病虫草害研究室-虫害防控岗位

朱亮 王健 何永乔

  1 试验地点

  宁夏回族自治区银川市西夏区志辉源石酒庄。

  2 供试虫源

  葡萄短须螨：宁夏银川市志辉源石酒庄（东经105°45′39″至106°27′35″与北纬37°43′00″至39°05′3″之间）。

  本实验在该产区主栽酿酒葡萄品种赤霞珠(Cabernet Sauvignon)试验田收集大量的葡萄短须螨为害状图片。

  3 供试设备

  iphone13、iphon14、红米k50pro等智能手机。

  4 试验方法

  针对葡萄短须螨为害程度进行人工智能识别，以研发该害虫的智能预警技术。

  经过采集（图1）并筛选后的短须螨为害状图像有1144张，首先对其进行随机裁剪、随机亮度调整、随机旋转、添加高斯噪声、镜像等多种数据增强处理，以扩充数据集的多样性和数量。数据增强后，总计获得5770幅图像。然后将葡萄短须螨为害状划分为健康、轻微、中等、严重和极其严重五个等级（图2），使用LabelImg软件对葡萄图像样本中的目标区域进行了标注，手动绘制短须螨为害区域的边界框，并进行短须螨为害等级类别标注。最终，所有标注的图像按照7:1:2的比例划分为训练集、验证集和测试集，完成了数据集的构建。

  (c)Ⅲ级短须螨为害状；(d)Ⅳ级短须螨为害状；(e)Ⅴ级短须螨为害状

  葡萄短须螨因其体型微小，体长在200～410微米之间，使得监测十分困难，难以精准把握防治的最佳时间。因此，提出一种改进的YOLOv8n葡萄短须螨为害状等级检测模型（简称SEM-YOLOv8n）（图3），改进方法包括引入EMA注意力机制、MPDIOU损失函数，同时融入Slim-Neck结构。

  该模型解决的难点如下：1、葡萄短须螨为害状小、多等级分类识别难度较大；2、不良天气条件如光照变化、阴影遮挡等，进一步加大了精确区分不同为害级等级间的细微差别的难度；3、果园资源受限，导致单张图片中识别多个病虫害目标尤为困难，进而使得分级精准识别更加困难。

  5 试验结果

  本次试验环境如下：采用Windows 10操作系统，GPU为NVIDIA GeForce RTX 3070，Anaconda 的CUDA Toolkit 版本为11.1。深度学习框架为pytroch1.9.0，开发平台为Pycharm2020，编程语言环境为 python3.8。在模型训练中使用SGD优化器进行迭代优化，模型训练周期为300轮、批量大小为16、初始学习率为 0.01。

  消融实验：从表1可以看出，引入Slim-Neck结构，使召回率提高1.7个百分点，mAP@0.5提高0.7个百分点，参数量减少了6.9%，模型大小减少了5.8%，计算量也减少了0.8GFLOPs，模型不仅做到轻量化，精度也得到了提高，可见Slim-Neck结构对Neck部分优化的优越性；引入EMA注意力机制，比原始模型在召回率和平均精确率均值分别提升了0.2和0.4个百分点，说明加入注意力机制后，有效的提高了模型对于小目标为害状的关注度；同时引入Slim-Neck结构和EMA注意力机制的模型，在各项评价指标上进一步提升，相较于原始模型在精确率、召回率和平均精确率分别提升了1.2、1.6 和0.9个百分点，参数量、模型大小和计算量分别降低了6.9%、5.5%和9.7%。

对比实验：为验证算法SEM-YOLOv8n的优越性，将SEM-YOLOv8n与YOLO系列模型YOLOv5n、YOLOv7-tiny、YOLOv8n、YOLOv9t以及YOLOv10n等进行测试对比，实验结果如表2所示。

  从表2可以看出，与YOLOv5n、YOLOv7-tiny、YOLOv8n、YOLOv9t和YOLOv10n，本文提出的模型SEM-YOLOv8n的平均精度均值分别高1.4、2.5、1.1、12.3和1.8个百分点。与YOLOv5n模型相比，虽然改进后的模型大小和参数量增加了4.7%和4.2%，但其召回率和平均精确率均值分别提高3.4和1.4个百分点；YOLOv7-tiny的参数量和模型大小较大，不利于移动端等资源受限环境上的部署应用；YOLOv9t和YOLOv10n的准确率、召回率和平均精度均值均未能超越SEM-YOLOv8n。综上，SEM-YOLOv8n模型具有更优秀的检测性能，以较小的模型体积在精度与效率之间取得了良好的平衡。

  与原模型可视化对比：为进一步验证改进模型SEM-YOLOv8n的实际分级检测性能，分别对相同的葡萄短须螨为害状使用YOLOv8n和SEM-YOLOv8n进行目标检测，这些图像包括不同为害状等级、亮度不同、背景和检测对象区别度不明显等情况。检测结果如图4所示。在图4-a中，YOLOv8n出现误检现象，为害状等级错误识别。在图4-b中，SEM-YOLOv8能够检测出左下角处一个略微遮挡的目标，而YOLOv8n未能识别出。在图4-c中，YOLOv8n出现漏检的情况。上述检测结果进一步证实了本文所提出的SEM-YOLOv8在提升检测性能方面的有效性。

  移动端部署：为了更有效地将优化后的模型融入实际的农业生产和生活中，针对葡萄短须螨的危害症状进行识别与防控，我们研发了一款基于微信小程序的葡萄短须螨为害状检测系统。该系统巧妙地利用了云计算的强大能力，将经过大量数据训练和优化后的预训练模型部署在稳定且高效的腾讯云服务器上。用户只需通过微信小程序这一便捷的平台，利用其中的识别功能模块，轻松上传自家葡萄园中疑似受害的果梗图片至服务器，系统即可立即启动快速推理与预测机制，对图片中的葡萄果梗受害情况进行细致分析。图5直观地展示了该系统的测试页面及其输出结果，不仅验证了我们的系统在判断葡萄果梗受害程度上具备高度的准确性，而且在实际应用中展现了令人满意的推理速度，确保了农户能够迅速获得诊断结果，从而及时采取有效的防控措施，保护葡萄作物免受进一步损害，真正实现了科技助力现代农业的可持续发展。