基于改进YOLOv5的草莓病害智能识别终端设计

乔珠峰 赵秋菊 郭建鑫 陈会娜 平阳 赵继春

摘要：为实现低成本、便捷、高效的草莓病害识别与检测，提升草莓种植与生产效益，在YOLOv5模型基础上，引入高效通道注意力（Efficient Channel Attention，ECA）机制，研究构建一种草莓病害识别模型，应用嵌入式与软件工程技术研发草莓病害识别终端设备。终端设备应用系统由图像采集、图像检测、检测结果展示和数据传输等模块组成，实现草莓图像实时采集和病害实时识别检测等功能。基于草莓病害检测数据集对系统开展测试，结果表明，该系统可以有效识别草莓白粉菌果病、角斑病、叶斑病等病害。与YOLOv5相比，AP0.5∶0.95、AP0.5、AP0.75、APM、APL都有比较大幅度提升。系统具有高效、便捷、实时等优点，可广泛应用于草莓生产领域，从而有效提升草莓病害识别与检测效率。

关键词：草莓病害；YOLOv5；图像检测；嵌入式；模型识别

中图分类号：S24  文献标识码：A  文章编号：2095-5553 （2024） 03-0205-07

Design of strawberry disease intelligent identification terminal based on improved YOLOv5

Qiao Zhufeng1， 2， Zhao Qiuju1， 2， Guo Jianxin1， 2， Chen Huina1， 2， Ping Yang1， 2， Zhao Jichun1， 2

（1. Beijing Academy of Agricultural and Forestry Sciences， Beijing， 100097， China；2. Research Center of Beijing Engineering Technology for Rural Remote Information Services， Beijing， 100097， China）

Abstract：

In order to achieve low-cost， convenient， and efficient identification and detection of strawberry diseases， and improve the efficiency of strawberry planting and production， based on YOLOv5 model， an efficient channel attention （ECA） mechanism was introduced to study and construct a strawberry disease recognition model. The embedded and software engineering technology was applied to develop and implement a strawberry disease recognition terminal device. The system consisted of modules such as image acquisition， image detection， display of detection results， and data transmission. The system realized real-time collection of strawberry images and disease identification and checking functions. The system was tested using Kaggles strawberry disease detection dataset， and the experimental results showed that the system could effectively identify diseases such as strawberry powdery mildew fruit， and strawberry corner spot， and leaf spot. And compared with YOLOv5， there is a significant improvement in AP0.5∶0.95、AP0.5、AP0.75、APM、APL. The system has the advantages of efficiency， convenience， and real-time online， which can be widely applied in the field of strawberry production， thereby effectively improving the efficiency of strawberry disease identification and detection.

Keywords：strawberry diseases; YOLOv5; image detection; embedded; model identification

0 引言

草莓种植生产中容易受到各种病害的影响，导致草莓果实品质劣化和草莓产量的降低。快速、准确识别草莓病害，及时采取相关防治措施，可有效保障草莓的正常生长。传统病害防治方法主要依靠草莓研究专家肉眼观察和监测，这需要专业人员一定时间内对固定草莓种植土地进行持续监测，人力资源耗费较大，增加草莓种植成本。同时，病害识别的时效性得不到保障，容易错过病害治理的最佳时机［1］。

随着人工智能技术发展，在国内外已有大量基于深度学习计算机视觉的病害自动识别相关研究模型，如AlexNet［2］、VGGNet［3］、GoogLeNet［4］、ResNet［5］、DenseNet［6］、Faster R-CNN［7］等，在病害图像识别上取得了较好的研究进展。但是这些模型的参数较多、计算复杂度高，需要较多的计算和存储资源，限制了模型在资源有限的嵌入式设备中的应用。YOLO系列模型是将目标检测问题转换为回归问题，实现端到端的圖像目标训练和检测。模型本身具备良好的速度-精度的平衡，当前在目标检测领域应用效果比较理想。

在农业图像识别模型研究方面，研究者基于YOLOv5目标检测网络方法开展了探索性研究工作，如牛冲［8］提出改进的分水岭图像分割和基于纹理统计特征的支持向量机方法，实现对草莓的病害特征提取，有效缓解绿色叶片重叠导致目标与背景不易分割问题。宋怀波等［9］构建一种融合高效通道注意力（Efficient Channel Attention，ECA）机制的苹果幼果检测模型，模型针对检测场景图像不清晰问题具有较好的鲁棒性，模型的检测精度较高且识别速度较快。郭辉等［10］提出一种在YOLOv5主干网络和颈部网络插入卷积块的方法，检测模型具有较好的准确率。

