[1]曾龙军,卢承方,陈勇,等.基于YOLOFBA的复杂环境下豆叶病害检测研究[J].江苏农业科学,2025,53(20):315-324.
　Zeng Longjun,et al.Detection of bean leaf disease in complex environment based on YOLOFBA[J].Jiangsu Agricultural Sciences,2025,53(20):315-324.
点击复制

基于YOLOFBA的复杂环境下豆叶病害检测研究()

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:
第53卷
期数:
2025年第20期
页码:
315-324
栏目:
病虫害智能检测
出版日期:
2025-10-20

文章信息/Info

Title:
Detection of bean leaf disease in complex environment based on YOLOFBA
作者:
曾龙军; 卢承方; 陈勇; 崔艳荣; 尹利华
长江大学计算机科学学院，湖北荆州 434000
Author(s):
Zeng Longjun; et al
关键词:
大豆叶片病害; 深度学习; 目标检测; YOLO v8n; 病害检测
Keywords:
-
分类号:
S126；TP391.41
DOI:
-
文献标志码:
A
摘要:
针对大豆叶片病害在复杂环境下存在背景干扰难以准确识别的问题，提出一种基于改进YOLO v8n目标检测模型YOLO-FBA。在Backbone端引入FasterNet模型主干，减少数据特征的冗余，有效提升模型的病害特征提取能力。在Neck端引入并重新设计BiFPN特征融合网络，显著降低模型的参数量和计算量。最后在BiFPN基础上引入语义与细节注入模块(SDI)，并设计自适应多尺度融合模块(AMI)改进特征融合方式，以增强模型表征能力。结果表明，相较于基线模型YOLO v8n，改进后模型的参数量为2.77 M，计算量为7.6 GFLOPs，两者分别下降10.1%、62%；在mAP@0.5方面，相较于基线模型提升2.0百分点；与YOLO v3、YOLO v5、YOLO v6、YOLO v7、YOLO v8n目标检测算法相比，YOLO-FBA的mAP@0.5分别提高10.3、3.5、1.7、2.4、2.0百分点。本研究提出的大豆叶片病害识别方法在使用更少的参数和计算量的情况下达到了更高的精度，可为复杂环境下的大豆叶片病害检测提供更可行的解决方案，并为真实田间环境下大豆叶片病害检测系统的开发奠定基础。
Abstract:
-

参考文献/References:

［1］查霆，钟宣伯，周启政，等. 我国大豆产业发展现状及振兴策略［J］. 大豆科学，2018，37(3)：458-463.
［2］董星辰. 大豆主要叶部病害的发生与防治研究［J］. 农业开发与装备，2021(7)：227-228.
［3］李琼，张晓明. 病虫害对5个大豆主产国大豆产量影响的概述［J］. 农学学报，2018，8(4)：23-27.
［4］王明，张倩. 我国基于深度学习的图像识别技术在农作物病虫害识别中的研究进展［J］. 中国蔬菜，2023(3)：22-28.
［5］Sarkar C，Gupta D，Gupta U，et al. Leaf disease detection using machine learning and deep learning：review and challenges［J］. Applied Soft Computing，2023，145：110534.
［6］马晓丹，关海鸥，祁广云，等. 基于改进级联神经网络的大豆叶部病害诊断模型［J］. 农业机械学报，2017，48(1)：163-168.
［7］鲍浩，张艳. 基于注意力机制与改进残差模块的豆叶病害识别［J］. 江苏农业科学，2023，51(16)：187-194.
［8］Yu M，Ma X D，Guan H O，et al. A recognition method of soybean leaf diseases based on an improved deep learning model［J］. Frontiers in Plant Science，2022，13：878834.
［9］马晓，董天亮，钟闻宇，等. 基于改进ConvNeXt的大豆叶片病害分类研究［J］. 大豆科学，2023，42(6)：733-741.
［10］尚增强，杨东福，马质璞. 基于深度卷积神经网络的大豆叶片多种病害分类识别［J］. 大豆科学，2021，40(5)：662-668.
［11］杨景尧. 基于深度学习植物叶片病害识别系统设计与实现［D］. 长春：吉林农业大学，2023.
［12］Chen J R，Kao S H，He H，et al. Run，dont walk：chasing higher FLOPS for faster neural networks［C］//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Vancouver，BC，Canada.IEEE，2023：12021-12031.
［13］Howard A G，Zhu M L，Chen B，et al. Mobilenets：efficient convolutional neural networks for mobile vision applications［EB/OL］. (2017-04-17)［2024-09-15］.https：//arxiv.org/abs/1704.04861.
［14］Zhang X Y，Zhou X Y，Lin M X，et al. ShuffleNet：an extremely efficient convolutional neural network for mobile devices［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：6848-6856.
［15］Chollet F. Xception：deep learning with depthwise separable convolutions［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu，HI，USA.IEEE，2017：1800-1807.
［16］Xie S N，Girshick R，Dollár P，et al. Aggregated residual transformations for deep neural networks［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu，HI，USA.IEEE，2017：5987-5995.
［17］Liu S，Qi L，Qin H F，et al. Path aggregation network for instance segmentation［C］//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition.Salt Lake City，UT，USA.IEEE，2018：8759-8768.
［18］Lin T Y，Dollár P，Girshick R，et al. Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR).Honolulu，HI，USA.IEEE，2017：936-944.
［19］Tan M X，Pang R M，Le Q V. EfficientDet：scalable and efficient object detection［C］//2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). Seattle，WA，USA.IEEE，2020：10781-10790.
［20］Peng Y，Sonka M，Chen D Z. U-Net v2：Rethinking the skip connections of U-Net for medical image segmentation［EB/OL］. (2023-11-29)［2024-09-16］.https：//arxiv.org/abs/2311.17791.
［21］Li H L，Li J，Wei H B，et al. Slim-neck by GSConv：a lightweight-design for real-time detector architectures［J］. Journal of Real-Time Image Processing，2024，21(3)：62.
［22］Selvaraju R R，Cogswell M，Das A，et al. Grad-CAM：visual explanations from deep networks via gradient-based localization［J］. International Journal of Computer Vision，2020，128(2)：336-359.

