基于改進YOLOv5的草莓病害智能識別終端設計

喬珠峰 趙秋菊 郭建鑫 陳會娜 平陽 趙繼春

摘要：為實現低成本、便捷、高效的草莓病害識別與檢測，提升草莓種植與生產效益，在YOLOv5模型基礎上，引入高效通道注意力（Efficient Channel Attention，ECA）機制，研究構建一種草莓病害識別模型，應用嵌入式與軟件工程技術研發草莓病害識別終端設備。終端設備應用系統由圖像采集、圖像檢測、檢測結果展示和數據傳輸等模塊組成，實現草莓圖像實時采集和病害實時識別檢測等功能?；诓葺『z測數據集對系統開展測試，結果表明，該系統可以有效識別草莓白粉菌果病、角斑病、葉斑病等病害。與YOLOv5相比，AP0.5∶0.95、AP0.5、AP0.75、APM、APL都有比較大幅度提升。系統具有高效、便捷、實時等優點，可廣泛應用于草莓生產領域，從而有效提升草莓病害識別與檢測效率。

關鍵詞：草莓病害；YOLOv5；圖像檢測；嵌入式；模型識別

中圖分類號：S24? 文獻標識碼：A? 文章編號：2095-5553 （2024） 03-0205-07

Design of strawberry disease intelligent identification terminal based on improved YOLOv5

Qiao Zhufeng1， 2， Zhao Qiuju1， 2， Guo Jianxin1， 2， Chen Huina1， 2， Ping Yang1， 2， Zhao Jichun1， 2

（1. Beijing Academy of Agricultural and Forestry Sciences， Beijing， 100097， China；2. Research Center of Beijing Engineering Technology for Rural Remote Information Services， Beijing， 100097， China）

Abstract：

In order to achieve low-cost， convenient， and efficient identification and detection of strawberry diseases， and improve the efficiency of strawberry planting and production， based on YOLOv5 model， an efficient channel attention （ECA） mechanism was introduced to study and construct a strawberry disease recognition model. The embedded and software engineering technology was applied to develop and implement a strawberry disease recognition terminal device. The system consisted of modules such as image acquisition， image detection， display of detection results， and data transmission. The system realized real-time collection of strawberry images and disease identification and checking functions. The system was tested using Kaggles strawberry disease detection dataset， and the experimental results showed that the system could effectively identify diseases such as strawberry powdery mildew fruit， and strawberry corner spot， and leaf spot. And compared with YOLOv5， there is a significant improvement in AP0.5∶0.95、AP0.5、AP0.75、APM、APL. The system has the advantages of efficiency， convenience， and real-time online， which can be widely applied in the field of strawberry production， thereby effectively improving the efficiency of strawberry disease identification and detection.

Keywords：strawberry diseases; YOLOv5; image detection; embedded; model identification

0 引言

草莓種植生產中容易受到各種病害的影響，導致草莓果實品質劣化和草莓產量的降低?？焖?、準確識別草莓病害，及時采取相關防治措施，可有效保障草莓的正常生長。傳統病害防治方法主要依靠草莓研究專家肉眼觀察和監測，這需要專業人員一定時間內對固定草莓種植土地進行持續監測，人力資源耗費較大，增加草莓種植成本。同時，病害識別的時效性得不到保障，容易錯過病害治理的最佳時機［1］。

隨著人工智能技術發展，在國內外已有大量基于深度學習計算機視覺的病害自動識別相關研究模型，如AlexNet［2］、VGGNet［3］、GoogLeNet［4］、ResNet［5］、DenseNet［6］、Faster R-CNN［7］等，在病害圖像識別上取得了較好的研究進展。但是這些模型的參數較多、計算復雜度高，需要較多的計算和存儲資源，限制了模型在資源有限的嵌入式設備中的應用。YOLO系列模型是將目標檢測問題轉換為回歸問題，實現端到端的圖像目標訓練和檢測。模型本身具備良好的速度-精度的平衡，當前在目標檢測領域應用效果比較理想。

