[1]杨宏宇,谢小龙,郭容,等.基于EBS-YOLO v7的轻量化葡萄病害识别方法[J].江苏农业科学,2025,53(5):165-174.
　Yang Hongyu,et al.Lightweight grape disease recognition method based on EBS-YOLO v7[J].Jiangsu Agricultural Sciences,2025,53(5):165-174.
点击复制

基于EBS-YOLO v7的轻量化葡萄病害识别方法()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第5期
页码:
165-174
栏目:
病害智能检测
出版日期:
2025-03-05

文章信息/Info

Title:
Lightweight grape disease recognition method based on EBS-YOLO v7
作者:
杨宏宇1; 谢小龙2; 郭容2; 张佳进2
1.云南农业大学机电工程学院，云南昆明 650201； 2.云南农业大学大数据学院，云南昆明 650201
Author(s):
Yang Hongyu; et al
关键词:
目标检测; 病害识别; 轻量化; YOLO v7; 注意力机制; SIoU
Keywords:
-
分类号:
TP391.41；S126
DOI:
-
文献标志码:
A
摘要:
为了解决葡萄病害检测过程中存在的识别精度低、模型计算复杂度高及参数量大等问题，提出一种基于EBS- YOLO v7的轻量化葡萄病害识别方法。该方法使用EfficientNet轻量化网络结构替换YOLO v7主干网络，使模型在降低计算量及参数量的同时保持检测精度；在主干网络不同尺度特征输出层嵌入BiFormer注意力机制，强化模型对病害区域特征的提取能力，提高对细节、全局信息的理解能力；采用 SIoU(SCYLLA 交并比)损失函数作为边界框损失函数，加快模型收敛速度并提高边界框预测精度。结果表明，EBS- YOLO v7模型的准确率、召回率、平均精度均值分别达到97.4%、96.2%、98.3%，相较于YOLO v7模型分别提高了2.4、2.3、2.8百分点，参数量、计算量分别减少至原模型的32.5%、20.0%。与SSD、Faster-RCNN、YOLO v5模型相比，改进模型的平均精度均值分别提高6.0、119、7.2百分点，且参数量、计算量也均低于其他模型。研究结果显示，EBS-YOLO v7模型在保持高检测精度的同时，大幅降低了计算资源的消耗，可为葡萄病害的精准快速识别提供技术支持。
Abstract:
-

参考文献/References:

