改进的YOLOv7茶叶病害识别模型

针对茶叶病害图像背景复杂、目标小、易漏检等问题，提出一种改进YOLOv7的茶叶病害识别模型。该模型首先引入混合注意力模块ACmix加强对小目标的敏感度，解决茶叶病害目标小，易漏检的问题。其次，采用C3模块替换Neck部分的ELAN-W模块以提高网络性能。最后使用Alpha-IoU损失函数优化原YOLOv7模型中的CIoU损失函数，提升模型对检测目标的定位能力。实验结果表明，改进后模型的平均检测精度mAP达到93.3%，比YOLOv7模型提高了1.8%，在FPS增加的同时模型参数量降低了3.5 M。该研究内容可以为茶园病害的智能化监控设备提供支持。

茶叶是我国的主要经济作物之一，在农村产业结构调整，增加农民收入，加速农民致富奔小康中起到积极的作用[1]。然而，茶树在种植过程中容易受到细菌、真菌和病毒等的入侵而感染病害，这些病害会大大降低茶叶的产量和质量。若不能及时发现这些病害并加以控制，将会导致茶叶种植者和整个行业的巨大经济损失[2]。传统上，对于茶叶病害的诊断主要是依赖于有经验的生产者的视觉观察[3]。然而， 这种方法主观性强、耗时长，容易出错。此外，这种方法需要对于茶叶病害有专业的知识，不具有普适性。因此，寻找一种快速、准确地识别对茶叶病害进行诊断具有重要的现实意义。

随着计算机技术的发展， 众多研究人员使用机器学习和图像处理方法来鉴定农作物疾病[4] [5]。

余秀丽等[6]对小麦叶部病害图像去噪及分割病斑，然后提取病斑特征，最后使用SVM 算法对小麦叶部病害图像进行分类识别。

张云龙等[7]使用分割算法对病斑区域进行分割， 并计算病斑的颜色特征和差直方图， 结合SVM 分类器， 对3 种常见苹果叶部病害图像识别率达96.52%。

林彬彬等[8]在分割病斑区域基础上， 使用多种方法提取病斑的颜色特征，进行特征选择后使用K 近邻算法进行茶叶病害的智能诊断识别。然而早期机器学习方法需要人为进行特征提取和选择，较为复杂且识别效果差，难以推广和应用。

近年来，深度学习的快速发展，卷积神经网络由于其出色的特征提取能力，因此越来越多的学者使用卷积神经网络对农作物病害进行识别[9] [10] [11]。贾璐等[12]提出了一种MANet 葡萄病害识别模型，对4种常见葡萄叶片图像的识别准确率达87.93%。

杨康等[13]基于SSD 模型架构， 使用MobileNet 替换SSD 模型的原始主干网络，并构建了RFB 模块实现多尺度检测，对4 类三七病害的检测精度达82.0%。李就好等[14]对Faster-RCNN 进行改进， 增加建议框的尺寸个数， 并在特征提取网络ResNet-50 的基础下融入了FPN网络，改进网络的识别准确率达到86.39%。孙道宗等[15]对YOLOv4 模型的主干网络进行改进，并在模型中嵌入CBAM 注意力机制，对3 类病害的识别精度达93.85%。杨文姬等[16]设计一种基于改进Yolov5 的深度学习方法， 用于检测苹果和番茄病害， 改进后的Yolov5 病害检测算法mAP 达到95.7%。

李伟豪等[17]提出了一种Yolov7-TSA 模型对茶叶病害检测和分类，对7 类茶叶病害和健康茶叶的识别准确率达94.2%。

然而，尽管上述研究都取得了较好的识别结果，但仍存在一些问题。如模型参数量大，难以部署在茶园边缘设备上，识别准确率不佳等。为解决这些问题，本文提出了一种改进YOLOv7 的茶叶病害识别模型。

2. 数据集描述 2.1. 数据采集 本文实验数据分别采集自贵州省贵阳市花溪区久安古茶园和羊艾茶园， 拍摄时间分别为2023 年4 月