摘要
柠檬属于芸香科柑橘属木本植物，近年来利用率逐步提升，国内外市场需求均不断增长，根据柠檬行业报告，我国柠檬种植居世界第二，占全球 10.7%，是全球柠檬种植大国。柠檬与其他柑橘类病虫害相似，发生多而重，比较常见的病虫害为潜叶蛾、矢尖蚧、疮痂病、黄脉病、炭蛆病、砂皮病等。但在防治过程中，经常出现药不对路的问题，未达到防治效果，根据四川安岳县柠檬种植区多年测报发现，柠檬病虫害成为了影响柠檬产量和质量的重要因素。 随着计算机人工智能理论的不断发展，基于深度学习目标检测算法变得成熟，但是目前缺少通过深度学习针对柠檬病虫害识别与防治的研究。因此，研究出一种智能、高效的柠檬病虫害自动识别方法并制定相应的防治措施对柠檬的保质保量生产具有重要现实意义。本文以柠檬潜叶蛾、矢尖蚧、疮痂病、黄脉病、炭蛆病、砂皮病、线秀菊蚜七种病虫害作为研究对象，结合深度学习算法，针对以上七种病虫害研究出一套柠檬病虫害智能识别及防治的系统，并通过改进 YOLO 算法，在模型主干网络增加CBAM（Convolutional Block Attention Module）注意力机制模块，提高模型对小目标病虫害识别能力；同时使用GSConv替换主干网络Neck中Conv模块、C3 模块降低模型的复杂度以提高模型的效率，最终为实现柠檬病虫害防治系统提供模型支持。 本文的主要工作如下： (1)首先对柠檬病虫害数据进行收集，通过 3 个方式获得初始数据，使用手机实地近距离拍摄柠檬病虫害样本、获得来自四川安岳县农业局提供部分虫害数据、通过网络收集方式获得部分柠檬病虫害的初始数据集。针对目前没有完整的柠檬病虫害病图像数据，且收集到的数据量比较小的情况下，为进一步提高模型泛化能力及防止模型过拟合，进行了数据增广。通过对病虫害数据进行标注，制作成一套可供目标检测模型训练与检测的柠檬病虫害数据集。 (2)研究目标检测算法。将制作的柠檬病害数据集通过目标检测算法YOLO进行训练，以识别柠檬病虫害类型，实验分别利用 YOLOv5s、YOLOv8s 完成柠檬病虫害的识别；在YOLOv5s、YOLOv8s主干网络中分别添加综合注意力机制CBAM（C onvolutional Block Attention Module），模型通过增加空间注意力机制（Spartial At tention Module）、通道注意力（Channel Attention Module）机制提高 YOLO 模型对小目标特征的识别能力，得到改进型 YOLOv5s-CBAM、YOLOv8s-CBAM 网络对柠檬叶片病害数据集进行识别实验，通过在改进型 YOLOv5s-CBAM 模型实验结果的综合分析表明，YOLOv5s-CBAM实验结果表现更佳，在识别小目标特征上表现尤佳，收敛更快且平均准确率更高，mAP@0.5/0.95达到0.979，召回率比YOLOv5s高8%。为更进一步优化 YOLOv5s-CBAM 模型性能，实验首次创新性完成通过替换 Y OLOv5s-CBAM模型的主干网络Neck中C3模块、Conv模块以进一步降低模型复杂度并保持准确性，以此得到性能更优且平均准确率在 YOLOv5s-CBAM 基础上不会降低的YOLOv5s-CBAM-GSConv高性能高精度先进注意力机制细颈双擎模型，由改进型模型实验结果得出，模型速度在YOLOv5s-CBAM基础上提高了21%且mAP@0.5/0.95达到了0.987，因此选择将改进型YOLOv5s-CBAM-GSConv作为本文病虫害识别的网络模型。 (3)设计并开发柠檬病虫害防治系统。系统主要完成对柠檬病虫害进行识别，并将识别结果、防治方法通过网页形式展示给用户。模型开发采用 Python 实现，系统以Layui加Beetl作为前端框架构建用户界面，后台采用SpringBoot+Mybatis-plus+H utool等技术实现。
NETL