YOLOv5具有模型尺寸相对较小、部署成本低、灵活性高、检测速度快等优点［1012］，适合在移动终端应用。ECA注意力机制通过采用一维卷积方法高效实现局部跨通道信息交互，提取通道间的依赖关系［12］。避免降维，同时可有效捕获跨通道交互信息，具有对网络处理速度影响小的优势，适合在嵌入式终端应用。

鉴于YOLOv5网络模型和ECA注意力机制在识别速度与部署规模上的优势，本文融合两种方法开展草莓病虫害识别模型的研究。通过对图像中草莓叶片和果实的目标特征提取，构建草莓果实和叶片的图像特征模型，并实现草莓病害识别。以嵌入式开发技术为基础，研发设计便携式低功耗的草莓病害检测终端设备，实现草莓图像实时采集和草莓病害实时识别，节约草莓病害的检测成本，提升检测效率。

1 架构设计

管理系统和模型训练模块采用服务器软件实现，图像采集和检测模块采用嵌入式技术实现。在模型训练设计方面，系统采用YOLOv5、自注意力机制和transform算法，通过标注好的图像样本训练模型，再经过量化评估生成C语言代码代入嵌入式设备。嵌入式设备硬件采用低功耗设计［13］，集成了基于硬件的卷积神经网络加速器，保障本系统具有硬件执行神经网络的能力；配置了摄像头、显示屏、WIFI、存储、电源、USB接口等模块。嵌入式软件主要是对摄像头采集的图像数据进行实时解码，调用训练好的模型进行特征提取、图像检测，从而识别草莓病害，保存和显示图像检测结果。系统总体架构如图1所示。

2 硬件设计

终端设备采用低功耗设计方式，以双核主控CPU为设计核心，提供了以超低功耗执行神经网络的能力，集成的神经网络加速器可以执行AI推理。终端设备包括主控模块、摄像头模块、存储模块、WIFI、USB接口、数据存储及电源等。

主控模块采用Arm Cortex M4F，主频为1.0 GHz，集成了神经网络加速器，可编程输入图像尺寸支持高达1 024像素×1 024像素，可编程网络深度支持多达64层，可编程网络通道宽度支持多达1 024个通道，安全性方面支持安全启动和AES 128/192/256硬件加速引擎。

存储模块采用DDR内存、flash闪存、外接存储组成三级存储。内存采用D2568ECMDPGJD芯片，总容量1 GB，用于嵌入式系统运行。flash闪存采用MT29F4G08ABADAWP芯片，总容量4 GB，用于图像识别软件运行。外接TF存储卡总容量64 GB，用于图像存储。TF卡接口硬件原理图如图2所示。

摄像头模块采用CMOS VGA图像传感器，具备随机窗口读取能力。系统硬件结构简单，灵敏度高、噪声低、成本低、可靠性高。

3 软件设计

本系统软件设计首先是收集草莓病害图像素材并标注素材图像类别，然后采用YOLOv5、自注意力机制和transform等算法训练草莓病害识别模型；对训练好的模型进行模型量化，提升实际应用时模型的识别精度；再对模型进行评估，检验量化后的模型精度是否有丢失以及丢失多少；评估后模型识别精度在可接受范围之内，对模型进行轉换，生成嵌入式工程代码；部署模型到嵌入式终端设备。

模型部署完成后，编写摄像头代码以及TFT-LCD显示等相关代码。摄像头实时采集环境图像，然后使用图像检测模型计算，计算出采集的草莓病害图像与事先训练的各种类别的草莓病害图像的相似度，识别出相似度最高的草莓病害类别，显示在TFT-LCD显示屏上。软件架构图如图3所示。

3.1 YOLOv5模型

YOLOv5模型结构［14］分为输入端、特征提取层、特征融合层和预测输出层组成。实际应用中草莓病害图像的大小、像素、亮度等不能满足统一的标准，模型在输入端对输入图像进行数据增强、自适应锚框、自适应图片缩放等处理。数据增强是对草莓病害图像随机增减亮度、对比度、饱和度、色调和随机的缩放、裁剪、拼接，达到丰富了数据集和减小GPU负荷效果，流程如图4所示。自适应锚框能根据草莓图像目标标签自动学习调整锚框尺寸，本文采用K均值聚类学习算法对自定义数据集分析获得自适应锚框。自适应图片缩放能方便地训练处理各种大小草莓图像。