在農業圖像識別模型研究方面，研究者基于YOLOv5目標檢測網絡方法開展了探索性研究工作，如牛沖［8］提出改進的分水嶺圖像分割和基于紋理統計特征的支持向量機方法，實現對草莓的病害特征提取，有效緩解綠色葉片重疊導致目標與背景不易分割問題。宋懷波等［9］構建一種融合高效通道注意力（Efficient Channel Attention，ECA）機制的蘋果幼果檢測模型，模型針對檢測場景圖像不清晰問題具有較好的魯棒性，模型的檢測精度較高且識別速度較快。郭輝等［10］提出一種在YOLOv5主干網絡和頸部網絡插入卷積塊的方法，檢測模型具有較好的準確率。

YOLOv5具有模型尺寸相對較小、部署成本低、靈活性高、檢測速度快等優點［1012］，適合在移動終端應用。ECA注意力機制通過采用一維卷積方法高效實現局部跨通道信息交互，提取通道間的依賴關系［12］。避免降維，同時可有效捕獲跨通道交互信息，具有對網絡處理速度影響小的優勢，適合在嵌入式終端應用。

鑒于YOLOv5網絡模型和ECA注意力機制在識別速度與部署規模上的優勢，本文融合兩種方法開展草莓病蟲害識別模型的研究。通過對圖像中草莓葉片和果實的目標特征提取，構建草莓果實和葉片的圖像特征模型，并實現草莓病害識別。以嵌入式開發技術為基礎，研發設計便攜式低功耗的草莓病害檢測終端設備，實現草莓圖像實時采集和草莓病害實時識別，節約草莓病害的檢測成本，提升檢測效率。

1 架構設計

管理系統和模型訓練模塊采用服務器軟件實現，圖像采集和檢測模塊采用嵌入式技術實現。在模型訓練設計方面，系統采用YOLOv5、自注意力機制和transform算法，通過標注好的圖像樣本訓練模型，再經過量化評估生成C語言代碼代入嵌入式設備。嵌入式設備硬件采用低功耗設計［13］，集成了基于硬件的卷積神經網絡加速器，保障本系統具有硬件執行神經網絡的能力；配置了攝像頭、顯示屏、WIFI、存儲、電源、USB接口等模塊。嵌入式軟件主要是對攝像頭采集的圖像數據進行實時解碼，調用訓練好的模型進行特征提取、圖像檢測，從而識別草莓病害，保存和顯示圖像檢測結果。系統總體架構如圖1所示。

2 硬件設計

終端設備采用低功耗設計方式，以雙核主控CPU為設計核心，提供了以超低功耗執行神經網絡的能力，集成的神經網絡加速器可以執行AI推理。終端設備包括主控模塊、攝像頭模塊、存儲模塊、WIFI、USB接口、數據存儲及電源等。

主控模塊采用Arm Cortex M4F，主頻為1.0 GHz，集成了神經網絡加速器，可編程輸入圖像尺寸支持高達1 024像素×1 024像素，可編程網絡深度支持多達64層，可編程網絡通道寬度支持多達1 024個通道，安全性方面支持安全啟動和AES 128/192/256硬件加速引擎。

存儲模塊采用DDR內存、flash閃存、外接存儲組成三級存儲。內存采用D2568ECMDPGJD芯片，總容量1 GB，用于嵌入式系統運行。flash閃存采用MT29F4G08ABADAWP芯片，總容量4 GB，用于圖像識別軟件運行。外接TF存儲卡總容量64 GB，用于圖像存儲。TF卡接口硬件原理圖如圖2所示。

