，特点是权重文件小，网络结构较 YOLOv4 有大幅度的缩减，且检测精度更高、运行速度更快。根据在网络的特定位置处所包含的特征提取模块数量和卷积核数量不同，YOLOv5 又细分为种不同的网络结构，分别是 YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x，其参数数量和网络大小依次增大15。水稻害虫检测要求实时性、轻量化和高效，本文选择了 YOLOv5s 为识别算法的基本网络，网络结构如图 3 所示。图 1 数据集图片 (a)目标害虫密集 (b)目标害虫稀疏(c)目标害虫均衡 2023 年第 7 期167计算机应用信息技术与信息化YOLOv5 的 网 络 结 构 由 输 入 层（input）、主 干 层（backbone），网络层（neck）和检测层（detect）四部分构成。YOLOv5 的输入层采用了随机翻转、随机亮度增强、Mosaic、在线数据增强方式，在进行网络训练时利用 kmean聚类算法自适应的计算最佳锚框值。主干层是以不同粒度提取整幅图像的特征并进行特征融合的卷积神经网络。主干层主要包括 Conv2d 卷积神经网络模块、C3 网络，SPPF 模块，其主要目的是提取特征值并减少参数，主干层的输出为将原图缩小至原来的 1/32 后提取到的特征值形成的特征图片。C3 模块中由 2 个分支组成，一个分支由多个普通的卷积神经网络结合 Bottleneck 模块构成，另一个分支仅经过一个基本卷积神经网络，然后将两个分支进行合并特征融合操作，其网络结构如图 4 所示。图 4 C3 和 Bootleneck 模块网络结构Bottleneck 模块是一种残差网络结构，如图 4 右边图框所示，将卷积核为 1*1 以及 3*3 的不同卷积层模块(由conv2d+BN(Batch Normalization+Silu 激 活 函 数)连 接，并将连接结果和输入矩阵 x 相加作为 Bottleneck 模块的输出。主干层底部的 SPPF(spatial pyramid pooling-fast)模块是空间金字塔池化层，作用是将任意大小的特征图转化为固定大小的特征向量。首先通过一个标准卷积模块将输入通道减半，然后分别进行核尺寸为 55、99、1313 的最大池化，接着采用特征融合操作将输出进行通道拼接，最后经过卷积层将其降维输出，结构如图 5 所示。YOLOv5 的 网 络 层 使 用 了 特 征 金 字 塔 FPN(faeature pyramid network)+PAN(perceptual adversarial network)结合的方式，对输入的特征图像进行特征融合和定位。FPN 采用自顶向下的下采样方式将上层特征图包含的强语义信息传递下来，PAN 采用自底向上的上采样将下层定位信息传递上去，在结合卷积操作和 C3 模块进行有效的特征融合，并以8080 像素值，4040 像素值，2020 像素值输出三张特征图。YOLOv5 检测层主要通过耦合头用于图片中物体的预测和识别工作，将卷积层输出的特征图直接送入几个全连接层图 3 YOLOv5 网络结构图图 5 SPPF 模块结构图2023 年第 7 期168计算机应用信息技术与信息化或卷积层中，生成目标位置和类别的输出。1.2.2 注意力机制注意力机制是 20 世纪 90 年代，一些科学家在研究人类视觉时，发现的一种信号处理机制。目前，注意力机制在深度学习领域，尤其是自然语言处理，图像处理领域具有广泛应用。深度 CNN 模型识别图像时，一般是通过卷积核去提取图像的局部信息，然而，每个局部信息对图像能否被正确识别的影响力是不同的，注意力机制可以让模型知道图像中不同局部信息的重要性16。也就是在众多的输入信息中聚焦于对当前任务更为关键的信息，降低对其他信息的关注度，甚至过滤掉无关信息，提高任务处理的效率和准确性。在水稻害虫的识别时，依靠害虫的翅膀外形、翅膀花纹及斑点数等特征，这些特征属于局部关键信息，且害虫本身个体小，识别特征不明显，因此为了让模型更加关注关键信息，本文使用了 CA（coordinate attention）17注意力机制。CA 注意力机制结构如图 6 所示。图 6 CA 结构图其原理为：将输入的图像分别对水平方向和垂直方向进行平均池化得到两个 1 维向量卷积特征图 C1W。