基于EBP-YOLOv8 的葡萄叶病害检测与识别方法研究

摘 要： 为提高实际环境中葡萄叶病害检测的准确率，适合视频实时监测、无人机等嵌入式AI应用场景，对YOLOv8 目标检测模型从模型结构、轻量化等方面进行改进，构建了EBP-YOLOv8。首先在颈部网络中引入BiFPN 结构，加强模型特征层之间的融合，改善对小目标的检测能力；其次使用C2_P来替换颈部网络中的C2f 结构，实现模型的轻量化，在降低模型计算量的同时而不影响其精度；然后在特征提取网络中融入EMA注意力机制，提升网络对感兴趣区域的关注，提升模型对复杂背景、相似病斑的识别能力；最后将CIoU 损失函数替换为ECIoU 损失函数，进一步提升模型的检测性能，使模型能够更好地收敛。EBP-YOLOv8 对比YOLOv8n、Faster-RCNN、RetinaNet、YOLOv8n、YOLOv8s、YOLOv7、YOLOv7-Tiny、YOLOv4-Tiny，mAP分别提升了3.2%、13.87%、3.49%、3.2%、1.3%、5%、4.7%、8.8%，模型大小仅5.3MB。改进后的算法在轻量化及保证实时性的同时有效提高了检测精度，可以为开发葡萄叶病害实时检测边缘系统提供有效参考。

关键词： 葡萄叶病害；YOLOv8；BiFPN；EMA注意力机制；轻量化

中图法分类号： TP391.4 文献标识码： A 文章编号： 1000-2324（2024）03-0322-13

葡萄叶病害严重影响葡萄的产量和品质，及时、准确地检测和识别葡萄叶病害对于制定有效的防治措施非常重要。传统的病害检测方法通常基于人工观察和识别，但这种方法耗时且易受主观因素的影响，限制了检测效率和准确性。

随着计算机视觉和深度学习技术的快速发展，基于图像处理和机器学习的自动化检测方法［1-3］逐步应用。其中，YOLO系列［4-6］算法作为一种快速准确的实时目标检测算法，已经在各个领域取得了显著的成果。专家学者使用深度学习的方法在农作物病害识别方面开始探索。王卫星等［7］提出将GhostNet 引入YOLOv4 算法，引入CBAM注意力机制，对5 种荔枝叶部病虫害的检测准确率达89.76%，虽然模型的检测精度有提高，但模型的内存占用量也增大了。王超学等［8］将EfficientNet 结构引入YOLOv3 算法对葡萄病害进行识别，检测精度得到有效提升，模型大小达到117 MB，训练时间长，参数量计算量大，不利于部署在计算量有限的硬件条件。刘君等［9］提出一种基于YOLOv3 的番茄病虫害检测算法，准确率达85.09%，检测速度为70 帧/s，该模型虽然准确率较高，但存在检测速度较慢、模型较大、误判风险及数据依赖性强等不足。文斌等［10］提出一种改进的AD-YOLOv3 算法检测三七叶片病害，将YOLOv3 中原始特征金字塔替换为AFP注意力特征金字塔，并引入了双瓶颈层，对提取的特征进行后处理，检测平均精度均值达80.55%，提升了三七叶片病害检测的精度和鲁棒性，尤其在复杂环境下表现更佳，但可能存在模型复杂度较高和计算资源需求较大的缺点以及对小目标检测能力较弱。张楠楠等［11］提出将CBAM注意力机制引入YOLOv7 模型来检测棉花叶片的3 种病害图像，并与YOLOv5 进行了对比试验，检测精度达85.5%，模型的内存占用量大，其对于复杂环境下的棉花叶片检测并不理想。BAO W X 等［12］提出将改进的YOLOv5 算法，通过RCAN重建高分辨率图像和引入多尺度RFB 模块与CBAM注意力机制，有效提升了茶叶树干探测的准确性和效率，检测平均精度均值达73.8%。然而，该方法增加了模型的复杂性和计算成本，对硬件资源要求较高。

上述算法应用于病虫害检测中，存在模型参数计算量较大，不能同时兼顾图像的检测精度与速度。最新版本的YOLOv8n 模型是速度最快且参数大小最小的版本，仅为6.2 M，非常适合应用于实时监测的场景。为了获得兼具速度和精度且易于实现的病害检测方法，准确且快速的检测出葡萄叶病害信息，本研究提出一种基于改进的YOLOv8n 算法，首先在特征提取网络中融入EMA［13］（Efficient Multi-Scale Attention）注意力机制，提升网络对感兴趣区域的关注，提升模型对复杂背景、相似病斑的识别能力；其次将颈部网络中的FPN［14］（Feature Pyramid Networks）和PAN（Path Aggregation Network）结构改为结合了BiFPN［15-16］思想的特征融合结构，可以增强特征的传递和融合能力，使得低层级特征和高层级特征之间的信息交互更加充分，从而提高模型对小目标［17］的感知能力。然后通过将C2_P引入颈部网络，可以简化模型结构并降低计算复杂度，且能够更快地提取特征并进行目标检测。最后将边界框回归损失函数CIoU 替换为ECIoU，模型在训练过程中可以更准确地学习目标之间的空间关系，进而提高边界框的回归精度，加速模型的收敛。

本研究通过采用改进的YOLOv8n 算法，有效地提高了对复杂背景下小目标病害的识别能力，提高了对葡萄叶病害的检测精度和速度。本研究旨在为实时、高效的农作物病害监测和管理提供理论依据和技术支持。

1 材料和方法

1.1 试验材料

本文以葡萄叶的黑腐病、黑麻疹、叶枯病为研究对象。本研究的葡萄叶病害数据在云南省弥勒市东风慕稀葡萄种植园由Intel RealSenseD435i 相机拍摄的1 853 张图像和PlantVillge 数据集的5 055张图像共同构成。试验于2023年5月-2024 年1 月进行，利用Labelimg 标注工具对数据集进行标注，所有病害图像均只标注病斑，图1展示了葡萄叶病害原始数据集及标注，注格式为VOC格式。最后将数据集划分为训练集、验证集和测试集，比例为8∶1∶1。图2 为标签的分布情况，表1为3种葡萄叶病害的图像分布。