基于改進YOLOv5的草莓病害識別

邱暢 田光兆 趙嘉威 謝尚杰 鄭奎

摘要：為提高草莓的總產量，合理監控和防治草莓病害是有效的手段，提出一種基于改進YOLOv5的草莓病害識別算法。該檢測算法以CSPDarknet作為主干特征提取網絡，能夠有效提高模型的性能和訓練效率，并使用EIOU Loss損失函數與K-means聚類算法，來提高模型的收斂速度。同時，在模型中增加CBAM注意力機制來提高檢測精度，最終構建基于改進YOLOv5的CBAM-YOLOv5l算法。試驗結果表明，改進后的模型較之原始模型，在檢測精度上有所提升且依然能保證高效的檢測速度。另外，經過訓練的CBAM-YOLOv5l目標檢測算法在驗證集下的總體平均精度達到96.52%，平均檢測時間為27.52 ms，對比YOLOv4、YOLOv4-Tiny、Faster_R-CNN等目標檢測算法，該檢測算法在精度上具有更大的優勢，在實際的草莓果園環境中具有良好的魯棒性與實時性，可以滿足草莓病害識別精度的需求，能夠可靠地提示草莓健康狀態，從而及時地實現精準施藥等保護措施。

關鍵詞：草莓；YOLOv5；機器視覺；深度學習；病害識別

中圖分類號：S436.5? 文獻標識碼：A? 文章編號：2095-5553 （2024） 03-0198-07

Strawberry disease identification based on improved YOLOv5

Qiu Chang1， Tian Guangzhao2， Zhao Jiawei2， Xie Shangjie2， Zheng Kui3

（1. College of Artificial Intelligence， Nanjing Agricultural University， Nanjing， 210031， China; 2. College ofEngineering， Nanjing Agricultural University， Nanjing， 210031， China; 3. Shunwei Intelligent Technology

（Changzhou） Co.， Ltd.， Changzhou， 213161， China）

Abstract：

In order to improve the total yield of strawberries， reasonable monitoring and control of strawberry diseases is an effective means， a strawberry disease identification algorithm based on improved YOLOv5 is proposed. The detection algorithm uses CSPDarknet?as the backbone feature extraction network， which can effectively improve the performance and training efficiency of the model. The EIOU loss function and K-means clustering algorithm are used to improve the convergence speed of the model. At the same time， CBAM attention mechanism is added to the model to improve the detection accuracy， and finally the CBAM-YOLOv5l algorithm based on improved YOLOv5 is constructed. The experimental results show that the improved model improves the detection accuracy and still ensures efficient detection speed compared to the original model. In addition， the trained CBAM-YOLOv5l target detection algorithm achieves an overall average accuracy of 96.52% under the validation set， with an average detection time of 27.52 ms. Compared with YOLOv4， YOLOv4-Tiny， Faster_R-CNN and other target detection algorithms， CBAM-YOLOv5l algorithm has greater advantages in accuracy. It has good robustness and real-time performance in the actual strawberry orchard environment， and it can meet the needs of strawberry disease identification accuracy and reliably prompt the health status of strawberries， so as to timely achieve precise pesticide application and other protection measures.

Keywords：

strawberry; YOLOv5; machine vision; deep learning; disease recognition

0 引言

我國是草莓生產消費第一大國，草莓種植業為我國農業發展的重點之一［1］。合理監控和防治草莓病害是提高草莓總產量的有效手段，但國內對草莓病害的識別仍依賴于專業的檢測人員，耗費大量勞動力且效率不高。

