文章导读

无论在中国还是世界范围内，茶叶作为传统饮料的地位毋庸置疑。然而，茶叶种植越来越受到植物病害和虫害的威胁，这显著影响茶叶的质量和茶农的利益。因此，快速而精确地检测茶叶病虫害有助于人们实施有效的预防和控制措施。近年来，深度学习和机器视觉技术的快速发展激发了研究人员将这些技术应用于作物叶片病虫害检测的兴趣。来自南京林业大学信息科学技术学院/人工智能学院的宋军副教授及其团队在 Agronomy 期刊发表了文章，介绍了基于增强型YOLOv8模型的茶叶病虫害检测方法，并进行了轻量化的优化，该项研究对于快速、高效的茶叶病虫害监测具有重要意义。

图1. 不同模型的检测结果对比。(a) 藻斑病；(b) 茶炭疽病；(c) 茶轮斑病；(d) 健康叶片；(e) 茶蝽病；(f) 赤叶斑病；(H) 原始图像；(H-1) Faster-RCNN模型检测结果；(H-2) SSD模型检测结果；(H-3) YOLOv3tiny模型检测结果；(H-4) YOLOv5n模型检测结果；(H-5) YOLOv7tiny模型检测结果；(H-6) YOLOv8n模型检测结果；(H-7) 本文模型检测结果。

研究过程及结果

该研究提出了一种基于YOLOv8的增强型茶叶病虫害检测模型。为提升模型检测能力并兼顾轻量化需求，作者实施了针对性改进。

首先，在YOLOv8架构中，C3模块被C2f模块取代，以实现高质量的图像特征提取和下采样。然而，修改会导致参数数量增加和模型复杂性增加。为了应对这些挑战并提高训练和推理效率，受部分卷积 (PConv) 原理的启发，采用FasterNet模块来替换C2f模块中的瓶颈结构。这种自适应有助于更有效地提取空间特征，同时保持计算性能。为了解决这些局限性，所提出的模型将EMA模块整合到YOLOv8 C2f Faster模块中，该模块专为茶树叶片病虫害数据集量身定制。EMA是一种创新且高效的多尺度注意力模块，消除了降维的必要性。

其次是可变形注意力机制的引入。可变形注意力的基本原理在于它能够调整注意力机制，使其更灵活地关注输入数据的特定区域，而不是仅仅依赖于固定的、规则的数据结构。这种适应性增强了模型对空间变换和不规则数据结构的能力。在标准Transformer模型中，自我注意力机制允许模型在处理每个元素时考虑整个序列，通过计算所有元素的注意力权重。然而，对于具有复杂空间结构的数据 (例如图像)，这种方法可能被证明不是最优的。Deformable Attention通过引入可变形采样位置来解决这一限制。这种自适应方法使模型能够更精确地集中在图像中的显著区域，从而提高效率和性能。

再次，为了在YOLOv8中实现轻量级架构和检测精度之间的最佳平衡，文章采用了Slim Neck模块。该模块旨在确保轻量化结构，同时提高检测性能。

最后是轻量化检测头的引入。为了满足茶叶病虫害检测模型的轻量化设计和检测精度的双重要求，文中通过引入一种名为EfficientPHead的新型结构来重建YOLOv8的检测头。通过使用PConv，模型的参数计数减少了，有效地降低了模型的复杂性并降低了过拟合的风险。

图2. 改进后的网络结构。

为了清楚地展示模型的检测能力，文中采用了特征CAM热图可视化方法。使用YOLOv8n和文中提出的改进模型对六种不同类别的茶叶进行热图可视化。

图3. 热力图可视化结果。(a) 藻斑病；(b) 茶炭疽病；(c) 茶轮斑病；(d) 健康叶片；(e) 茶蝽病；(f) 赤叶斑病；(X) YOLOv8n的热力图结果；(Y) 文中改进模型的热力图结果。

研究总结

准确检测和鉴定茶叶病虫害对于减少茶叶生产损失、提高茶叶质量、增加农民收入具有重要意义。然而，目前的深度学习模型在茶叶病虫害的检测性能方面仍然存在局限性。为了克服这些挑战，文中提出了改进的增强型茶叶病害检测模型，这是一种基于深度学习的检测模型，模型实现了98.0%的AP (平均精度)，与传统算法相比，性能得到了显著提升。此外，文中所提出的模型不仅在提高精度方面具有重要意义，而且可以在实时检测应用中提供显著的优势，FPS (每秒帧数) 为98.2。当然，这项研究仍然存在一些局限性和进一步的工作。首先，目前图像特征提取能力依赖于GPU (图像处理器)，未来的工作将探索TensorRT加速和量化，以实现更广泛的硬件兼容性。其次，所提出的TLDDM模型在茶叶检测方面表现出色，其在其他作物 (如水稻、小麦) 上的性能需要在未来进行验证。

阅读英文原文：https://www.mdpi.com/3228910

期刊主页：https://www.mdpi.com/journal/agronomy

 Agronomy 期刊介绍

主编：Leslie A. Weston, Charles Sturt University, Australia

文章类型包括农学及农业生态学领域的研究型文章及综述，目前已被Science Citation Index Expanded (SCIE) 和Scopus等多个数据库收录。

2023 Impact Factor：3.3

2023 CiteScore：6.2

Time to First Decision：17.6 Days

Acceptance to Publication：2.4 Days