［1］Chen Y P，Wu Q F. Grape leaf disease identification with sparse data via generative adversarial networks and convolutional neural networks［J］. Precision Agriculture，2023，24(1)：235-253.
［2］蔡易南，肖小玲. 基于改进YOLO v5n的葡萄叶病虫害检测模型轻量化方法［J］. 江苏农业科学，2024，52(7)：198-205.
［3］张林鍹，巴音塔娜，曾庆松. 基于StyleGAN2-ADA和改进YOLO v7的葡萄叶片早期病害检测方法［J］. 农业机械学报，2024，55(1)：241-252.
［4］Astani M，Hasheminejad M，Vaghefi M. A diverse ensemble classifier for tomato disease recognition［J］. Computers and Electronics in Agriculture，2022，198：107054.
［5］董雁凯，王玉超，李博梾，等. 基于改进YOLO v5的黄瓜霜霉病分级方法［J］. 江苏农业科学，2023，51(22)：213-220.
［6］Javidan S M，Banakar A，Vakilian K A，et al. Diagnosis of grape leaf diseases using automatic K-means clustering and machine learning［J］. Smart Agricultural Technology，2023，3：100081.
［7］Khan H，Haq I U，Munsif M，et al. Automated wheat diseases classification framework using advanced machine learning technique［J］. Agriculture，2022，12(8)：1226.
［8］Aggarwal M，Khullar V，Goyal N，et al. Pre-trained deep neural network-based features selection supported machine learning for rice leaf disease classification［J］. Agriculture，2023，13(5)：936.
［9］袁培森，曹益飞，马千里，等. 基于Random Forest的水稻细菌性条斑病识别方法研究［J］. 农业机械学报，2021，52(1)：139-145，208.
［10］Pan J C，Wang T Y，Wu Q F. RiceNet：a two stage machine learning method for rice disease identification［J］. Biosystems Engineering，2023，225：25-40.
［11］Xu L X，Cao B X，Zhao F J，et al. Wheat leaf disease identification based on deep learning algorithms［J］. Physiological and Molecular Plant Pathology，2023，123：101940.
［12］肖天赐，陈燕红，李永可，等. 基于改进通道注意力机制的农作物病害识别模型研究［J］. 江苏农业科学，2023，51(24)：168-175.
［13］Alsubai S，Dutta A K，Alkhayyat A H，et al. Hybrid deep learning with improved Salp swarm optimization based multi-class grape disease classification model［J］. Computers and Electrical Engineering，2023，108：108733.
［14］贾璐，叶中华. 基于注意力机制和特征融合的葡萄病害识别模型［J］. 农业机械学报，2023，54(7)：223-233.
［15］樊湘鹏，许燕，周建平，等. 基于迁移学习和改进CNN的葡萄叶部病害检测系统［J］. 农业工程学报，2021，37(6)：151-159.
［16］Chen W R，Chen J D，Duan R，et al. MS-DNet：a mobile neural network for plant disease identification［J］. Computers and Electronics in Agriculture，2022，199：107175.
［17］毛锐，张宇晨，王泽玺，等. 利用改进Faster-RCNN识别小麦条锈病和黄矮病［J］. 农业工程学报，2022，38(17)：176-185.
［18］徐艳蕾，孔朔琳，陈清源，等. 基于Transformer的强泛化苹果叶片病害识别模型［J］. 农业工程学报，2022，38(16)：198-206.
［19］方逵，李成，何潇，等. 基于三维重建的多角度葡萄叶病害识别方法研究［J］. 中国农业科技导报，2022，24(7)：86-96.
［20］Yuan Y，Chen L. An image dataset for IDADP-grape disease identification［J］. China Scientific Data，2022，7(1)：86-90.
［21］Chen J C，Ma B X，Ji C，et al. Apple inflorescence recognition of phenology stage in complex background based on improved YOLO v7［J］. Computers and Electronics in Agriculture，2023，211：108048.
［22］刘诗怡，胡滨，赵春. 基于改进YOLO v7的黄瓜叶片病虫害检测与识别［J］. 农业工程学报，2023，39(15)：163-171.
［23］Chen W B，Liu M C，Zhao C J，et al. MTD-YOLO：multi-task deep convolutional neural network for cherry tomato fruit bunch maturity detection［J］. Computers and Electronics in Agriculture，2024，216：108533.
［24］范天浩，顾寄南，王文波，等. 基于改进YOLO v5s的轻量化金银花识别方法［J］. 农业工程学报，2023，39(11)：192-200.
［25］王瑞鹏，陈锋军，朱学岩，等. 采用改进的EfficientNet识别苹果叶片病害［J］. 农业工程学报，2023，39(18)：201-210.
［26］Zhu L，Wang X J，Ke Z H，et al. BiFormer：vision transformer with bi-level routing attention［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Vancouver，BC，Canada：IEEE，2023：10323-10333.
［27］贾岚，徐雪环，罗德弢，等. 基于改进YOLO v7-tiny的跨阶段作物害虫检测［J/OL］. 南京农业大学学报，2024：1-13(2024-06-25)［2024-07-01］. https：//kns.cnki.net/kcms2/article/abstract？v=_bj0XFJq-763ydghG8UiPVRchkPM 5vGFzTOqz1rLcYDJ0_NOoC5Jip3NSkR Fwsfjr520Uksuml6DpDUlD 5WwNCDSOxjqr2tvZTkwaFR1UvkG4XRAPyKN37EdvpNAeXHTNc lVKlqzISxjRzU- d9ifQQzo8pEpkkG_8jFZ0hSFLPIMiTwMYEbq3 PKk7OLaZP-0&uniplatform=NZKPT&language=CHS.
［28］Gevorgyan Z. SIoU loss：more powerful learning for bounding box regression［EB/OL］. (2022-05-25)［2024-07-01］. https：//arxiv.org/abs/2205.12740v1.