目前，國內外對作物病害識別已展開廣泛的研究。陳欣欣等［2］利用熱紅外成像技術和模擬低空遙感技術對油菜菌核病進行識別檢測，從熱紅外圖像、溫度、生理指數等不同維度實現油菜菌核病的早期識別?？蝶惖龋?］利用高光譜成像技術，結合主成分分析和競爭性自適應重加權算法，實現對大田自然發病的稻瘟病早期分級檢測。宋英等［4］利用小麥生長過程中赤霉病發病前期和發病中期的RGB圖像，得到與赤霉病相關性最好的顏色特征指數，再將發病麥穗顏色特征指數值與健康麥穗進行比較分析，實現了利用數字圖像顏色特征指數快速地識別小麥赤霉病。Bian等［5］提出基于評價機制的自適應K-means算法，并將該算法的核心步驟改寫成Mapper/Reducer的形式，部署在Hadoop集群中，能夠批量地對柑橘紅蜘蛛圖像目標進行識別。然而，上述方法僅適用于某種作物的單種病害的識別，無法對作物可能存在的多種病害進行識別，在實際生產中難以獲得廣泛的應用。

近年來，深度卷積神經網絡在目標檢測中展現出極大的優勢，能夠快速精準地完成檢測任務，使自然環境中作物的多種病害同時識別成為可能［6］。對于草莓多種病害的識別，也已有了較多實踐。邱菊等［7］基于YOLOv5s網絡建立了草莓病害識別系統，對草莓病害的識別有較高的效率。Kim等［8］使用PlantNet為主干特征提取器，可以很好地捕獲植物域信息。Ma等［9］使用一種基于深度卷積神經網絡的草莓病害識別方法，并應用到遷移學習，能有效解決關鍵特征區域信息丟失的問題。但這些方法在草莓病害的檢測中，不能夠同時擁有較高的精度與速度。因此本研究針對草莓病害中最常見的細菌性葉斑病、炭疽病、灰霉病、蛇眼病和白粉?。?0］，構建基于改進YOLOv5的CBAM-YOLOv5l模型。

1 數據集與預處理

1.1 數據采集

本文所用的草莓圖像皆為互聯網上爬取所得，圖片統一以.jpg的格式進行保存。本研究對草莓生長中最常見的細菌性葉斑病、炭疽病、灰霉病、蛇眼病和白粉病進行識別，其中針對草莓葉部的病害為細菌性葉斑病、蛇眼病和白粉病，針對草莓果實上的病害為炭疽病和灰霉病。草莓病害圖像如圖1所示。

1.2 數據預處理

訓練模型采用PASCAL VOC的數據集格式，使用LabelImg軟件對目標進行標注，最終獲取含有2500張圖片的原始數據集。各種病害圖像各有500張。細菌性葉斑病標注為Angular_Leafspot，炭疽病標注為Anthracnose_Fruit_Rot，灰霉病標注為Gray_Mold，蛇眼病標注為Leaf_Spot，白粉病標注為Powdery_Mildew。

為防止因數據集的數據量過少導致網絡模型出現過擬合的情況［11］，同時為增強模型訓練效果及模型泛化能力［12］，本研究利用上述獲得的2 500張圖像，隨機進行鏡像反轉、增加噪聲、平移等操作，使其擴充至7 500張。完成數據擴增后，按照9∶1的比例將其隨機地劃分為訓練集（6 750張）和驗證集（750張）。

2 YOLOv5算法與改進

2.1 YOLOv5l目標檢測網絡

在2016年，Redmon等提出了單階段的基于深度學習的目標檢測算法，該算法采用回歸的方法直接進行目標的分類與預測［13］。YOLOv5是YOLO系列的第五代算法，按照模型大小遞增可分為s、m、l、x，各模型僅在網絡的深度和寬度上有所不同［14］，本研究選用的是YOLOv5l，能夠同時保證較高的識別精度與檢測速度。