特征提取层主要实现草莓病害图像特征提取，将提取到的草莓图像信息提供给后面的网络运算。首先将草莓图像的多个切片Concat起来，然后顺序送入CBS模块和CSP1_X模块中处理。CSP1_X模块由CBS模块、Resunit模块、卷积层以及Concat组成。

特征融合层是连接特征提取层和预测输出层的部分，可使网络更好地利用特征提取层提取到的特征。主要采用特征金字塔（Feature Pyramid Networks，FPN）与路径聚合网络（Path Aggregation Network，PAN）结构，FPN采用的是自顶向下传达强语义特征，PAN则采用的是自底向上传达定位特征，二者融合实现提升检测的性能。

预测输出层利用提取到草莓病害图像的特征预测草莓病害并输出草莓病害分类结果信息。主要采用CIoU（Complete Intersection over Union）损失函数作为边界框的损失函数LOSSCIoU，计算如式（1）所示。在目标检测后处理过程中，使用非极大值抑制（Non Maximum Suppression，NMS）来对多目标框筛选，得出局部最大值，增强多目标和遮挡目标的检测能力。

LOSSCIoU=S（B，Bgt）+D（B，Bgt）+V（B，Bgt）（1）

式中：S——预测框面积与真实框面积的交并比损失；D——预测框与真实框的中心点之间距离与最小闭包趋于的对角线距离的比值；V——用来度量长宽比的相似性；B——预测框；Bgt——真实（Ground truth）框。

3.2 有效通道注意力模型

为合理利用有限的草莓病害图像信息处理资源，集中关注图像的特定部分，本文引入了有效的通道注意力模型（Efficient Channel Attention，ECA）模型［15］，ECA是一种不降维的局部跨信道交互策略，采用自适应一维卷积核。该策略使用一维卷积获得不同通道之间的信息，并避免在学习通道注意力信息时，缩减通道维度；具有只增加少量参数，就可获得比较明显的性能增益作用。ECA模型结构图如图5所示。

图5中H为图片高度，W为图片宽度，C为图像通道数。ECA首先通过全局平均池化（GAP）压缩草莓病害图像，将图像每个通道的特征图进行平均池化，得到一个全局的特征向量，用来表示整张草莓病害图像的上下文信息。获得图像聚合特征；再通过一维的大小为K的卷积核对全局特征向量进行一维卷积操作，实现跨通道信息覆盖，以学习到通道之间的关联性。其中K由式（2）计算得到；再经过Sigmoid激活函数得到图像每个通道的权重系数。这些权重系数对每个通道的特征图进行加权，以提高模型对草莓病害图像中细节信息的提取能力；将图像每个通道权重与未压缩原始每个通道的特征图对应元素相乘，得到最终输出特征图。

K=φ（C）=log2Cγ+bγodd（2）

式中：todd——距离t最近的奇数；C——图像通道数；γ、b——固定常数，γ=2，b=1。

3.3 改进YOLOv5检测模型

本文在YOLOv5模型网络的特征提取阶段三次引入注意力机制ECA模块［16， 17］，构建了改进YOLOv5模型YOLOv5-ECA，模型的总体结构如图6所示。

其中，CBS模块由一个卷积层Conv，一个Batch normalization层和一个Silu激活函数层组成；Resunit模块是残差网络结构；CSP1_X模块由CBL模块、Resunit模块以及卷积层、Concat组成；CSP2_X模块由卷积层和X个Resunit模块Concat组成；SPPF模块采用1×1、5×5、9×9和13×13最大池化方式进行多尺度特征融合。

3.4 评价指标

1）  模型准确率。预测正确的样本除以所有样本所得百分比，表示模型预测正确的样本所占比例［18］。具体定义如式（3）所示。

accuracy=TPTP+FP（3）

式中：accuracy——准确率；TP——指正确预测数；FP——指错误预测数。

2）  多类交叉熵损失。目标检测属于一个多分类问题，检测模型采用多类交叉熵损失指标计算损失［19］。假设预测目标总共有n个类别，第一个样本的真实类别为yi=（yi1，yi2，…，yin），预测值为yi′=（yi1′，yi2′，…yin′）。具体定义如式（4）所示。

crossentropy（y，y′）=-1m∑mi=1∑nj=1yij′logyij（4）

式中：m——样本的数量；n——类别的数量。

3.5 嵌入式软件设计

嵌入式软件系统主要由控制模块、拍照模块、图像检测模块三部分组成。实现了拍照、图像存储、图像检测和检测结果展示等主要功能，其中图像检测由基于YOLOv5训练的图像检测模型实现，该模块已经部署到嵌入式終端，软件流程如图7所示。