攝像頭模塊采用CMOS VGA圖像傳感器，具備隨機窗口讀取能力。系統硬件結構簡單，靈敏度高、噪聲低、成本低、可靠性高。

3 軟件設計

本系統軟件設計首先是收集草莓病害圖像素材并標注素材圖像類別，然后采用YOLOv5、自注意力機制和transform等算法訓練草莓病害識別模型；對訓練好的模型進行模型量化，提升實際應用時模型的識別精度；再對模型進行評估，檢驗量化后的模型精度是否有丟失以及丟失多少；評估后模型識別精度在可接受范圍之內，對模型進行轉換，生成嵌入式工程代碼；部署模型到嵌入式終端設備。

模型部署完成后，編寫攝像頭代碼以及TFT-LCD顯示等相關代碼。攝像頭實時采集環境圖像，然后使用圖像檢測模型計算，計算出采集的草莓病害圖像與事先訓練的各種類別的草莓病害圖像的相似度，識別出相似度最高的草莓病害類別，顯示在TFT-LCD顯示屏上。軟件架構圖如圖3所示。

3.1 YOLOv5模型

YOLOv5模型結構［14］分為輸入端、特征提取層、特征融合層和預測輸出層組成。實際應用中草莓病害圖像的大小、像素、亮度等不能滿足統一的標準，模型在輸入端對輸入圖像進行數據增強、自適應錨框、自適應圖片縮放等處理。數據增強是對草莓病害圖像隨機增減亮度、對比度、飽和度、色調和隨機的縮放、裁剪、拼接，達到豐富了數據集和減小GPU負荷效果，流程如圖4所示。自適應錨框能根據草莓圖像目標標簽自動學習調整錨框尺寸，本文采用K均值聚類學習算法對自定義數據集分析獲得自適應錨框。自適應圖片縮放能方便地訓練處理各種大小草莓圖像。

特征提取層主要實現草莓病害圖像特征提取，將提取到的草莓圖像信息提供給后面的網絡運算。首先將草莓圖像的多個切片Concat起來，然后順序送入CBS模塊和CSP1_X模塊中處理。CSP1_X模塊由CBS模塊、Resunit模塊、卷積層以及Concat組成。

特征融合層是連接特征提取層和預測輸出層的部分，可使網絡更好地利用特征提取層提取到的特征。主要采用特征金字塔（Feature Pyramid Networks，FPN）與路徑聚合網絡（Path Aggregation Network，PAN）結構，FPN采用的是自頂向下傳達強語義特征，PAN則采用的是自底向上傳達定位特征，二者融合實現提升檢測的性能。

預測輸出層利用提取到草莓病害圖像的特征預測草莓病害并輸出草莓病害分類結果信息。主要采用CIoU（Complete Intersection over Union）損失函數作為邊界框的損失函數LOSSCIoU，計算如式（1）所示。在目標檢測后處理過程中，使用非極大值抑制（Non Maximum Suppression，NMS）來對多目標框篩選，得出局部最大值，增強多目標和遮擋目標的檢測能力。

LOSSCIoU=S（B，Bgt）+D（B，Bgt）+V（B，Bgt）（1）

式中：S——預測框面積與真實框面積的交并比損失；D——預測框與真實框的中心點之間距離與最小閉包趨于的對角線距離的比值；V——用來度量長寬比的相似性；B——預測框；Bgt——真實（Ground truth）框。

3.2 有效通道注意力模型

為合理利用有限的草莓病害圖像信息處理資源，集中關注圖像的特定部分，本文引入了有效的通道注意力模型（Efficient Channel Attention，ECA）模型［15］，ECA是一種不降維的局部跨信道交互策略，采用自適應一維卷積核。該策略使用一維卷積獲得不同通道之間的信息，并避免在學習通道注意力信息時，縮減通道維度；具有只增加少量參數，就可獲得比較明顯的性能增益作用。ECA模型結構圖如圖5所示。