2.1.1 YOLOv5l網絡結構

YOLOv5l的主干特征提取網絡為CSPDarknet，該網絡通過對輸入的圖像進行多次的卷積來提取圖像特征，最終獲得三個大小分別為80×80×256、40×40×512、20×20×1024的有效特征層。特別地，大小為20×20×1024的最后一個有效特征層經過了SPP網絡的處理。不同于YOLOv4將SPP網絡用于加強特征提取網絡，在YOLOv5中，SPP模塊被用在了主干特征提取網絡中。SPP網絡對傳入的特征層分別利用四個不同池化核大小的最大池化進行特征提取，這樣能提高網絡的感受野，分離出最顯著的上下文特征，再將獲得的特征層傳入特征提取網絡FPN中。傳入FPN網絡的特征層先經過兩次上采樣分別與對應大小的有效特征層進行堆疊，再進行兩次下采樣，利用反復的特征提取來獲得更好的特征，最后傳入YOLO Head進行預測［15］。

2.1.2 殘差網絡與CSP網絡

YOLOv5l的主干部分中運用到殘差卷積，殘差卷積由兩部分構成，第一部分是一次1×1的卷積和一次3×3的卷積，第二部分是將輸入與輸出直接結合的殘差邊部分，如圖2所示。該殘差網絡的特點是內部的殘差塊使用了跳躍連接，使得當殘差為0時，該層神經元只是對上一層進行一次線性堆疊，網絡性能并不會下降。這緩解了在深度神經網絡中增加深度帶來的梯度消失問題。

CSP網絡是將原來殘差塊的堆疊進行了一個拆分，其主干部分經過多個殘差塊向后傳遞，另一部分則經過少量的處理直接連到最后，如圖3所示。這樣跨階段拆分與合并的網絡構造有效降低了梯度信息重復的可能性，增加了梯度組合的多樣性，有利于提高模型的學習能力。

2.1.3 Focus網絡結構

Focus網絡實現的具體操作如下：首先，在一張圖片中每隔一個像素拿到一個值，獲得四個獨立的特征層；然后，將這四個獨立的特征層進行堆疊。此時，寬高維度上的信息就集中到了通道維度的信息上，使得輸入通道擴充了四倍，拼接起來的特征層相對于原先的三個通道變成了十二個通道；最后，通過卷積的辦法提取不同的特征。Focus網絡的實現方式如圖4所示。

2.2 YOLOv5l網絡改進

2.2.1 CBMA注意力機制

注意力機制就是實現網絡自適應注意的一個方式，其核心重點就是讓網絡關注到更需要關注的地方［16］。注意力機制一般分為通道注意力機制和空間注意力機制，本文使用的CBAM［17］注意力機制是將通道注意力機制和空間注意力機制進行了結合，即CBAM將對輸入的特征層分別進行通道注意力機制和空間注意力機制的處理。這樣不只能夠節約參數和計算力，并且保證了其能夠作為即插即用的模塊集成到現有的網絡架構中去。關于通道注意力機制和空間注意力機制的具體實現過程如下。

1） ?通道注意力機制先對輸入特征層進行全局平均池化，然后進行兩次全連接，再取一次Sigmoid將值固定到0～1之間，此時能夠獲得輸入特征層每一個通道的權值，最后將這個權值乘上原輸入特征層即可。

2） ?空間注意力機制對輸入進來的特征層，在每一個特征點的通道上取最大值和平均值并將兩個值進行一次堆疊，利用一次通道數為1的卷積調整通道數，然后取一個Sigmoid將值固定到0～1之間，此時能夠獲得輸入特征層每一個通道的權值，最后將這個權值乘上原輸入特征層即可。

