基于轻量化改进型YOLOv5s的玉米病虫害检测方法

施杰 林双双 张威 陈立畅 张毅杰 杨琳琳

摘要：  針对复杂环境下目前现有的玉米病虫害检测方法的精度不理想、模型复杂、难以在移动端部署等问题，本研究提出了基于轻量化改进型YOLOv5s的玉米病虫害检测方法。首先，采用轻量级网络GhostNet替换原始YOLOv5s模型中特征提取网络和特征融合网络的卷积层，降低模型的计算量和参数量，提高运行速度，以满足移动端的部署要求；其次，为弥补GhostNet所带来的检测精度下降缺陷，在模型的主干特征提取网络中引入注意力机制，更加全面地评估特征权值，以增强玉米病虫害的特征，减弱无关信息的干扰，提升检测性能；最后，将模型的损失函数由CIOU替换为EIOU，以增强模型对目标的精确定位能力，从而提升模型的收敛速度和回归精度。试验结果表明，改进模型相比原始YOLOv5s模型在对供试玉米病虫害检测中，P、R和mAP分别提高了1.9个百分点、2.2个百分点和2.0个百分点，分别达到了94.6%、80.2%和88.8%；在保持较高检测精度的同时，模型的计算量、参数量和模型大小分别减少了50.6%、52.9%和50.4%，解决了检测模型在移动端的部署问题。

关键词：  玉米； 病虫害； 检测模型； YOLOv5s； 轻量化

中图分类号：  TP391.41;S432    文献标识码： A    文章编号：  1000-4440（2024）03-0427-11

A corn disease and pest detection method based on lightweight improved YOLOv5s

SHI Jie1，2， LIN Shuang-shuang1， ZHANG Wei1， CHEN Li-chang1， ZHANG Yi-jie1， YANG Lin-lin1，2

（1.Faculty of Mechanical and Electrical Engineering， Yunnan Agricultural University， Kunming 650201， China； 2.The Key Laboratory for Crop Production and Smart Agriculture of Yunnan Province， Kunming 650201， China）

Abstract：   Aiming at the problems of unsatisfactory detection accuracy， complex model and difficult deployment on mobile terminals in the existing maize disease and pest detection methods in complex environments， this study proposed a maize disease and pest detection method based on lightweight improved YOLOv5s. Firstly， the lightweight network GhostNet was used to replace the convolutional layer in the feature extraction network and feature fusion network in the original YOLOv5s model， which reduced the calculation and parameter amount of the model and improved the running speed to meet the deployment requirements of the mobile terminal. Secondly， in order to compensate for the problem of detection accuracy degradation caused by GhostNet， the normalization-based attention module （NAM） was introduced into the backbone feature extraction network of the model to evaluate the feature weights more comprehensively， so as to enhance the characteristics of corn diseases and pests， weaken the interference of irrelevant information， and improve the detection performance. Finally， the loss function of the model was replaced by EIOU from CIOU to enhance the models ability to accurately locate the target， so as to improve the convergence speed and regression accuracy of the model. The experimental results showed that compared with the original YOLOv5s model， the P， R and mAP of the final improved model increased by 1.9 percentage points， 2.2 percentage points and 2.0 percentage points， respectively， reaching 94.6%， 80.2% and 88.8%. While maintaining high detection accuracy， the calculation amount， parameter amount and capacity of the model were reduced by 50.6%， 52.9% and 50.4%， which solved the deployment problem of the detection model on the mobile terminal.

Key words：  corn； pests and diseases； detection model; YOLOv5s； lightweight

玉米是中国主要粮食作物，其种植面积和产量长期稳居三大谷物之首。近年来，玉米饲用消费和工业消费对玉米的需求均持续增长，玉米产业的健康稳定发展对国家粮食安全意义重大[1]。研究结果表明，玉米生长期间的病虫害问题是影响其产量和质量的主要因素。因此，对玉米常见病虫害进行早期诊断与防治是获得丰产的重要举措[2-3]。