圖5中H為圖片高度，W為圖片寬度，C為圖像通道數。ECA首先通過全局平均池化（GAP）壓縮草莓病害圖像，將圖像每個通道的特征圖進行平均池化，得到一個全局的特征向量，用來表示整張草莓病害圖像的上下文信息。獲得圖像聚合特征；再通過一維的大小為K的卷積核對全局特征向量進行一維卷積操作，實現跨通道信息覆蓋，以學習到通道之間的關聯性。其中K由式（2）計算得到；再經過Sigmoid激活函數得到圖像每個通道的權重系數。這些權重系數對每個通道的特征圖進行加權，以提高模型對草莓病害圖像中細節信息的提取能力；將圖像每個通道權重與未壓縮原始每個通道的特征圖對應元素相乘，得到最終輸出特征圖。

K=φ（C）=log2Cγ+bγodd（2）

式中：todd——距離t最近的奇數；C——圖像通道數；γ、b——固定常數，γ=2，b=1。

3.3 改進YOLOv5檢測模型

本文在YOLOv5模型網絡的特征提取階段三次引入注意力機制ECA模塊［16， 17］，構建了改進YOLOv5模型YOLOv5-ECA，模型的總體結構如圖6所示。

其中，CBS模塊由一個卷積層Conv，一個Batch normalization層和一個Silu激活函數層組成；Resunit模塊是殘差網絡結構；CSP1_X模塊由CBL模塊、Resunit模塊以及卷積層、Concat組成；CSP2_X模塊由卷積層和X個Resunit模塊Concat組成；SPPF模塊采用1×1、5×5、9×9和13×13最大池化方式進行多尺度特征融合。

3.4 評價指標

1） ?模型準確率。預測正確的樣本除以所有樣本所得百分比，表示模型預測正確的樣本所占比例［18］。具體定義如式（3）所示。

accuracy=TPTP+FP（3）

式中：accuracy——準確率；TP——指正確預測數；FP——指錯誤預測數。

2） ?多類交叉熵損失。目標檢測屬于一個多分類問題，檢測模型采用多類交叉熵損失指標計算損失［19］。假設預測目標總共有n個類別，第一個樣本的真實類別為yi=（yi1，yi2，…，yin），預測值為yi′=（yi1′，yi2′，…yin′）。具體定義如式（4）所示。

crossentropy（y，y′）=-1m∑mi=1∑nj=1yij′logyij（4）

式中：m——樣本的數量；n——類別的數量。

3.5 嵌入式軟件設計

嵌入式軟件系統主要由控制模塊、拍照模塊、圖像檢測模塊三部分組成。實現了拍照、圖像存儲、圖像檢測和檢測結果展示等主要功能，其中圖像檢測由基于YOLOv5訓練的圖像檢測模型實現，該模塊已經部署到嵌入式終端，軟件流程如圖7所示。

草莓病害識別軟件主要包括3個步驟：（1）草莓病害圖像采集和預處理。通過攝像頭采集草莓病害圖像。為滿足YOLOv5模型的輸入要求，將草莓病害圖像的尺寸調整為419×419，再將圖像分割成為3個不同尺度的網格狀。（2）草莓病害目標定位，即判斷網格是否包含草莓病害目標。先判斷每個網格中是否存在草莓病害目標的中心點。如果存在，則進一步預測以確定草莓病害的種類和精確位置。（3）草莓病害類別識別。在判斷出網格中包含草莓病害目標后，使用圖像檢測模型對草莓病害圖像進行特征提取，并使用全連接層預測得到草莓病害坐標和類別概率。

4 試驗與分析

4.1 試驗方法

試驗硬件環境CPU為Intel（R） Xeon（R） Silver 4316 CPU @ 2.30 GHz，內存64 G，顯卡為GeForce RTX 3090 24 G顯存。軟件環境為Ubuntu 18.04 64位系統，Python版本為Python3.10，軟件環境框架tensorflow2，使用CUDA11.1進行并行計算。