因此，將通道注意力機制與空間注意力機制結合的CBAM注意力機制的結構如圖5所示。

2.2.2 EIOU Loss損失函數

本文使用EIOU Loss損失函數，EIOU［18］是在CIOU的基礎上將縱橫比拆開，并加入Focal聚焦優質的錨框后得到的。其實現原理如式（1）所示。

LossEIOU=LossIOU+Lossdis+Lossasp=1－IOU+ρ2（b，bgt）c2+ρ2（ω，ωgt）CW2+ρ2（h，hgt）Ch2（1）

式中：LossEIOU——預測框和真實框的重疊損失；Lossdis——預測框和真實框的中心距離損失；Lossasp——預測框和真實框的寬和高損失；LOSSIOU——預測框和真實框的重疊損失；LOSSdis——預測框和真實框的中心距離損失；LOSSasp——預測框和真實框的寬和高損失；IOU——預測框與真實框的交并比；ρ2——加權系數；b——預測框的水平中心點位置；bgt——真實框的水平中心點位置；ω——預測框的寬度；ωgt——真實框的寬度；h——預測框的高度；hgt——真實框的高度；c——用于調整水平距離損失的系數；Cw——覆蓋預測框和真實框的最小外接框的寬度；Ch——覆蓋預測框和真實框的最小外接框的高度。

EIOU損失函數的前兩部分延續CIOU函數中的方法，增加的寬和高損失直接使預測框與真實框的寬度和高度之差最小，使得收斂速度更快。同時，引入了Focal Loss優化了邊界框回歸任務中的樣本不平衡問題，使預測框回歸過程專注于高質量錨框。

2.2.3 K-means聚類算法

本研究選擇K-means聚類［19］算法，該算法是無監督的聚類算法，具有收斂速度快、聚類效果較優和參數只有簇數K的特點。

其具體實現過程是，先從樣本集中隨機選取K個樣本作為簇中心，并計算所有樣本與這K個“簇中心”的距離，對于每一個樣本，將其劃分到預期距離最近的“簇中心”所在的簇中。然后針對每個簇，重新計算聚類中心，接著針對每個樣本重新尋找距離自己最近的中心點并進行類的劃分，如此循環直至各個簇的中心點不再發生變化為止。最終9個聚類中心先驗框的尺寸為（10，13）、（16，30）、（33，23）、（30，61）、（62，45）、（59，119）、（116，90）、（156，198）、（373，326）。

2.2.4 改進YOLOv5l網絡模型

改進后的YOLOv5l網絡模型如圖6所示，最明顯的改進就是在主干特征提取網絡和加強特征提取網絡之間及上采樣的特征融合前添加CBAM模塊，使得網絡能更加關注到需要關注的地方，提高預測準確率。對于損失函數的改進則是使用了收斂速度更快的EIOU損失函數，優化了樣本不平衡問題。同時采用K-means聚類算法，獲得聚類效果較優的先驗框。

3 結果與分析

3.1 試驗平臺與訓練結果

本文的深度學習環境的具體配置為：CPU為Intel Corei5；運行內存為16 G；500 G固態硬盤；11 GB的NVIDIA GeForce GTX 1080Ti GPU；操作系統為Ubuntu18.04；CUDA與Cudnn版本分別是10.0與7.6.5。

試驗中使用Precision-Recall曲線、AP值（檢測精度）、MAP（AP值在所有類別下的均值，本研究共分為五種類別）與檢測速度作為評價指標。其中，AP值即為P-R曲線與坐標軸圍成區域面積，MAP是所有類的AP平均值［20］。

在網絡訓練完成后，網絡最終選定的預測框可能出現以下三種情況：第一種情況是預測框命中了真實的目標框，該種情況存在的數量用TP表示；第二種情況是預測框沒有命中真實的目標框，該種情況存在的數量用FP表示；第三種情況是真實目標區域沒有預測框，該種情況存在的數量用FN表示［21］。P、R、AP與MAP值的計算如式（2）～式（5）所示。

P=TPTP+FP×100%（2）

R=TPTP+FN×100%（3）

AP=∫10P（R）dR×100%（4）

MAP=∑5n=1AP（n）5×100%（5）

式中： n——病里種類。

模型訓練后的損失曲線如圖7所示。模型設置迭代總次數為1000次，而模型的損失值在迭代第100次時就逐漸趨于穩定，說明網絡在此時已經擬合，且訓練的效果良好。

3.2 CBAM-YOLOv5l網絡的檢測結果

3.2.1 改進后網絡模型的訓練結果對比

本文提出CBAM-YOLOv5l算法，主要改進是在原始YOLOv5l算法添加CBAM注意力機制。為了驗證算法改進后的可行性，設計消融實驗進行結果對比［22］。不同網絡模型訓練后的結果如表1所示，CBAM-YOLOv5l算法的MAP為96.52%，與原始YOLOv5l算法相比提高了2.46個百分點，同時CBAM-YOLOv5l算法的檢測速率為27.52 ms，也只比改進前降低2.22 ms，依舊能夠滿足高效的檢測速率要求。因此，本文對網絡模型的改進可以同時滿足精度與速度的需求。