相似文献/References:

[1]徐凯宏,米雅婷,谷志新.基于GA-BP神经网络的温室番茄病害诊断[J].江苏农业科学,2016,44(04):387.
　Xu Kaihong,et al.Diagnosis of tomato disease in greenhouse based on GA-BP network[J].Jiangsu Agricultural Sciences,2016,44(5):387.
[2]张会敏,张云龙,张善文,等.基于区分矩阵的属性约简算法的作物病害识别方法[J].江苏农业科学,2015,43(01):387.
　Zhang Huimin,et al.A crop disease recognition method based on attribute reduction of discernibility matrix[J].Jiangsu Agricultural Sciences,2015,43(5):387.
[3]张云龙,袁浩,张晴晴,等.基于颜色特征和差直方图的苹果叶部病害识别方法[J].江苏农业科学,2017,45(14):171.
　Zhang Yunlong,et al.Apple leaf disease recognition based on color characteristics and differential histogram[J].Jiangsu Agricultural Sciences,2017,45(5):171.
[4]刁智华,刁春迎,魏玉泉,等.机器人系统中小麦病害识别与施药算法研究[J].江苏农业科学,2017,45(17):192.
　Diao Zhihua,et al.Study on wheat disease identification and spraying algorithm in robot system[J].Jiangsu Agricultural Sciences,2017,45(5):192.
[5]刁智华,袁万宾,刁春迎,等.病害特征在作物病害识别中的应用研究综述[J].江苏农业科学,2019,47(05):71.
　Diao Zhihua,et al.Application of disease characteristics in crop disease identification：a review[J].Jiangsu Agricultural Sciences,2019,47(5):71.
[6]林彬彬,邱新法,何永健,等.茶树病害智能诊断识别算法研究[J].江苏农业科学,2019,47(06):85.
　Lin Binbin,et al.Study on intelligent diagnosis and recognition algorithm for tea diseases[J].Jiangsu Agricultural Sciences,2019,47(5):85.
[7]罗巍,陈曙东,王福涛,等.基于深度学习的大型食草动物种群监测方法[J].江苏农业科学,2020,48(20):247.
　Luo Wei,et al.Monitoring method of large herbivore population based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(5):247.
[8]陈恩会,褚姝频,王炜,等.基于RetinaNet模型的梨小食心虫智能识别计数方法[J].江苏农业科学,2021,49(24):205.
　Chen Enhui,et al.Intelligent recognition and counting method of Grapholitha molesta based on RetinaNet model[J].Jiangsu Agricultural Sciences,2021,49(5):205.
[9]何前,郭峰林,方皓正,等.基于改进LeNet-5模型的玉米病害识别[J].江苏农业科学,2022,50(20):35.
　He Qian,et al.Study on maize disease recognition based on improved LeNet-5 model[J].Jiangsu Agricultural Sciences,2022,50(5):35.
[10]孙长兰,林海峰.一种基于集成学习的苹果叶片病害检测方法[J].江苏农业科学,2022,50(20):41.
　Sun Changlan,et al.An apple tree leaf disease detection method based on ensemble learning[J].Jiangsu Agricultural Sciences,2022,50(5):41.

备注/Memo

备注/Memo:
收稿日期：2024-07-14
基金项目：云南省重大科技专项(编号：202202AE090021)。
作者简介：杨宏宇(1998— )，男，辽宁朝阳人，硕士研究生，主要从事机器视觉、机器学习方面的研究。E-mail：2022210044@stu.ynau.edu.cn。
通信作者：张佳进，博士，副教授，主要从事机器视觉、机器学习方面的研究。E-mail：zjjclc@ynau.edu.cn。
更新日期/Last Update: 2025-03-05