农作物在种植期间依靠人工来观测病虫害的传统管理模式，存在着主观性强、工作量大等问题。随着人工智能和大数据技术的不断发展，利用基于深度学习的机器视觉技术对图像特征信息进行提取[3-6]，能有效解决病虫害检测准确率低、效率低等问题，这也是农作物种植管理智能化的重要研究方向。许多学者在这方面开展了大量研究。黄丽明等[7]利用可分离卷积和倒残差结构对YOLOv4算法进行改进，以提高松材线虫害识别的精度和效率，试验结果表明，改进后的算法平均精度达到80.85%，参数大小为44.20 MB；刘天真等[8]利用SE Block结构改善了YOLOv3对自然场景下冬枣果实特征的提取能力，使平均精度达到82.01%，实现了冬枣的快速精准识别；Farjon等[9]使用Faster R-CNN算法检测苹果花，模型检测精度为68.00%；Ferentinos等[10]使用健康与患病的叶片来训练卷积神经网络模型，用于识别相应的患病叶片，检测精度达到99.53%；苏俊楷等[11]对YOLOv5的主干网络和颈部网络进行改进，使玉米病害的检测精度达到95.93%；徐会杰等[12]提出了YOLOv3-Corn的玉米叶片病虫害检测模型，该模型使用Darkknet-53作为特征提取网络，并利用聚类算法选取先验框分别匹配到检测层中进行目标识别，模型检测精度为93.31%。

虽然随着技术发展检测精度得到提升，但仍存在参数量大、模型复杂等问题，无法将其部署到边缘端移动设备中进行应用。周维等[13]针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题，对YOLOv4进行改进，结果表明，改进后模型检测精度达到79.38%，模型权重大小为42.45 MB；邢洁洁等[14]就垃圾检测算法在农田复杂环境下检测精度不高、模型复杂等问题，对YOLOv5s进行轻量化改进，试验结果表明，模型最终精度达到了90.90%，在保持精度的同时大幅减少模型复杂度，满足了边缘计算设备对模型的性能需求；张振国等[15]为解决红花采摘机器人在检测时的精度低与实时性差的问题，提出GSC-YOLOv3算法，该算法先进行轻量化改进，再使用空间金字塔和注意力机制提高模型检测精度，检测结果表明，在测试集下的检测精度达到91.89%，取得良好的效果。王卫星等[16]为实时准确检测荔枝病虫害，以YOLOv4为基础进行轻量化改进，同时使用新特征融合方法和注意力机制，最终模型内存占用量比原始模型减小84%，检测精度提升4.13个百分点，为农作物病虫害实时检测研究提供参考。

以上关于农作物病虫害检测的研究已经取得了较大进展，但针对玉米病虫害检测方面的研究较少。为解决玉米病虫害检测方法在复杂环境下检测精度不理想、模型复杂、难以在移动端部署等问题，本研究拟以YOLOv5s模型为基础，提出一种基于轻量化改进型的玉米病虫害检测方法。首先，采用轻量级网络GhostNet来替换原有模型中特征提取网络和特征融合网络的卷积层，以生成有效特征并降低模型复杂度，同时，引入注意力机制（Normalization-based attention module，NAM），减弱无关信息干扰特征，提高模型对玉米病虫害的检测性能。然后，再通过优化损失函数，来提升模型的收敛速度和回归精度，以满足复杂环境下的病虫害检测需求。最后，通过在自建数据集上的试验验证改进模型的有效性。

1 材料与方法

1.1 数据采集

本研究檢测的对象为玉米病虫害图像。有研究结果显示，黏虫、灰飞虱、锈病和斑病是玉米生长过程中最为常见的病虫害，也是影响玉米产量和质量的主要因素之一[17-19]，因此选择这4种病虫害图像为研究对象，其病虫害样本图像见图1。

模型训练后的鲁棒性和泛化性受到数据集质量的影响，为了降低数据集对模型的影响，本研究自建了玉米病虫害数据集。数据集的数据来源：在云南农业大学玉米种植试验田内采集的病虫害图像，在云南省昭通市昭阳区玉米种植田内采集的病虫害图像和源自网络的玉米病虫害图像。图像的采集时间为2022年7-9月，为满足数据集多样性的要求，分别在晴天、阴天和雨天，以正面、侧面、仰视等不同拍摄角度进行数据图像的采集，图像中包含了密集、稀疏、重叠、顺光、逆光等不同背景噪声的图像。图2为采集的部分图像样本。