将从水平方向和垂直方向提取到的卷积特征图在空间维度上通过 Concat 进行结合操作，然后通过 11Conv 来压缩通道建立远程依赖关系。将经过空间结合和卷积层进行特征融合后的特征信息，进行批归一化和Non-linear非线性激活进行标准化处理，来编码垂直方向和水平方向的空间信息。将上层得到的全局信息通过分离函数分开，输出两组基于水平方向和垂直方向的注意力值。将从水平方向和垂直方向得到的注意力值经过sigmoid激活函数进行归一化，之后通过加权操作并合并输出。本文将 CA 注意力机制分别加入 YOLOv5 网络的不同位置研究了 CA 注意力机制对提高水稻害虫识别精度的影响。1.2.3 Tscode 解耦头YOLOv5 中检测头使用的是耦合头(coupled head),耦合头指最后的检测头中分类任务和回归任务是共享同一个特征图，也就是直接将卷积层输出的特征图送入几个全连接层或卷积层中，以生成目标位置和类别的输出。耦合头的设计思路简单，且符合 One Stage 检测器直接在多个位置上回归出目标的边框以及分类类别的思路。但是在目标检测中，分类任务和回归任务之间是存在冲突的。Song 等人18认为在目标检测的定位和分类任务中，存在空间错位(spatial misalignment)的问题，具体就是分类和回归这两个任务所聚焦和感兴趣的地方不同，分类更加关注所提取的特征与已有类别哪一类最为相近，而定位更加关注与 GT Box 的位置坐标从而进行边界框参数修正。因此如果采取用同一个特征图进行分类和定位，效果会不好。Yolox19中认为分类和回归任务互相耦合会极大地影响网络收敛，于是提出使用解耦头，通过分类和回归使用单独的参数来学习特征，在 yolov3 上提升了 1.1 个百分点的mAP。尽管 Yolox 解耦头的效果较好，且分类和回归使用了单独的参数，但是分类和回归分支仍然共享来自 Neck 输出的相同输入特征，这种简单的设计并不能从本质上解决问题。于是 zhuang 等人20提出了 Tscode 解耦头，通过使用语义上下文编码和用于保留局部细节编码两种高效的设计将分类和回归任务的语义上下文进行解耦，分别引入了更丰富的语义信息和用于定位的更多边缘信息的特征。Tscode 解耦头结构如图 7 所示。图 7 Tscode 解耦头结构3 水稻害虫识别模型实验结果与分析 3.1 实验平台与实验数据及参数设置模型训练的主要硬件配置为 AMD Ryzen 9 5900X 12-Core Processor 3.70 GHz 的 CPU，32 GB 内存，操作系统为Windows10。采用 Python3.9.0 语言，并在 PyTorch 深度学习框架基础上建立改进的 YOLOv5 水稻害虫识别模型。网络的 2023 年第 7 期169计算机应用信息技术与信息化预训练模型权重是在 COCO 数据集上进行训练得到的。设置的总的训练轮数为 150epochs，学习率为 0.01，采用带动量的随机梯度下降法作为优化器，动量设置为 0.937，权重衰减系数为 0.0005。3.2 性能评价指标为了准确分析水稻害虫识别模型的性能，本文采用准 确 率(Precision，P)、查 全 率 R(Recall)、平 均 准 确 率AP(Average Precision)、平 均 精 度 均 值 mAP(Mean Average Precision)作为目标检测算法的评价指标。AP 表示准确率在查全率上的积分，计算单一类别精度值，表示模型性能的优劣；mAP 为所有类别的 AP 平均值。3.3 实验结果分析3.3.1 主干网络添加注意力机制实验为了提升算法对小目标害虫以及害虫局部特征的关注度，本文尝试在 YOLOv5 主干网络中添加注意力机制，同时为了研究不同注意力机制以及添加位置对本文水稻害虫检测模型的影响，在 YOLOv5 目标检测算法的基础上分别融合了SE(squeeze-and-excitation)21、CBAM(convolutional block attention module)22、ECA(effi cient channel attention)23以 及CA 注意力机制进行对比实验。实验过程按照注意力机制添加位置的不同，设计了三组实验，利用相同的训练集、验证集对模型进行训练和测试，利用上述的评价指标来评价模型效果。实验数据为本文自制水稻害虫数据集，测试图片大小固定为 640640，基准模型 Baseline 为不添加注意力模块的 YOLOv5s 模型。