3.2.2 不同網絡模型的訓練結果對比

CBAM-YOLOv5l模型與其他模型在驗證集上對不同草莓病害檢測的試驗結果如表2所示。從表2可知，CBAM-YOLOv5l模型在檢測中的總體平均正確率比YOLOv4、YOLOv4-Tiny、Faster_R-CNN分別高了4.46個、5.40個、2.86個百分點，且檢測速率也較高。盡管YOLOv4-Tiny模型的檢測速度最快，但其檢測精度最差，而Faster_R-CNN的檢測精度較高但其檢測速度最慢。因此，相較而言，CBAM-YOLOv5l模型在精度與速度上都最能滿足病害檢測的需要。

可以發現所有模型對炭疽病檢測的平均精度最高，可能是因為炭疽病的顏色與各階段草莓果實的顏色都有很大差異，使得該種病癥呈現的顏色特征明顯；而各模型對白粉病的檢測平均精度最低，可能是因為白粉病的顏色特征較不明顯，特別是草莓葉片背面為淡綠色，使得白粉病出現在葉片背面時與葉片背面的顏色相近，所以較難辨別此時的葉片是否患病。但是，本文CBAM-YOLOv5l模型對白粉病的檢測精度達92.5%，可以滿足現實中對該病害檢測的需要。

為驗證本模型在實際環境中對草莓病害檢測的準確性和快速性，特別地，將幾種病害的圖片進行拼接，即在同一個圖像中同時出現多種病害，以此模擬現實中同一棵草莓植株可能同時存在的多種病害。如圖8所示為不同目標檢測模型對兩張拼接后的草莓圖像進行病害檢測的試驗結果。從圖8可以直觀地發現，YOLOv4-Tiny和YOLOv4模型的檢測精度都不高且極容易出現漏檢現象；而Faster_R-CNN模型的檢測精度較高但還是容易出現漏檢誤檢的情況。因此相比于其他模型，CBAM-YOLOv5l模型的檢測精度較高且能夠極大地避免其他模型存在的漏檢、錯檢的情況，同時該模型的檢測速度也存在很大的優勢，平均檢測時間為27.52 ms，說明該模型具有更強的魯棒性與實時性，能夠滿足實際復雜環境下對草莓病害檢測的需要。

4 結論

1） ?本文提出一種改進的CBAM-YOLOv5l的目標檢測算法，用于草莓病害的檢測。在YOLOv5l網絡中融合了CBAM注意力機制，同時保證了草莓病害的檢測精度和檢測速率。

2） ?該方法在驗證集下的總體平均正確率達到96.52%，平均檢測速度達到27.52 ms。對比改進前后的模型可知，改進后模型的總體平均正確率比原來的模型提高了2.46個百分點，檢測速度也依然能得到保證，說明改進后的模型滿足在實際環境中對草莓病害的檢測。

3） ?為驗證本模型在實際環境中的檢測效果，將兩張拼接后的圖像輸入不同模型分別對草莓病害作了檢測。試驗結果表明，CBAM-YOLOv5l模型相比于YOLOv4、YOLOv4-Tiny、Faster_R-CNN模型，檢測精度分別高了4.46個、5.40個、2.86個百分點，同時該模型能極大地避免其他模型存在的漏檢、錯檢的情況，能夠最有效地對草莓病害作出檢測。

參 考 文 獻

［1］張曉慧. 草莓病害研究進展［J］. 安徽農學通報， 2018， 24（18）： 52-57.Zhang Xiaohui. Research progress of strawberry diseases ［J］. Anhui Agricultural Science Bulletin， 2018， 24（18）： 52-57.