1.2 数据集制作

首先，对采集的图像进行旋转、平移、变亮、变暗、高斯噪声、椒盐噪声等数据增强处理，以实现数据集的扩展和多样化，从而提高模型训练的鲁棒性与泛化性。然后，采用labelImg工具对经数据增强后的1 985张图像进行特征标注。分别将玉米黏虫、灰飞虱、锈病和斑病标注为N、H、X和B 4个类别（标注时为避免由不同人标注而产生的细小差别，所有标注均为同一人完成，再由另一人检查以保证数据集标签的准确性。），并将其类别信息和位置信息保存为XML文件，再转换为YOLOv5s所需要的TXT格式文件。最后，划分训练集、验证集和测试集，供模型训练和测试使用。表1为玉米病虫害图像数据集的详细信息。

1.3 YOLOv5s模型

YOLO系列算法[20-22]采用回归思想，凭借检测精度高、推理速度快等优势，能够快速完成目标检测任务，在很多领域都取得了较为满意的结果，已成为主流算法之一。随着技术的发展，YOLOv5s也一直被各领域的学者不断完善与优化，并展现出非常不错的性能。YOLOv5s算法由输入端、主干网络、颈部网络以及预测头[23]构成，其框架图如图3所示。

1.4 改进YOLOv5s模型

在移动端边缘计算设备的目標检测任务中，模型检测精度、速度和体积大小是评价模型性能的重要指标。对于单阶段目标检测，YOLO系列算法在检测精度和速度上都具有明显优势，而YOLOv5s更是继承了YOLOv1～YOLOv4的特点，成为目标检测领域的首选网络[14]。因此，本研究拟针对移动端边缘计算设备能力受限的问题，研究了一种模型轻量化、添加注意力机制和优化损失函数的YOLOv5s改进模型，运用于玉米病虫害的目标检测。

1.4.1 引入轻量化GhostNet模块  传统卷积神经网络提取图片特征时，会产生特征信息冗余、计算量和参数量大等问题，YOLOv5s具有较高检测精度也是由于其网络庞大，难以直接在移动端边缘计算设备进行部署，必须减少计算量和参数量。

通过在YOLOv5s中引入GhostNet[24]网络进行轻量化改进。GhostNet是一种新型的轻量化网络，其利用简单的线性操作生成丰富的特征图，从而避免大量卷积运算，以减少模型计算量和参数量。Ghost Module利用1×1卷积对输入的玉米病虫害图像目标特征进行缩减，再使用逐层卷积得到额外的特征图，最后将二者的结果进行堆叠生成新的病虫害目标特征图，以此消除特征信息冗余，并获得轻量化模型。Ghost Bottlencks是由Ghost Module组成的瓶颈结构（图4），可分为主干部分和残差部分。当我们需要对特征层的宽和高进行压缩的时候，将Ghost Bottlencks的Stride设为2，便可对特征层的宽和高进行压缩，此时，加入一个步长为2×2的深度可分离卷积在主干网络的2个Ghost Module中对特征层进行压缩，在残差部分也会加入一个步长为2×2的深度可分离卷积和1×1的普通卷积。

1.4.2 添加注意力机制  图像背景中存在杂草、土地和光线遮挡等问题导致对玉米病虫害的目标检测更为复杂。通过添加注意力机制可以增强模型对特征的捕捉能力，提高模型检测精度。玉米病虫害特征信息在图像中占比较小，模型更需减少对无关特征信息的关注度。所以，可以在YOLOv5s中添加基于标准化的注意力机制（Normalization-based attention module，NAM）[25]。NAM利用权重影响因子来增强显著性权值，从而提高注意力机制的性能。它通过批量归一化（Batch normalization，BN）[26]的比例因子来表示权重的重要程度，避免了像其他注意力机制一样使用全连接层和卷积层而造成计算量大的弊端。

NAM基于卷积注意力机制（Convolutional block attention module，CBAM）[27]，又设计了通道和空间注意力子模块，如图5所示。以BN中的比例因子去计算通道方差用以表示通道注意力模块中权重的重要性，计算公式见公式（1）～公式（5）。