相似文献/References:

[1]梁万杰,曹宏鑫.基于卷积神经网络的水稻虫害识别[J].江苏农业科学,2017,45(20):241.
　Liang Wanjie,et al.Identification of rice insect pests based on CNN model[J].Jiangsu Agricultural Sciences,2017,45(20):241.
[2]赵建敏,李艳,李琦,等.基于卷积神经网络的马铃薯叶片病害识别系统[J].江苏农业科学,2018,46(24):251.
　Zhao Jianmin,et al.Potato leaf disease identification system based on convolutional neural network[J].Jiangsu Agricultural Sciences,2018,46(20):251.
[3]李懿超,沈润平,黄安奇.基于深度学习的湘赣鄂地区植被变化及其影响因子关系模型[J].江苏农业科学,2019,47(03):213.
　Li Yichao,et al.Study on relational model between vegetation change and its impact factors based on deep learning in Hunan， Jiangxi and Hubei areas[J].Jiangsu Agricultural Sciences,2019,47(20):213.
[4]刘嘉政.基于深度迁移学习模型的花卉种类识别[J].江苏农业科学,2019,47(20):231.
　Liu Jiazheng.Flower species identification based on deep transfer learning model[J].Jiangsu Agricultural Sciences,2019,47(20):231.
[5]荆伟斌,胡海棠,程成,等.基于深度学习的地面苹果识别与计数[J].江苏农业科学,2020,48(05):210.
　Jing Weibin,et al.Recognition and counting of ground apples based on deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):210.
[6]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(20):247.
[7]孙孝龙,徐森,周卫阳,等.基于物联网和深度学习的养蚕智能监控系统设计[J].江苏农业科学,2020,48(21):241.
　Sun Xiaolong,et al.Design of an intelligent monitoring system for sericulture based on internet of things and deep learning[J].Jiangsu Agricultural Sciences,2020,48(20):241.
[8]康飞龙,李佳,刘涛,等.多类农作物病虫害的图像识别应用技术研究综述[J].江苏农业科学,2020,48(22):22.
　Kang Feilong,et al.Application technology of image recognition for various crop diseases and insect pests: a review[J].Jiangsu Agricultural Sciences,2020,48(20):22.
[9]李彧,余心杰,郭俊先.基于全卷积神经网络方法的玉米田间杂草识别[J].江苏农业科学,2022,50(6):93.
　Li Yu,et al.Weed recognition in corn field based on fully convolutional neural network (FCN) method[J].Jiangsu Agricultural Sciences,2022,50(20):93.
[10]孙东来,王继超,陈科,等.基于Ghost-YOLOv3-2算法的2尺度猪目标检测[J].江苏农业科学,2022,50(7):189.
　Sun Donglai,et al.Two-scale pig target detection based on Ghost-YOLOv3-2[J].Jiangsu Agricultural Sciences,2022,50(20):189.

备注/Memo

备注/Memo:
收稿日期：2024-10-27
基金项目：国家自然科学基金面上项目(编号：62077018)。
作者简介：曾龙军(2000—)，男，湖南邵阳人，硕士研究生，主要研究方向为深度学习与目标检测。E-mail：2023710698@yangtzeu.edu.cn。
通信作者：陈勇，硕士生导师，高级工程师，从事WEB信息处理、人工智能应用研究。E-mail：285527563@qq.com。
更新日期/Last Update: 2025-10-20