草莓病害识别软件主要包括3个步骤：（1）草莓病害图像采集和预处理。通过摄像头采集草莓病害图像。为满足YOLOv5模型的输入要求，将草莓病害图像的尺寸调整为419×419，再将图像分割成为3个不同尺度的网格状。（2）草莓病害目标定位，即判断网格是否包含草莓病害目标。先判断每个网格中是否存在草莓病害目标的中心点。如果存在，则进一步预测以确定草莓病害的种类和精确位置。（3）草莓病害类别识别。在判断出网格中包含草莓病害目标后，使用图像检测模型对草莓病害图像进行特征提取，并使用全连接层预测得到草莓病害坐标和类别概率。

4 试验与分析

4.1 试验方法

试验硬件环境CPU为Intel（R） Xeon（R） Silver 4316 CPU @ 2.30 GHz，内存64 G，显卡为GeForce RTX 3090 24 G显存。软件环境为Ubuntu 18.04 64位系统，Python版本为Python3.10，软件环境框架tensorflow2，使用CUDA11.1进行并行计算。

在试验过程中，每一次迭代时，随机打乱训练集，从而使得每次训练的数据分布不固定。学习率初始值设为10-2，学习率的衰减率为0.94，批量大小设置为54，训练迭代次数为50，采用Adam优化器。试验损失函数使用多类交叉熵损失，应用Checkpoint方法保存训练过程中性能最好的模型。为防止网络训练过程出现过拟合现象，在网络的全连接层之前加入Dropout，设置失效神经元的概率值为0.3。

4.2 试验数据

本文采用草莓疾病检测数据集共有图像数据2 900张，其中由白粉菌果病、角斑病、叶斑病、炭疽病、灰霉病、开花枯萎病、白粉菌叶病七种病害构成的草莓病害图像数量为2 500张，另外增加了健康的草莓果实图像数据200张和健康的草莓叶片图像数据200张，目的是提升正常草莓与病害草莓图像辨识度。

草莓病害数据集提供病害的特写和病害的远景，图像范围包括病害的初始、中期和后期阶段。每张图片包含一种草莓病害信息。草莓数据集划分成训练集、验证集和测试集，如表1所示。草莓病害数据集示例如图8所示。

4.3 試验结果

4.3.1 准确率和检测损失

经过多次综合训练，比较选出相对最优模型进行准确率测试，从图9可知，迭代16次后，改进的YOLOv5-ECA网络模型在训练集上对草莓病害识别的准确率趋于饱和，在验证集上对草莓病害识别的准确率接近90%。

由图10可知，迭代50次损失曲线中损失率逐步降低，并且收敛速度逐步加快；在第16次迭代后损失率趋于饱和，改进的YOLOv5-ECA网络模型在草莓病害数据集上具有较强的抗干扰能力和鲁棒性。

由表2可知，在七种草莓病害测试集上测试结果存在差异，角斑病识别准确率最高为84.35%，叶斑病识别准确率最低为65.43%，平均准确率为76.29%。通过对检测结果数据分析得出：炭疽病、白粉菌果病、叶斑病检测准确率偏低，主要原因是这三种草莓病害是误检为灰霉病。白粉菌叶病检测准确率偏低，主要原因是误检为角斑病。测试结果表明，模型在训练集和验证集上准确率相对比较高，但是该模型在测试集上的准确率明显低于训练集和验证集上的检测结果，原因可能是训练数据过拟合以及图像数据的数量不足，需降低模型复杂度以及调整dropout进一步增加模型的泛化能力，同时需要在实际应用中积累草莓病害图像数量，增加训练数据体量。