在試驗過程中，每一次迭代時，隨機打亂訓練集，從而使得每次訓練的數據分布不固定。學習率初始值設為10-2，學習率的衰減率為0.94，批量大小設置為54，訓練迭代次數為50，采用Adam優化器。試驗損失函數使用多類交叉熵損失，應用Checkpoint方法保存訓練過程中性能最好的模型。為防止網絡訓練過程出現過擬合現象，在網絡的全連接層之前加入Dropout，設置失效神經元的概率值為0.3。

4.2 試驗數據

本文采用草莓疾病檢測數據集共有圖像數據2 900張，其中由白粉菌果病、角斑病、葉斑病、炭疽病、灰霉病、開花枯萎病、白粉菌葉病七種病害構成的草莓病害圖像數量為2 500張，另外增加了健康的草莓果實圖像數據200張和健康的草莓葉片圖像數據200張，目的是提升正常草莓與病害草莓圖像辨識度。

草莓病害數據集提供病害的特寫和病害的遠景，圖像范圍包括病害的初始、中期和后期階段。每張圖片包含一種草莓病害信息。草莓數據集劃分成訓練集、驗證集和測試集，如表1所示。草莓病害數據集示例如圖8所示。

4.3 試驗結果

4.3.1 準確率和檢測損失

經過多次綜合訓練，比較選出相對最優模型進行準確率測試，從圖9可知，迭代16次后，改進的YOLOv5-ECA網絡模型在訓練集上對草莓病害識別的準確率趨于飽和，在驗證集上對草莓病害識別的準確率接近90%。

由圖10可知，迭代50次損失曲線中損失率逐步降低，并且收斂速度逐步加快；在第16次迭代后損失率趨于飽和，改進的YOLOv5-ECA網絡模型在草莓病害數據集上具有較強的抗干擾能力和魯棒性。

由表2可知，在七種草莓病害測試集上測試結果存在差異，角斑病識別準確率最高為84.35%，葉斑病識別準確率最低為65.43%，平均準確率為76.29%。通過對檢測結果數據分析得出：炭疽病、白粉菌果病、葉斑病檢測準確率偏低，主要原因是這三種草莓病害是誤檢為灰霉病。白粉菌葉病檢測準確率偏低，主要原因是誤檢為角斑病。測試結果表明，模型在訓練集和驗證集上準確率相對比較高，但是該模型在測試集上的準確率明顯低于訓練集和驗證集上的檢測結果，原因可能是訓練數據過擬合以及圖像數據的數量不足，需降低模型復雜度以及調整dropout進一步增加模型的泛化能力，同時需要在實際應用中積累草莓病害圖像數量，增加訓練數據體量。

4.3.2 基于COCO數據測試

采用CVAT對數據集進行標注，獲取草莓病害圖像的COCO格式數據集。在COCO數據集上YOLOv5和YOLOv5-ECA測試評估獲得結果如表3所示。

其中，AP（average precision）是平均精度，IoU（Intersection over Union）表示圖像目標預測框與實際框的交集和并集的比值。AP0.5∶0.95表示在不同IoU閾值（從0.5到0.95，步長0.05），計算得到的AP集合的均值；AP0.5、AP0.75表示在IoU分別取0.5、0.75時的平均精度；AP，IoU表示在不同的交并比IoU閾值下的平均精度；AP，Area表示在S、M、L三個不同的目標尺度上的測試結果，分別是APS、APM、APL；S表示小于242個像素的目標；M表示在242～1024個像素之間的目標；L表示大于1024像素的目標。改進的YOLOv5-ECA模型在AP0.5∶0.95、AP0.5、AP0.75、APM、APL上都有比較大幅度提升，分別提高了18.49%、6.38、19.48%、12.29%、47.04%。但是，在APS上降低的比較明顯，達到44.08%，考慮到重點設備采集圖片大小一般都大于242像素，所以APS的降低對模型應用影響較小。

