基于改进YOLOv4算法的苹果叶片病害检测方法

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义，为解决同时检测苹果叶片多种病害目标结果不准确的问题，提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端，首先，该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络，并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积；其次，为提高检测精度，将卷积注意力机制模块CBAM融合至PANet结构中，可增强对有用特征信息的提取；最后，为了使锚框更适应本研究的数据集，通过K-means聚类算法将模型的锚框信息更新。结果表明，MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点，该研究为苹果叶片的病害检测提供了一种更优的方法，有助于实现精准施药，提高苹果的产量和品质。