4.3.2 基于COCO数据测试

采用CVAT对数据集进行标注，获取草莓病害图像的COCO格式数据集。在COCO数据集上YOLOv5和YOLOv5-ECA测试评估获得结果如表3所示。

其中，AP（average precision）是平均精度，IoU（Intersection over Union）表示图像目标预测框与实际框的交集和并集的比值。AP0.5∶0.95表示在不同IoU阈值（从0.5到0.95，步长0.05），计算得到的AP集合的均值；AP0.5、AP0.75表示在IoU分别取0.5、0.75时的平均精度；AP，IoU表示在不同的交并比IoU阈值下的平均精度；AP，Area表示在S、M、L三个不同的目标尺度上的测试结果，分别是APS、APM、APL；S表示小于242个像素的目标；M表示在242～1024个像素之间的目标；L表示大于1024像素的目标。改进的YOLOv5-ECA模型在AP0.5∶0.95、AP0.5、AP0.75、APM、APL上都有比较大幅度提升，分别提高了18.49%、6.38、19.48%、12.29%、47.04%。但是，在APS上降低的比较明显，达到44.08%，考虑到重点设备采集图片大小一般都大于242像素，所以APS的降低对模型应用影响较小。

4.4 终端测试

将训练好的模型权重导入到嵌入式终端中，实现嵌入式终端对草莓病害检测。用户通过终端设备的病害识别界面可以实现从相册选择病害图像、相机拍摄病害图像进行检测。也可以通过图像浏览查看已有的检测结果。草莓各类病害检测结果如图11所示。

5 结论

1）  应用图像检测模型、嵌入式、软件工程技术研发实现草莓病害识别系统。系统采用低功耗设计，基于双核Arm Cortex-M4F主控CPU为设计核心，支持硬件的神经网络加速器，支持基于WIFI的图像传输和模型载入，实现便携式手持的嵌入式草莓病害检测。

2）  构建了YOLOv5与ECA网络相融合的草莓病害检测模型，可有效捕获跨通道交互信息，具有对网络处理速度的影响小的优势。试验结果表明，该系统可以有效识别草莓病害信息，测试集识别准确率达76.29%，与仅采用YOLOv5相比，AP、AP0.5、AP0.75、APM、APL上都有较大提升，针对草莓病害图像检测效果相对比较理想。

3）  终端应用系统由图像采集、图像检测、结果展示和数据传输等模块组成，实现草莓图像实时采集和病害实时识别检测等功能。实际应用中设备运行稳定，可快速、便捷实现草莓病害检测，可有效降低草莓生产中病害检测成本，具有广阔的应用前景。

参 考 文 献

［1］郭文娟， 冯全， 李相周. 基于农作物病害检测与识别的卷积神经网络模型研究进展［J］. 中国农机化学报， 2022， 43（10）： 157-166.Guo Wenjuan， Feng Quan， Li Xiangzhou. Research progress of convolutional neural network model based on crop disease detection and recognition ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（10）： 157-166.

［2］Pydipati R， Burks T F， Lee W S. Identification of citrus disease using color texture features and discriminant analysis ［J］. Computers and Electronics in Agriculture， 2006， 52： 49-59.

［3］Simonyan K， Zisserman A. Very deep convolutional networks for large scale image recognition ［J］. ArXiv Preprint， 2014.

［4］Szegedy C， Liu W， Jia Y Q， et al. Going deeper with convolutions ［C］. Computer Vision and Pattern Recognition， Boston， 2015： 1-9.

［5］He K M， Zhang X Y， Ren S O， et al. Deep residual leaning for image recognition ［C］. Computer Vision and Pattem Recognition Las Vegas， 2016： 770-778.

［6］Huang G， Liu Z， MaatenL V D， et al. Densely connected convolutional networks ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， 2017.

［7］宋中山， 汪进， 郑禄， 等. 基于二值化的Faster R-CNN柑橘病虫害识别研究［J］. 中国农机化学报， 2022， 43（6）：150-158.Song Zhongshan， Wang Jin， Zhen Lu， et al. Research on citrus pest identification based on Binary Faster R-CNN ［J］. Journal of Chinese Agricultural Mechanization， 2022， 43（6）： 150-158.

［8］牛冲. 基于图像处理的草莓病害识别方法研究［D］. 太原： 太原理工大学， 2016.Niu Chong. Research on recognition method of strawberry disease based on image processing ［D］. Taiyuan： Taiyuan University of Technology， 2016.

［9］宋怀波， 马宝玲， 尚钰莹， 等. 基于YOLO v7-ECA模型的苹果幼果检测［J］. 农业机械学报， 2023， 54（6）： 233-242.Song Huaibo， Ma Baoling， Shang Yuying， et al. Detection of young apple fruits based on YOLO v7-ECA model ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（6）： 233-242.