实验组一：在 YOLOv5s 网络主干网络中 C3 后添加注意力机制，其网络结构如图 8。实验组二：在 YOLOv5s 网络主干网络的输出端添加注意力机制，其网络结构如图 9。实验组三：在 C3 内部的 Bottleneck 中添加注意力机制，其网络结构如图 10。通过将注意力机制设置在 YOLOv5s 的不同网络位置，分别对预测模型进行训练，然后在相同的验证集上进行水稻害虫识别的性能评价，性能评价指标如表 1、2、3 所示。表 1 实验组 1 性能对比模型不同水稻害虫的平均精度 AP%mAP50稻纵卷叶螟稻飞虱二化螟Baseline94.977.985.586.1YOLOv5s+CA95.681.587.688.2YOLOv5s+SE96.380.787.188.0YOLOv5s+ECA96.880.885.487.6YOLOv5s+CBAM97.480.686.588.3表 2 实验组 2 性能对比模型不同水稻害虫的平均精度 AP%mAP50稻纵卷叶螟稻飞虱二化螟Baseline 94.977.985.586.1YOLOv5s+CA95.478.287.487.0YOLOv5s+SE95.078.686.786.8YOLOv5s+ECA95.477.785.586.2YOLOv5s+CBAM95.176.788.486.7 a.原主干网络 b.C3 后添加注意力机制图 8 主干网络 C3 后添加注意力机制 a.原主干网络 b.输出端添加注意力 机制图 9 主干网络输出端添加注意机制 a.原主干网络 b.Bottleneck 内添加注意力 机制图 10 Bottleneck 内添加注意力机制2023 年第 7 期170计算机应用信息技术与信息化表 3 实验组 3 性能对比模型不同水稻害虫的平均精度 AP%mAP50稻纵卷叶螟稻飞虱二化螟Baseline94.977.985.586.1YOLOv5s+CA95.679.288.187.6YOLOv5s+SE94.377.785.285.7YOLOv5s+ECA94.978.586.286.6YOLOv5s+CBAM94.979.585.786.7从表 1、2、3 中可以看出相同的注意力机制在主干网络的不同位置，对模型的性能会有很大的影响，其中实验组一中将 CA 和 CBAM 注意力模块加入 C3 后面性能是较优的两种情况，识别精度 mAP 分别达到了 0.82、0.83。实验组二中将注意力机制放在主干层的输出端时，识别模型的 mAP 值较低，且稻飞虱的精度最低，这说明目标检测器通过叠加越来越多的池化和降采样操作，来获得可靠的语义信息时，会在前向传播中逐渐丢失像素数较少的微小目标特征，即使在输出端添加注意力机制也无法有效关注重点信息，因此降低了微小目标的检测性能。实验组三中由于是在 Bottleneck 中添加注意力机制模块，所以随着 Bottleneck 的重复，注意力机制模块的个数也会增加，相比于实验组一和实验组二中注意力模块的个数有着显著的增加，但是最终的模型性能却不是最好的，这表明不是注意力机制模块使用的个数越多，效果越好。通过三组实验，可以得出结论，注意力机制的个数和添加位置会影响注意力机制的作用。三组实验进行对比，发现实验组一的效果最好，也就是通过在 C3 后添加注意力模块效果最好，同时实验组一中发现使用 CA 比使用 CBAM 的 mAP50差 0.1%，但是使用 CA 后对于稻飞虱、二化螟这种小目标的检测 AP 值却比使用 CBAM 分别高了 0.9%和 1.1%，因此本文决定在 YOLOv5 主干网络的 C3 后添加 CA 注意力模块。3.3.2 YOLOv5 添加 Tscode 解耦头实验为了验证在 YOLOv5 中使用 Tscode 解耦头的精度，本文设计了 YOLOv5 使用 Tscode 解耦头、使用 YOLOx 解耦头、不使用解耦头的 YOLOv5 的对比实验。实验数据为本文自制水稻害虫数据集，测试图片大小固定为 640640，基准模型 Baseline 为预测头为耦合头的 YOLOv5s 模型，实验结果如表4 所示。