在玉米病虫害检测任务中，NAM能够更加全面地评估特征权值，以增强玉米病虫害的特征，减弱复杂背景与无关信息的干扰，从而增强模型的鲁棒性和泛化能力，提升检测性能。

γi和λi：缩放因子；ωi：权重；Mc和Ms：通道注意力模块和空间注意力模块的输出特征。

Bout=BN（Bin）=γ Bin-μB  σ2B+ε  +β （1）

Wγ= γi ∑  i=0 γi  （2）

Wλ= λi ∑  i=0 λi  （3）

Mc=Sigmoid{Wγ[BN（F1）]} （4）

Ms=Sigmoid{Wλ[BNs（F2）]} （5）

式中，μB和σB：小批量B的均值和标准差；

γ和β：可训练的仿射变换参数（尺度和位移）；γi和λi：通道注意力模块和空间注意力模块的每个通道的比例因子；Wγ和Wλ：γi和λi的注意力权重；Mc和Ms：通道注意力模块和空间注意力模块的输出特征。F1和F2：输入特征变量。

1.4.3 边框损失函数优化  在模型训练中损失函数发挥了重要作用，其能够评估模型预测框与真实框之间的距离。大多数算法选择标准性能度量（IoU）作为损失函数[28]。但是，当真实框与预测框IoU部分重叠或不重叠时便无法反映出二者的重合度和距离，使得模型无法进行训练。YOLOv5s模型使用CIoU损失函数，它将两框之间的中心点距离、纵横比和重叠面积考虑进去，使目标边框回归更加稳定。CIoU损失函数见公式（6）～公式（9）。

LCIoU=1-IoU+ ρ2（b，bgt） c2 +av （6）

a= v （1-IoU）+v  （7）

v= 4 π2 （arctan wgt hgt - arctan w h ）2 （8）

IoU=  A∩B A∪B   （9）

式中，h和w：预测框的高和宽；

b和bgt：预测框中心点和目标框中心点；

a和v：分别为权重系数和长宽比一致性的参数；

hgt和wgt：真实框的高和宽；

ρ2：两框中心点间的欧式距离；

c：同时包含两框最小封闭包矩形框的对角线距离；

IoU：损失函数； A ：真实框的集合； B ：预测框的集合。

虽然CIoU损失函数弥补了IoU损失函数的不足，但还是忽略了边框尺寸与其置信度存在的真实差异。针对这一问题，Zhang等[29]提出了EIoU（Efficient intersection over union）损失函数。EIoU损失函数的惩罚项是将纵横比影响因子拆开，计算目标框和锚框的长、宽，它包括标准性能度量损失、中心点距离损失和宽高损失三部分。EIoU损失函数公式（10）～公式（11）。

EIoU=IoU-  r2（b，bgt） c2 -  r2（w，wgt） c2w -  r2（h，hgt） c2h  （10）

LEIoU=1-EIoU （11）

式中，ch：覆蓋预测框和真实框的最小外接框的高；

cw：覆盖预测框和真实框的最小外接框的宽。

在边框回归损失中，EIoU损失函数解决了其他损失函数所存在的问题，表现出良好的性能，所以本研究将采用EIoU损失函数来对模型进行改进。最终改进的YOLOv5s模型如图6所示。

1.5 试验准备

1.5.1 试验平台及环境  本研究是基于深度学习框架Pytorch进行的模型构建与改进，在64位Windows10系统上进行模型训练与测试。试验平台： 中央处理器（CPU）为AMD RYZEN R7 6800H 3.20 GHz、内存16 G，图像处理器（GPU）为NCIDIA GE Force RTX 3060，显存为6 G。试验环境：python3.8，Pytorch1.10.1。为提高网络训练速度，使用GPU进行加速，软件版本为CUDA11.3和CUDNN8.2.1。

1.5.2 模型评价指标  在玉米病虫害检测模型的试验研究中，采用精确率（P）、召回率（R）、平均精度均值（mAP）、计算量（FLOPs）、参数量（Parameters）和模型大小作为模型性能评价指标。其中精确率、召回率和平均精度均值计算公式为公式（12）～公式（14）。

P= TP TP+FP ×100% （12）

R= TP TP+FN ×100% （13）

mAP=  K K=1 AP（K） K  （14）

式中，TP：检测正确的样本数量；FP：检测错误的样本数量；FN：检测遗漏的样本数量；K：检测类别数；AP：P-R曲线所围成的面积；P：检测正确的样本占所有检测样本数量的比例；R：检测正确的样本占所有检测样本中正确样本数量的比例；mAP：所有类别AP值的平均值。