［10］郭辉， 陈海洋， 高国民， 等. 基于YOLO v5m的红花花冠目标检测与空间定位方法［J］. 农业机械学报， 2023， 54（7）： 272-281.Guo Hui， Chen Haiyang， Gao Guomin， et al. Safflower corolla object detection and spatial positioning methods based on YOLO v5m ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（7）： 272-281.

［11］邵延华， 张铎， 楚红雨， 等. 基于深度学习的YOLO目标检测综述［J］. 电子与信息学报， 2022， 44（10）： 3697-3708.Shao Yanhua， Zhang Duo， Chu Hongyu， et al. A review of YOLO object detection based on deep learning ［J］. Journal of Electronics & Information Technology， 2022， 44（10）： 3697-3708.

［12］李成跃， 姚剑敏， 林志贤， 等. 基于改进YOLO轻量化网络的目标检测方法［J］. 激光与光电子学进展， 2020， 57（14）： 45-53.Li Chengyue， Yao Jianmin， Lin Zhixian， et al. Object detection method based on improved YOLO lightweight network ［J］. Laser & Optoelectronics Progress， 2020， 57（14）： 45-53.

［13］崔家华， 张云洲， 王争， 等. 面向嵌入式平台的轻量级目标检测网络［J］. 光学学报， 2019， 39（4）： 307-313.Cui Jiahua， Zhang Yunzhou， Wang Zheng， et al. Light-weight object detection networks for embedded platform ［J］. Acta Optica Sinica， 2019， 39（4）： 307-313.

［14］李建， 杜建強， 朱彦陈，  等. 基于Transformer的目标检测算法综述［J］. 计算机工程与应用， 2023， 59（10）： 48-64.Li Jian， Du Jianqiang， Zhu Yanchen， et al. Survey of transformer-based object detection algorithms ［J］. Computer Engineering and Applications， 2023， 59（10）： 48-64.

［15］Wang Q L. Wu B G， Zhu P F， et al. ECA-Net： Efficient channel attention for deep convolutional neural networks ［J］. Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition， 2020： 11531-11539.

［16］Zhu X K， Lyu S C， Wang X， et al. TPH-YOLOv5： Improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios ［C］. Proceedings of the IEEE/CVF International Conference on Computer Vision （ICCV） Workshops， 2021： 2778-2788.

［17］宋怀波， 李嵘， 王云飞， 等. 基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法［J］. 农业机械学报， 2023， 54（3）： 274-281.Song Haibo， Li Rong， Wang Yunfei， et al. Recognition method of heavily occluded beef cattle targets based on ECA-YOLO v5s ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2023， 54（3）： 274-281.

［18］王江晴， 冀星， 莫海芳， 等. 基于轻量化VGG的植物病虫害识别［J］. 中国农机化学报， 2022， 43（4）： 25-31.Wang Jiangqing， Ji Xing， Mo Haifang， et al. Plant disease detection based on lightweight VGG ［J］. Journal of Chinese Agricultural Mechanization， 2022，43（4）：25-31.

［19］李書琴， 陈聪， 朱彤， 等. 基于轻量级残差网络的植物叶片病害识别［J］. 农业机械学报， 2022， 53（3）： 243-250.Li Shuqin， Chen Cong， Zhu Tong， et al. Plant leaf disease identification based on lightweight residual network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（3）： 243-250.

［20］李功， 赵巍， 刘鹏， 等. 一种用于目标跟踪边界框回归的光滑IoU损失［J］. 自动化学报， 2023， 49（2）： 288-306.Li Gong， Zhao Wei， Liu Peng， et al. Smooth-IoU loss for bounding box regression in visual tracking ［J］. Acta Automatica Sinica， 2023， 49（2）： 288-306.

基金项目：农业农村部农业大数据重点实验室项目（NYNCBDSJ2022001）；北京市数字农业创新团队项目（BAIC10—2023）；北京市农林科学院改革与发展专项（GGFZSJS2023）

第一作者：乔珠峰，男，1979年生，山西平遥人，硕士，副研究员；研究方向为农业信息技术。E-mail： qiaozhufeng@126.com

通讯作者：赵继春，男，1980年生，河北承德人，博士，正高级农艺师；研究方向为农业信息技术。E-mail： zhaojc@agri.ac.cn