［2］陳欣欣， 劉子毅， 呂美巧， 等. 基于熱紅外成像技術的油菜菌核病早期檢測研究［J］. 光譜學與光譜分析， 2019， 39（3）： 730-737.Chen Xinxin， Liu Ziyi， Lü Meiqiao， et al. Diagnosis and monitoring of sclerotinia stem rot of oilseed rape using thermal infrared imaging ［J］. Spectroscopy and Spectral Analysis， 2019， 39（3）： 730-737.

［3］康麗， 袁建清， 高睿， 等. 高光譜成像的水稻稻瘟病早期分級檢測［J］. 光譜學與光譜分析， 2021， 41（3）： 898-902.Kang Li， Yuan Jianqing， Gao Rui， et al. Early detection and identification of rice blast based on hyperspectral image ［J］. Spectroscopy and Spectral Analysis， 2021， 41（3）： 898-902.

［4］宋英， 陳雨欣， 楊俊， 等. 利用數字圖像顏色特征指數識別小麥赤霉?。跩］. 江蘇農業科學， 2022， 50（2）： 186-191.Song Ying， Chen Yuxin， Yang Jun， et al. Recognition of wheat fusarium head blight using digital image color feature index ［J］. Jiangsu Agricultural Sciences， 2022， 50（2）： 186-191.

［5］Bian Y C， Si X L. Application of new clustering algorithm based on MapReduce in agriculture—A case study on image target recognition of Panonychus citri McGregor ［J］. Journal of Chinese Agricultural Mechanization， 2016， 37（9）： 166-171.

［6］朱永寧， 周望， 楊洋， 等. 基于Faster R-CNN的枸杞開花期與果實成熟期識別技術［J］. 中國農業氣象， 2020， 41（10）： 668-677.Zhu Yongning， Zhou Wang， Yang Yang， et al. Automatic identification technology of Lycium barbarum flowering period and fruit ripening period based on Faster R-CNN ［J］. Chinese Journal of Agrometeorology， 2020， 41（10）： 668-677.

［7］邱菊， 徐燕. 基于YOLOv5s的草莓病害識別系統設計［J］. 農業技術與裝備， 2023（5）： 41-42， 45.Qiu Ju， Xu Yan. Design of strawberry disease identification system based on YOLOv5s ［J］. Agricultural Technology & Equipment， 2023（5）： 41-42， 45.

［8］Kim B， Han Y K， Park J H， et al. Improved vision-based detection of strawberry diseases using a deep neural network ［J］. Frontiers in Plant Science， 2021， 11： 559172.

［9］Ma L， Guo X， Zhao S， et al. Algorithm of strawberry disease recognition based on deep convolutional neural network ［J］. Complexity， 2021， 2021： 1-10.

［10］楊艷杰. 草莓病害及防治［J］. 農民致富之友， 2013（19）： 49.

［11］劉莫塵， 高甜甜， 馬宗旭， 等. 基于MSRCR-YOLOv4-tiny的田間玉米雜草檢測模型［J］. 農業機械學報， 2022， 53（2）： 246-255， 335.Liu Mochen， Gao Tiantian， Ma Zongxu， et al. Target detection model of corn weeds in field environment based on MSRCR algorithm and YOLOv4tiny ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（2）： 246-255， 335.

［12］許煊汶. 基于計算機視覺的水稻成熟度快速檢測APP的研究［D］. 長春： 吉林大學， 2021.Xu Xuanwen. Research on APP for rapid detection of rice maturity based on computer vision ［D］. Changchun： Jilin University， 2021.