2 结果与分析

为验证本研究所提出的YOLOv5s改进模型的优越性，在相同试验环境下使用同一数据集进行试验验证。

2.1 YOLOv5模型轻量化结果

由于YOLOv5s模型提取图像特征时会产生特征信息冗余以及计算量和参数量大等问题，影响了其在移动端的部署应用，本研究对YOLOv5s模型进行不同程度的轻量化模块替换，并进行了对比试验，结果见表2。从试验结果来看，经轻量化改进的YOLOv5s-G1、YOLOv5s-G2和YOLOv5s-G模型在计算量、参数量和模型大小方面都大幅下降，其中YOLOv5s-G1分别减少32.9%、27.1%和27.0%，YOLOv5s-G2分别减少45.6%、41.4%和39.7%，YOLOv5s-G分别减少50.6%、52.9%和50.4%，可见YOLOv5s-G的轻量化效果最好。但模型轻量化后，网络的深度、卷积量和特征提取能力也下降了，导致P、R和mAP值都下降。其中，YOLOv5s-G2的mAP值相比原模型下降了7.1个百分点；YOLOv5s-G1的mAP值下降3.3个百分点，降幅最小；YOLOv5s-G是改进后轻量化效果最好的模型，且mAP仅比YOLOv5s-G1低1.3个百分点。证明在YOLOv5s模型中引入GhostNet能够实现轻量化，但是检测精度也有所下降，达不到移动端的应用需求。因此，以YOLOv5s-G为基础进一步改进，提升其检测精度。

2.2 添加注意力机制结果

通过引入注意力机制（NAM）来加强模型对目标特征的捕捉能力，使模型学习到更多有效信息，以提升检测精度。为了验证添加NAM后对YOLOv5s-G模型检测精度的影响，进行了对比试验。由表3可知，YOLOv5s-G-N[引入注意力机制（NAM）的YOLOv5s-G模型]在计算量、参数量和模型大小基本不变的情况下，P、R和mAP分别提升了4.9个百分点、4.3个百分点和4.9个百分点。这是由于引入NAM后，玉米病虫害特征得到增强，复杂背景与无关信息干扰减弱，从而提升了模型检测精度。

YOLOv5s：原始模型；YOLOv5s-G1：将主干网络中的Conv、C3模块替换为GhostConv、C3Ghost模块的轻量化改进模型；YOLOv5s-G2：对主干网络进行轻量化改进，而颈部网络中仅是C3模块替换为C3Ghost模块的改进模型；YOLOv5s-G：将主干网络和颈部网络都进行轻量化的改进模型。

2.3 边框损失函数优化结果

本研究对比了EIoU损失函数和CIoU损失函数对YOLOv5s模型性能的影响。图7为经200轮迭代后，2种采用不同损失函数的YOLOv5s模型的损失曲线。可见EIoU损失函数和CIoU损失函数都表现出了较快的预测回归过程，但在收敛速度上EIoU损失函数更为优越。

为进一步验证EIoU损失函数对YOLOv5s-G-N轻量化改进模型的效果，本研究将YOLOv5s-G-N-E模型（经过EIoU损失函数优化的YOLOv5s-G-N模型）与YOLOv5s-G-N模型行了试验对比。由表4可知，YOLOv5s-G-N-E模型在计算量、参数量和模型大小不变的情况下，P、R、mAP分别提高了0.9个百分点、0.1个百分点和1.7个百分点。究其原因是由于EIoU损失函数弥补了CIoU损失函数边界框尺寸与其置信度存在的真实差异，使目标框与锚框相差最小，从而改善了模型性能。

2.4 模型有效性

2.4.1 消融试验  结果（表5）显示，Ⅰ是原始YOLOv5s模型，其对玉米病虫害检测的mAP为86.8%；Ⅱ是采用轻量化网络改进的模型，其mAP降低至82.2%；Ⅲ是在轻量化基础上引入NAM的模型，其mAP提升至87.1%；Ⅳ是在Ⅲ模型中将损失函数替换为EIoU的模型，其mAP更是提升至88.8%。综上，本研究对YOLOv5s模型的改进是有效的。