表 4 解耦头对比试验模型不同水稻害虫的平均精度 AP%mAP50稻纵卷叶螟稻飞虱二化螟Baseline94.977.985.586.1YOLOv5s+Tscode 解耦头95.779.287.787.5YOLOv5+YOLOX 解耦头96.179.787.787.8从表 4 中可以看到添加 Tscode 后的模型比 Baseline 在精度上增加了 1.4%，添加 YOLOx 解耦头的模型比 Baseline 在精度上增加了 1.7%，实验结果说明将 YOLOv5 的耦合头替换为解耦头可以有效地提升模型的检测能力。3.3.3 综合对比试验最后，为了综合测试本文模型的检测效果，本文将改进后的 YOLOv5 模型、添加 CA 注意力模块和 YOLOx 解耦头的模型、原 YOLOv5 模型进行对比试验。实验数据为本文自制水稻害虫数据集，测试图片大小固定为 640640，基准模型 Baseline 为原 YOLOv5s 模型，实验结果如表 5 所示。表 5 综合对比实验模型不同水稻害虫的平均精度 AP%mAP50稻纵卷叶螟稻飞虱二化螟Baseline94.977.985.586.1Ts-YOLOv596.082.789.489.3YOLOv5s+CA+YOLOx 解耦头95.482.487.088.3从表 5 中可以看到本文改进 YOLOv5 后的模型 Ts-YOLOv5 的 mAP50 达到了 89.3%，比起 Baseline 模型和添加YOLOx 解耦头与 CA 的模型，分别高了 3.2%和 1%，同时稻纵卷叶螟、稻飞虱、二化螟的平均精度均是最高。通过综合实验对比，可以证实本文对 YOLOv5 的改进可以有效地提升模型对小目标害虫的检测能力。4 结论针对水稻害虫检测场景下现有的目标检测器对于小目标检测效果差，存在误检漏检的问题，本文基于 YOLOv5 提出了改进的检测模型 Ts-YOLOv5。首先，通过在主干网络 C3后添加 CA 注意力模块以提升网络对物体的关注度，其次利用 Tscode 解耦头将分类任务与回归任务解耦以提升检测精度。在本文自制水稻害虫数据集 Tspest 的实验结果表明，本文 Ts-YOLOV5 模型对于小目标害虫的检测效果优于原YOLOv5 模型，检测精度达到了 89.3%，比原 YOLOv5 模型提升了 3.2%，能够有效完成水稻害虫检测场景下的小目标检测任务。下一步将展开水稻害虫检测模型轻量化的研究，为田间水稻害虫识别提供技术支持。参考文献：1 徐春春,纪龙,陈中督,等.2021 年我国水稻产业形势分析及 2022 年展望 J.中国稻米,2022,(02):16-192 李浩.基于多尺度特征增强与特征融合的水稻害虫检测和识别 D.南昌：江西农业大学,2022.3 徐红星,杨亚军,郑许松,等.二十一世纪以来我国水稻害 2023 年第 7 期171计算机应用信息技术与信息化虫治理成就与展望 J.应用昆虫学报,2019,56(06):1163-1177.4 陆宴辉,梁革梅,张永军,等.二十一世纪以来棉花害虫治理成就与展望 J.应用昆虫学报,2020,57(03):477-490.5 翟肇裕,曹益飞,徐焕良等.农作物病虫害识别关键技术研究综述 J.农业机械学报,2021,52(07):1-18.6 任 妮,鲍 彤,沈 耕 宇 等.基 于 深 度 学 习 的 细 粒 度 命名实体识别研究以番茄病虫害为例 J.情报科学,2021,39(11):96-102.7 HAN R,HE Y.Remote automatic identification system of fi eld pests based on computer vision J.Transactions of the Chinese society of agricultural engineering,2013,29(3):156-162.8 RAJAN P,RADHAKRISHNAN B,SURESH L P.Detection and classification of pests from crop images using support vector machineC/2016 international conference on emerging technological trends(ICETT).New York:IEEE,2016:1-6.9 刘双.基于数字图像的农业害虫精准检测算法的研究 D.