［13］包曉敏， 王思琪. 基于深度學習的目標檢測算法綜述［J］. 傳感器與微系統， 2022， 41（4）： 5-9.Bao Xiaomin， Wang Siqi. Survey of object detection algorithm based on deep learning ［J］. Transducer and Microsystem Technologies， 2022， 41（4）： 5-9.

［14］邱天衡， 王玲， 王鵬， 等. 基于改進YOLOv5的目標檢測算法研究［J］. 計算機工程與應用， 2022， 58（13）： 63-73.Qiu Tianheng， Wang Ling， Wang Peng， et al. Research on object detection algorithm based on improved YOLOv5 ［J］. Computer Engineering and Applications， 2022， 58（13）： 63-73.

［15］曾廣淼， 俞萬能， 王榮杰， 等. 船舶目標重疊下馬賽克圖像數據增強方法研究［J］. 控制理論與應用， 2022， 39（6）： 1139-1148.Zeng Guangmiao， Yu Wanneng， Wang Rongjie， et al. Research on mosaic image data enhancement and detection method for overlapping ship targets ［J］. Control Theory & Applications， 2022， 39（6）： 1139-1148.

［16］龍潔花， 郭文忠， 林森， 等. 改進YOLOv4的溫室環境下草莓生育期識別方法［J］. 智慧農業（中英文）， 2021， 3（4）： 99-110.Long Jiehua， Guo Wenzhong， Lin Sen， et al. Strawberry growth period recognition method under greenhouse environment based on improved YOLOv4 ［J］. Smart Agriculture， 2021， 3（4）： 99-110.

［17］Woo S， Park J， Lee J Y， et al. Cbam： Convolutional block attention module ［C］. Proceedings of the European Conference on Computer Vision （ECCV）， 2018： 3-19.

［18］廖冠中， 周嘉灝， 冷鴻杰. 基于改進YOLOv4的水果識別模型研究［J］. 長江信息通信， 2022， 35（5）： 44-47.Liao Guanzhong， Zhou Jiahao， Leng Hongjie. Research on fruit recognition model based on improved YOLOv4 ［J］. Changjiang Information & Communications， 2022， 35（5）： 44-47.

［19］張秀花， 靜茂凱， 袁永偉， 等. 基于改進YOLOv3-Tiny的番茄苗分級檢測［J］. 農業工程學報， 2022， 38（1）： 221-229.Zhang Xiuhua， Jing Maokai， Yuan Yongwei， et al. Tomato seedling classification detection using improved YOLOv3-Tiny ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（1）： 221-229.

［20］趙輝， 喬艷軍， 王紅君， 等. 基于改進YOLOv3的果園復雜環境下蘋果果實識別［J］. 農業工程學報， 2021， 37（16）： 127-135.Zhao Hui， Qiao Yanjun， Wang Hongjun， et al. Apple fruit recognition in complex orchard environment based on improved YOLOv3 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（16）：127-135.

［21］張繼成， 李德順. 基于深度殘差學習的成熟草莓識別方法［J］. 中國農機化學報， 2022， 43（2）： 136-142.Zhang Jicheng， Li Deshun. Ripe strawberry recognition method based on deep residual learning ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（2）： 136-142.

［22］顧寶興， 劉欽， 田光兆， 等. 基于改進YOLOv3的果樹樹干識別和定位［J］. 農業工程學報， 2022， 38（6）： 122-129.Gu Baoxing， Liu Qin， Tian Guangzhao， et al. Recognizing and locating the trunk of a fruit tree using improved YOLOv3 ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2022， 38（6）：122-129.

基金項目：國家自然科學基金資助項目（31401291）；常州市第十批科技計劃項目（國際科技合作/港澳臺科技合作）（CZ20220010）

第一作者：邱暢，女，1998年生，福建福州人，碩士；研究方向為電子信息。E-mail： 623083282@qq.com

通訊作者：田光兆，男，1983年生，河南信陽人，博士，副教授；研究方向為傳感器技術和智能車輛導航。E-mail： tgz@njau.edu.cn