Ⅰ是原始YOLOv5s模型；Ⅱ是采用轻量化网络改进的模型；Ⅲ是在轻量化基础上引入NAM机制的模型；Ⅳ是在Ⅲ模型中将损失函数替换为EIoU的模型。

2.4.2 YOLOv5s-G-N-E模型的性能  将YOLOv5s-G-N-E模型与原始YOLOv5s模型进行对比试验。由表6可知，除了斑病检测在R、mAP上有所下降外，在对所有类别病虫害检测中，YOLOv5s-G-N-E模型的P、R和mAP比原始YOLOv5s模型提高了1.9个百分点、2.2个百分点和2.0个百分点，分别达到94.6%、80.2%和88.8%；特别是对黏虫和灰飞虱的检测，P和R值提升较为明显。同时，YOLOv5s-G-N-E模型的计算量、参数量和模型大小都分别降低至50.6%、52.9%和50.4%。由此说明，YOLOv5s-G-N-E模型比原始YOLOv5s模型更轻量化，但仍然保持了较高的检测精度，适于在移动端进行部署应用。

为了更直观地比较YOLOv5s-G-N-E模型与原始YOLOv5s模型对玉米病虫害的检测效果，采用玉米病虫害测试集图像进行检测，其中检测效果如图8所示。从图8可知，在复杂环境、种植密集的情况下，原始YOLOv5s模型由于受到严重背景干扰，出现可信度低、斑病漏检和错检等情况，影响了模型的检测效果。而YOLOv5s-G-N-E模型由于引入注意力机制和优化了边框损失函数，能够全面地评估目标特征权值，并使得目标框与锚框相差最小，从而增强玉米病虫害的特征，减弱复杂背景与无关信息干扰特征，进而提升了模型的检测精度。

2.4.3 不同检测模型性能对比  为了验证YOLOv5s-G-N-E模型优越性，本研究将其与目前主流的目标检测模型（Faster-RCNN、YOLOv5x、YOLOv5s、YOLOv7-Tiny）进了试验对比。由表7可知，Faster-RCNN相较于其他模型在计算量、参数量和模型大小方面均比较大，且平均精度均值只有75.3%，无法满足检测要求；YOLOv5x的平均精度均值能够达到89.4%，但计算量、参数量和模型庞大，严重占用了芯片的计算资源，不适用于移动端的部署；YOLOv5s与YOLOv7-Tiny各方面的性能指标相近，但综合性能不及本研究的YOLOv5s-G-N-E模型。YOLOv5s-G-N-E模型雖然在平均精度均值上比YOLOv7-Tiny低1.6个百分点，但在计算量、参数量和模型大小上有明显优势，在满足移动端设备应用要求的同时还能节省计算资源。

3 结 论

（1）本研究以YOLOv5s模型为基础，采用轻量级网络GhostNet对其进行轻量化改进，再通过添加注意力机制（NAM）增强特征，并用损失函数EIOU代替CIOU提升模型的收敛速度和回归精度，得到了改进后的YOLOv5s-G-N-E模型。并将其与Faster-RCNN、YOLOv5x、YOLOv5s和YOLOv7-Tiny模型进行性能对比，结果表明YOLOv5s-G-N-E模型在保持较小计算量、参数量和模型大小的同时，取得了较高的检测精度。

（2）在不同环境下采集了玉米病虫害图像，通过数据增强方法对图片集进行扩充，建立了玉米病虫害数据集，用于模型的训练和验证。经测试本研究所构建的YOLOv5s-G-N-E模型对供试玉米病虫害检测的P、R和mAP分别为94.6%、80.2%和88.8%，同时在计算量、参数量和模型大小方面分别减少50.6%、52.9%和50.4%。本研究所构建的YOLOv5s-G-N-E模型在复杂背景下的检测精度优于原始模型，为玉米病虫害目标检测提供了新的模型，并为检测模型在移动端设备上的部署应用提供了选择。

（3）由于条件所限，本研究建立的玉米病虫害图像数据集样本有限，后续研究将进一步对数据集进行补充，再结合迁移学习以提升检测模型的泛化能力。

参考文献：

[1]  代瑞熙，徐伟平. 中国玉米增产潜力预测[J]. 农业展望，2022，18（3）：41-49.

[2] 王文明. 玉米常见病虫害防治措施探讨[J]. 农业开发与装备，2017（12）：149-151.

