KMeans++与注意力机制融合的苹果叶片病害识别方法

来源：江苏农业科学杂志2024年第第20期北京时间：

作者：黄贻望; 王国帅; 毛志; 刘声

单位：1.铜仁学院大数据学院/经济管理学院，贵州铜仁 554300； 2.民族教育信息化教育部重点实验/云南师范大学，云南昆明 650000；3.铜仁学院乡村振兴研究中心，贵州铜仁 554300

摘要：为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题，在YOLO v5s的基础上提出一种新的改进方法。该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框；其次在骨干网络中加入卷积块注意几模块(convolutional block attention module，CBAM)，来提升复杂环境下小目标特征的提取能力；再次为了增强颈部网络对不同大小病害多尺度特征的有效识别，选择ConvNeXtBlock模块替换C3(CSP bottleneck with 3 convolutions)模块，并在颈部网络中融入坐标注意力模块(coordinate attention，CA)，来加强模型对关键空间位置的响应，使得不同尺度的特征都能被更有效地利用；最后使用ECIoU损失函数替换原始的CIoU损失函数，来提高模型的收敛速度和精度。与Faster R-CNN、SSD、YOLO v5s、YOLO v7、YOLO v8目标检测模型相比，改进后模型的平均精度均值(mean average precision，mAP0.5)值分别提升0.6、4.6、6.3、1.7、1.3百分点，同时在强光照、模糊、暗光的复杂场景下具有较强的鲁棒性。该模型可以为复杂环境下苹果叶片病害的识别提供行之有效的方案。

关键词：苹果;叶片病害;病害检测;注意力机制;ConvNeXtBlock;卷积块注意力模块(CBAM);CA