4.4 終端測試

將訓練好的模型權重導入到嵌入式終端中，實現嵌入式終端對草莓病害檢測。用戶通過終端設備的病害識別界面可以實現從相冊選擇病害圖像、相機拍攝病害圖像進行檢測。也可以通過圖像瀏覽查看已有的檢測結果。草莓各類病害檢測結果如圖11所示。

5 結論

1） ?應用圖像檢測模型、嵌入式、軟件工程技術研發實現草莓病害識別系統。系統采用低功耗設計，基于雙核Arm Cortex-M4F主控CPU為設計核心，支持硬件的神經網絡加速器，支持基于WIFI的圖像傳輸和模型載入，實現便攜式手持的嵌入式草莓病害檢測。

2） ?構建了YOLOv5與ECA網絡相融合的草莓病害檢測模型，可有效捕獲跨通道交互信息，具有對網絡處理速度的影響小的優勢。試驗結果表明，該系統可以有效識別草莓病害信息，測試集識別準確率達76.29%，與僅采用YOLOv5相比，AP、AP0.5、AP0.75、APM、APL上都有較大提升，針對草莓病害圖像檢測效果相對比較理想。

3） ?終端應用系統由圖像采集、圖像檢測、結果展示和數據傳輸等模塊組成，實現草莓圖像實時采集和病害實時識別檢測等功能。實際應用中設備運行穩定，可快速、便捷實現草莓病害檢測，可有效降低草莓生產中病害檢測成本，具有廣闊的應用前景。

參 考 文 獻

［1］郭文娟， 馮全， 李相周. 基于農作物病害檢測與識別的卷積神經網絡模型研究進展［J］. 中國農機化學報， 2022， 43（10）： 157-166.Guo Wenjuan， Feng Quan， Li Xiangzhou. Research progress of convolutional neural network model based on crop disease detection and recognition ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 157-166.

［2］Pydipati R， Burks T F， Lee W S. Identification of citrus disease using color texture features and discriminant analysis ［J］. Computers and Electronics in Agriculture， 2006， 52： 49-59.

［3］Simonyan K， Zisserman A. Very deep convolutional networks for large scale image recognition ［J］. ArXiv Preprint， 2014.

［4］Szegedy C， Liu W， Jia Y Q， et al. Going deeper with convolutions ［C］. Computer Vision and Pattern Recognition， Boston， 2015： 1-9.

［5］He K M， Zhang X Y， Ren S O， et al. Deep residual leaning for image recognition ［C］. Computer Vision and Pattem Recognition Las Vegas， 2016： 770-778.

［6］Huang G， Liu Z， MaatenL V D， et al. Densely connected convolutional networks ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017.

［7］宋中山， 汪進， 鄭祿， 等. 基于二值化的Faster R-CNN柑橘病蟲害識別研究［J］. 中國農機化學報， 2022， 43（6）：150-158.Song Zhongshan， Wang Jin， Zhen Lu， et al. Research on citrus pest identification based on Binary Faster R-CNN ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（6）： 150-158.

［8］牛沖. 基于圖像處理的草莓病害識別方法研究［D］. 太原： 太原理工大學， 2016.Niu Chong. Research on recognition method of strawberry disease based on image processing ［D］. Taiyuan： Taiyuan University of Technology， 2016.

［9］宋懷波， 馬寶玲， 尚鈺瑩， 等. 基于YOLO v7-ECA模型的蘋果幼果檢測［J］. 農業機械學報， 2023， 54（6）： 233-242.Song Huaibo， Ma Baoling， Shang Yuying， et al. Detection of young apple fruits based on YOLO v7-ECA model ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（6）： 233-242.

［10］郭輝， 陳海洋， 高國民， 等. 基于YOLO v5m的紅花花冠目標檢測與空間定位方法［J］. 農業機械學報， 2023， 54（7）： 272-281.Guo Hui， Chen Haiyang， Gao Guomin， et al. Safflower corolla object detection and spatial positioning methods based on YOLO v5m ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（7）： 272-281.