[3] 安艳丽. 玉米常见病害的识别与防治[J]. 农业与技术，2017，37（18）：44.

[4] REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2016，39（6）：1137-1149.

[5] THEODORIDIS S，KOUTROUMBAS K. Lecture notes in computer science[J]. Algorithmica，2016，540（8）：169-195.

[6] 陈桂珍，龚声蓉. 计算机视觉及模式识别技术在农业生产领域的应用[J]. 江苏农业科学，2015，43（8）：409-413.

[7] 黄丽明，王懿祥，徐 琪，等. 采用YOLO算法和无人机影像的松材线虫病异常变色木识别[J]. 农业工程学报，2021，37（14）：197-203.

[8] 刘天真，滕桂法，苑迎春，等. 基于改进YOLOv3的自然场景下冬枣果实识别方法[J]. 农业机械学报，2021，52（5）：17-25.

[9] FARJON G， KRIKEB O， HILLEL A B， et al. Detection and counting of flowers on apple trees for better chemical thinning decisions[J]. Precision Agriculture，2019，21（3）：503-521.

[10] FERENTINOS K P. Deep learning models for plant disease detection and diagnosis[J]. Computers and Electronics in Agriculture，2018，145：311-318.

[11] 苏俊楷，段先华，叶赵兵. 改进YOLOv5算法的玉米病害检测研究[J]. 计算机科学与探索，2023，17（4）：933-941.

[12] 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）：1276-1285.

[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]. 江苏农业学报，2022，38（3）：685-695.

[14] 邢洁洁，谢定进，杨然兵，等. 基于YOLOv5s的农田垃圾轻量化检测方法[J]. 农业工程学报，2022，38（19）：153-161.

[15] 张振国，邢振宇，赵敏义，等. 改进YOLOv3的复杂环境下红花丝检测方法[J]. 农业工程学报，2023，39（3）：162-170.

[16] 王卫星，刘泽乾，高 鹏，等. 基于改进YOLOv4的荔枝病虫害检测模型[J]. 农业机械学报，2023，54（5）：227-235.

[17] 陈玉冲，龙梦玲，郭 辉，等. 灰飞虱研究的文献计量分析[J]. 江苏科技信息，2021，38（15）：22-25，53.

[18] 杨春媛. 玉米常见病害的发病症状及防治措施[J]. 乡村科技，2017（24）：63-64.

[19] 路興涛，吴翠霞，张 勇，等. 玉米灰飞虱与粗缩病的发生规律及综合防治策略[J]. 安徽农业科学，2013，41（19）：8168-8169.

[20]  REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once：unified，real-time object detection[C]. New York：IEEE，2016.

[21] REDMON J， FARHADI A. YOLOv3：an incremental improvement[J]. arXiv Preprint，2018.DOI：10.48550/arXiv.1804.02767.

[22] BOCHKOVSKIY A， WANG C Y， LIAO H Y M. YOLOv4：optimal speed and accuracy of object detection[J]. arXiv Preprint，2020.DOI：10.48550/arXiv.2004.10934.

[23] 郭 磊，王邱龙，薛 伟，等. 基于改进YOLOv5的小目标检测算法[J]. 电子科技大学学报，2022，51（2）：251-258.

[24] 李文婧，徐国伟，孔维刚，等. 基于改进YOLOv4的植物叶茎交点目标检测研究[J]. 计算机工程与应用，2022，58（4）：221-228.

[25] LIU Y C，SHAO Z R，TENG Y，et al. NAM：normalization-based attention module[J]. arXiv Preprint，2021.DOI：10.48550/arXiv.2111.12419.

[26] 孔德鹏，常天庆，戴文君，等. 基于排序选择和精英引导的改进人工蜂群算法[J]. 控制与决策，2019，34（4）：781-786.

[27] WOO S， PARK J， LEE J Y， et al. CBAM： convolutional block attention module[M]. Cham：Springer International Publishing，2018.

[28] YU J， JIANG Y， WANG Z， et al. Unitbox： an advanced object detection network[J]. ACM，2016.DOI：10.1145/2964284.2967274.

[29] ZHANG Y F， REN W， HANG Z， et al. Focal and efficient IOU loss for accurate bounding box regression[J]. Neurocomputing，2022，506：146-157.

（责任编辑：陈海霞）