成都：四川农业大学,2014.10JIAO L,DONG S,ZHANG S,et al.AF-RCNN:An anchor-free convolutional neural network for multi-categories agricultural pest detection J.Computers and electronics in agriculture,2020,174:1-9.11 魏杨,毕秀丽,肖斌,等.基于区域卷积神经网络的农业害虫检测方法 J.计算机科学,2018,45(S2):226-229+233.12CHEN C J,HUANG Y Y,LI Y S,et al.An AIoT based smart agricultural system for pests detection J.IEEE access,2020(8):750-761.13 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.江苏农业报,2022,38(03):685-695.14 吕 石 磊,卢 思 华,李 震 等.基 于 改 进 YOLOv3-LITE轻 量 级 神 经 网 络 的 柑 橘 识 别 方 法 J.农 业 工 程 学报,2019,35(17):205-214.15 闫彬,樊攀,王美茸,等.基于改进 YOLOv5m 的采摘机器人苹果采摘方式实时识别 J.农业机械学报,2022,53(9):29-41.16 赵志宏,李晴,杨绍普,等.基于 BiLSTM 与注意力机制的剩余使用寿命预测研究 J.震动与冲击,2022,41(6):45-53.17HOU Q,ZHOU D,FENG J.Coordinate attention for effi cient mobile network designC/Proceeding of IEEE/CVE Conference on Computer Vision and Pattern Recognition，New York:IEEE,2021:303-338.18SONG G,LIU Y,WANG X.Revisiting the sibling head in object detectorC/2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition(CVPR).New York:IEEE,2020:121-125.19 刘林芽,吴送英,左志远,等.基于 YOLOv3 算法的山区铁路边坡落石检测方法研究 J.计算机科学,2021,48(S2):290-294.20ZHUANG J,QIN Z,YU H,et al.Task-specific context decoupling for object detectionJ.Computer vision and pattern recognition,2023.47:133-145.21HU J,SHEN L,SUN G.Squeeze-and-excitation networksC/Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.New York:IEEE,2018:7132-7141.22WOO S,PARK J,LEE J Y,et al.CBAM:convolutional block attention moduleC/Proceedings of the European Conference on Computer Vision(ECCV),Munich,Germany:Springer,2020:3-19.23WANG Q,WU B,ZHU P,et al.ECA-Net:Effi cient channel attention for deep convolutional neural networksC/Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.New York:IEEE,2020:11534-11542.【作者简介】陈炯（1998-），男，河南驻马店人，硕士研究生，华北水利水电大学，研究方向：计算机视觉研究，E-mail：。刘建华（1966-），通讯作者（Email：），男，河南西平人，教授，博士，研究方向：图形图像处理、数据库及应用、大数据。（收稿日期：2023-04-10 修回日期：2023-05-24）