［11］邵延華， 張鐸， 楚紅雨， 等. 基于深度學習的YOLO目標檢測綜述［J］. 電子與信息學報， 2022， 44（10）： 3697-3708.Shao Yanhua， Zhang Duo， Chu Hongyu， et al. A review of YOLO object detection based on deep learning ［J］. Journal of Electronics & Information Technology， 2022， 44（10）： 3697-3708.

［12］李成躍， 姚劍敏， 林志賢， 等. 基于改進YOLO輕量化網絡的目標檢測方法［J］. 激光與光電子學進展， 2020， 57（14）： 45-53.Li Chengyue， Yao Jianmin， Lin Zhixian， et al. Object detection method based on improved YOLO lightweight network ［J］. Laser & Optoelectronics Progress， 2020， 57（14）： 45-53.

［13］崔家華， 張云洲， 王爭， 等. 面向嵌入式平臺的輕量級目標檢測網絡［J］. 光學學報， 2019， 39（4）： 307-313.Cui Jiahua， Zhang Yunzhou， Wang Zheng， et al. Light-weight object detection networks for embedded platform ［J］. Acta Optica Sinica， 2019， 39（4）： 307-313.

［14］李建， 杜建強， 朱彥陳， ?等. 基于Transformer的目標檢測算法綜述［J］. 計算機工程與應用， 2023， 59（10）： 48-64.Li Jian， Du Jianqiang， Zhu Yanchen， et al. Survey of transformer-based object detection algorithms ［J］. Computer Engineering and Applications， 2023， 59（10）： 48-64.

［15］Wang Q L. Wu B G， Zhu P F， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks ［J］. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 2020： 11531-11539.

［16］Zhu X K， Lyu S C， Wang X， et al. TPH-YOLOv5： Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios ［C］. Proceedings of the IEEE/CVF International Conference on Computer Vision （ICCV） Workshops， 2021： 2778-2788.

［17］宋懷波， 李嶸， 王云飛， 等. 基于ECA-YOLO v5s網絡的重度遮擋肉牛目標識別方法［J］. 農業機械學報， 2023， 54（3）： 274-281.Song Haibo， Li Rong， Wang Yunfei， et al. Recognition method of heavily occluded beef cattle targets based on ECA-YOLO v5s ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（3）： 274-281.

［18］王江晴， 冀星， 莫海芳， 等. 基于輕量化VGG的植物病蟲害識別［J］. 中國農機化學報， 2022， 43（4）： 25-31.Wang Jiangqing， Ji Xing， Mo Haifang， et al. Plant disease detection based on lightweight VGG ［J］. Journal of Chinese Agricultural Mechanization， 2022，43（4）：25-31.

［19］李書琴， 陳聰， 朱彤， 等. 基于輕量級殘差網絡的植物葉片病害識別［J］. 農業機械學報， 2022， 53（3）： 243-250.Li Shuqin， Chen Cong， Zhu Tong， et al. Plant leaf disease identification based on lightweight residual network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（3）： 243-250.

［20］李功， 趙巍， 劉鵬， 等. 一種用于目標跟蹤邊界框回歸的光滑IoU損失［J］. 自動化學報， 2023， 49（2）： 288-306.Li Gong， Zhao Wei， Liu Peng， et al. Smooth-IoU loss for bounding box regression in visual tracking ［J］. Acta Automatica Sinica， 2023， 49（2）： 288-306.

基金項目：農業農村部農業大數據重點實驗室項目（NYNCBDSJ2022001）；北京市數字農業創新團隊項目（BAIC10—2023）；北京市農林科學院改革與發展專項（GGFZSJS2023）

第一作者：喬珠峰，男，1979年生，山西平遙人，碩士，副研究員；研究方向為農業信息技術。E-mail： qiaozhufeng@126.com

通訊作者：趙繼春，男，1980年生，河北承德人，博士，正高級農藝師；研究方向為農業信息技術。E-mail： zhaojc@agri.ac.cn