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

  葡萄叶蝉：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叶蝉为害状图片。

  3 供试设备

  iphone13、iphon14等智能手机。

  4 试验方法

  现有研究主要集中于葡萄常见病虫害的分类识别，针对单一病虫害的为害严重程度进行分级识别的研究尚不充分。本次实验针对葡萄叶蝉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）并筛选后的叶蝉为害状图像有554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2925幅图像。然后将葡萄叶蝉为害状根据被害斑面积占叶片面积比例划分为0-Ⅴ级六个等级（图2），使用LabelImg软件对葡萄叶片图像样本中的目标区域进行了标注，手动绘制叶蝉为害区域的边界框，并进行叶蝉为害等级类别标注。最终，所有标注的图像按照7:2:1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。

  对葡萄叶蝉的为害严重程度进行精准分级识别是实施精细化防治的关键。但是复杂的种植背景和叶片重叠现象使得单一葡萄叶片难以被完整检测，同时提取各为害等级的特征细节也是一大挑战。此外，现有模型普遍存在参数量和计算量过大导致在移动端设备上部署困难的难题。因此，提出一种改进的YOLOv8n葡萄叶蝉为害状等级轻量化检测模型（简称CSF-YOLOv8n）（图3），改进方法包括采用FasterNet轻量化网络以减少模型体积，使用CARAFE上采样模块提升各为害等级特征的提取质量，以及引入SE注意力机制以降低复杂背景对目标叶片的干扰。

  1）FasterNet：是一种基于部分卷积（PConv）和逐点卷积（PWConv）构建的高效网络结构。它通过减少计算冗余和内存访问，显著降低了模型的参数量和计算量，同时保持了较高的特征提取能力。

  2）CARAFE上采样：是一种轻量级的上采样方法，能够有效提升模型对不同尺度特征的提取能力。

  3）SE注意力机制：通过动态调整特征通道的权重，增强模型对重要特征的关注，同时抑制不相关特征的干扰。

  5 试验结果

  本次试验环境如下：操作系统为Windows11 64位操作系统，CPU型号为12th Gen Inter(R) Core(TM) i9-12900k，运行内存为32GB，显卡型号为NVIDIA RTX A4000，使用Pytorch深度学习框架，编辑器为PyCharm。网络模型训练参数设置如下：图像像素统一设定为[640,640]大小，每轮训练读取批次设定为16张，采用SGD优化器，总共训练300轮，初始学习率设定为0.01，每完成一轮训练，权重衰减0.0005倍。

  消融实验：消融实验结果如表1所示。从表1分析可得，将YOLOv8n的骨干网络替换为FasterNet后，平均识别精度仅下降了0.5%。但同时，模型的参数量和浮点数计算量从原来的3.01M和8.1GB减少到1.99M和7.1GB。这表明FasterNet网络中的PConv模块有效减少了特征图卷积操作的参数和计算量；在YOLOv8n的特征金字塔结构中引入CARAFE上采样模块后，模型的准确率、召回率和平均识别精度分别提升了1.79%、2.12%和1.72%，表明CARAFE上采样模块通过有效利用特征图的语义信息，增强了上采样特征图的质量，成功捕获和保留了关键细节信息，进一步提升了网络在图像特征提取和融合中的能力；在颈部网络与检测头之间引入SE注意力机制后，模型的准确率、召回率和平均识别精度分别从原来的91.07%、88.97%和94.41%提升至于92.05%、91.50%和94.87%。相对于YOLOv8n，CSF-YOLOv8模型在准确率、召回率和平均识别精度上均有所提高，分别达到95.33%、92.35%和96.44%。同时，模型的参数量和计算量相对原始模型也有所降低。因此，CSF-YOLOv8能够有效学习目标特征，提升模型精度，并使其更加轻量化，适合在移动端设备上部署。

  对比实验：为评估本文提出模型的检测性能，在相同的训练环境和参数设置下，采用当前广泛应用的目标检测模型对葡萄叶蝉为害数据集进行训练和性能对比，实验结果见表2。

  由表2可知，本文所提模型的平均识别精度达96.44%，比SSD、YOLOv5n、YOLOv7n、YOLOv8n、YOLOv9m和YOLOv10n算法分别高6.13%、3.91%、2.6%、3.34%、和2.48%，同时模型具有最小的参数量和浮点数计算量。SSD模型的浮点数计算量和参数量远高于CSF-YOLOv8，不适合部署于移动端设备之上；YOLOv5n和YOLOv7n模型的mAP相对较低且计算量大，消耗算力，不适于移动端等低算力设备；YOLOv9m的浮点数计算量过大；YOLOv10n的召回率虽高于CSF-YOLOv8，但其平均精度均值、浮点数计算量和参数量不满足实时监测要求。综上所述，本文所提模型CSF-YOLOv8拥有最高的精确率、召回率和mAP，且浮点数计算量较原YOLOv8n模型有所降低，能够满足实时检测的需求，可实现向移动端设备部署。

  与原模型可视化对比：为进一步验证改进模型的实际分级检测性能，分别对相同的葡萄叶蝉为害状图片使用YOLOv8n和CSF-YOLOv8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。分析表明，原YOLOv8n模型在叶片为害等级接近、叶片遮挡及复杂背景的情况下存在一定的误检和漏检。而改进后的CSF-YOLOv8模型显著减少了这些误检和漏检，且识别精度较高。

  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，针对葡萄叶蝉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叶蝉为害状检测系统。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叶片图片至服务器，系统即可立即启动快速推理与预测机制，对图片中的葡萄叶片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叶蝉为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。