基于YOLOv8网络的棉蚜图像识别算法及软件系统设计

doi:10.12398/j.issn.2096-7217.2023.03.005

智能化农业装备学报（中英文） ›› 2023, Vol. 4 ›› Issue (3): 42-49.DOI: 10.12398/j.issn.2096-7217.2023.03.005

基于YOLOv8网络的棉蚜图像识别算法及软件系统设计

马盼¹^,²^,³(), 杨子恒⁴, 万虎⁴, 何顺⁴, 黄远⁵, 徐胜勇¹^,²^,³()

^1.华中农业大学工学院，湖北武汉，430070
^2.华中农业大学深圳营养与健康研究院，深圳市，518000
^3.中国农业科学院深圳农业基因组研究所和岭南现代农业科学与技术广东省实验室深圳分中心，深圳市，518000
^4.华中农业大学植物科学技术学院，湖北武汉，430070
^5.华中农业大学园艺林学学院，湖北武汉，430070

收稿日期:2023-05-31 修回日期:2023-08-03 出版日期:2023-08-15 发布日期:2023-08-15
通讯作者: 徐胜勇
作者简介:马盼，男，2003年生，湖北仙桃人；研究方向为计算机视觉。E-mail： 3201251324@qq.com
基金资助:
国家重点研发计划项目(2019YFD1001900);HZAU-AGIS交叉基金项目(SZYJY2022006);湖北省重点研发计划项目(2021BBA239);中央高校基本科研业务费专项资金资助项目(2662022YLYJ010)

A new cotton aphid image recognition algorithm and software based on YOLOv8

MA Pan¹^,²^,³(), YANG Ziheng⁴, WAN Hu⁴, HE Shun⁴, HUANG Yuan⁵, XU Shengyong¹^,²^,³()

^1.College of Engineering，Huazhong Agricultural University，Wuhan 430070，China
^2.Shenzhen Institute of Nutrition and Health，Huazhong Agricultural University，Shenzhen 518000，China
^3.Shenzhen Branch，Guangdong Laboratory for Lingnan Modern Agriculture，Genome Analysis Laboratory of the Ministry of Agriculture，Agricultural Genomics Institute at Shenzhen，Chinese Academy of Agricultural Sciences，Shenzhen，518000，China
^4.College of Plant Science & Technology of Huazhong Agricultural University，Wuhan 430070，China
^5.College of Horticulture & Forestry Sciences of Huazhong Agricultural University，Wuhan 430070，China

Received:2023-05-31 Revised:2023-08-03 Online:2023-08-15 Published:2023-08-15
Contact: XU Shengyong

摘要/Abstract

摘要：

为解决在棉蚜种群预测与防治科研工作中人工计数难度大、效率低的问题，提出一种基于YOLO神经网络的棉蚜图像识别算法并集成为软件。首先，连续15 d使用手机拍摄人工接种的棉蚜图像，选择清晰的50张图像将其裁剪为6个子图像，再使用LabelImg软件进行人工标注得到训练集和测试集。然后，选择YOLOv5和YOLOv8系列的10种模型，训练参数设置相同（批次大小32，迭代100轮，初始学习率0.01，周期学习率0.01），使用AutoDL平台的服务器进行训练。最后，对训练好的模型进行测试，其中YOLOv8l模型综合性能表现最佳，mAP50达到了0.926。为了给用户提供方便易用的人机软件，使用PYQT5开发了软件的前端，实现了棉蚜图片的读取、计数、结果可视化和导出为Excel等功能。软件的后端采用了“拆分—检测—合并”的图像处理方式，保障了YOLO模型对小目标的检测效果。经过测试，该软件对于死棉蚜与活棉蚜计数的平均精度为0.945，展现出与人工计数相当的精度，具有较好的实用价值。该研究为棉蚜防治相关科研人员提供了一种智能化检测工具，也可为无人农场等场景中的精准作业提供关键作业信息。

关键词: 棉蚜, 计数, 图像识别, 图像处理, YOLO

Abstract:

In order to solve the problems of high difficulty and low efficiency of manual counting in scientific research of cotton aphid population prediction and control， a cotton aphid image recognition algorithm based on YOLO neural network was proposed and developed into software. First， the images of artificially inoculated cotton aphids were taken by mobile phone for 15 consecutive days， 50 clear images were selected and cut into 6 sub-images， and then the training set and test set were obtained by using LabelImg software for manual labeling. Then， 10 models from the series of YOLOv5 and YOLOv8， whose training parameters were set as the same（batch size was 32， iteration was 100 rounds， initial learning rate was 0.01， and periodic learning rate was 0.01）， were selected and trained by using the server of the AutoDL platform. Finally， the trained models were tested， and the YOLOv8l model showed the best overall performance， with mAP50 reaching 0.926. In order to provide users with convenient and easy-to-use man-machine software， the front end of the software was developed by using PYQT5， to realize the functions of reading and counting of cotton aphid pictures， visualizing results and exporting results to Excel. The back end of the software adopted an image processing method of "splitting-detection-merging"， which ensuring the efficient detection of YOLO model on small targets. After testing， the software had an average precision of 0.945 for counting dead cotton aphids and live cotton aphids， which was comparable to manual counting and had good practical value. This research may provide an intelligent detection tool for researchers related to cotton aphid control and also provided key operation information for precise operation in scenes such as unmanned farms.

Key words: cotton aphid, counting, image recognition, image processing, YOLO

中图分类号:

马盼, 杨子恒, 万虎, 何顺, 黄远, 徐胜勇. 基于YOLOv8网络的棉蚜图像识别算法及软件系统设计[J]. 智能化农业装备学报（中英文）, 2023, 4(3): 42-49.

MA Pan, YANG Ziheng, WAN Hu, HE Shun, HUANG Yuan, XU Shengyong. A new cotton aphid image recognition algorithm and software based on YOLOv8[J]. Journal of Intelligent Agricultural Mechanization, 2023, 4(3): 42-49.

图/表 7

参考文献 27

1	李越，朱鹤，单莹，等. 棉蚜对吡虫啉和氟啶虫胺腈抗药性监测及抗性机理研究进展［J］. 中国棉花， 2023， 50（2）： 1-5.
	LI Yue， ZHU He， SHAN Ying， et al. Resistance monitoring and resistant mechanism progress of Aphis gossypii to imidacloprid and sulfoxaflor ［J］. China Cotton， 2023， 50（2）： 1-5.
2	王小丽，吴娜，张玉栋，等. 取食蚜害后的棉花对棉蚜营养代谢的影响［J］. 应用昆虫学报， 2022， 59（4）： 854-861.
	WANG Xiaoli， WU Na， ZHANG Yudong， et al. Effects of aphid damage to cotton plants on the nutritional metabolism of Aphis gossypii ［J］. Chinese Journal of Applied Entomology， 2022， 59（4）： 854-861.
3	王晨，刘金萍，杨益众，等. 干旱胁迫对棉花上棉蚜种群增长影响的评价方法［J］. 植物保护， 2023， 49（1）： 193-199.
	WANG Chen， LIU Jinping， YANG Yizhong， et al. A method for assessing the effects of drought stress on population growth of Aphis gossypii Glover on cotton plants ［J］. Plant Protection， 2023， 49（1）： 193-199.
4	李文娟，张睿，蔡志华，等. 苯炔［3+2］环加成反应构建三氟甲基取代的苯并环状亚砜亚胺衍生物及其杀棉蚜活性研究［J］. 有机化学， 2022， 42（9）： 2832-2839.
	LI Wenjuan， ZHANG Rui， CAI Zhihua， et al. Construction and insecticidal activities of trifluoromethylated benzocyclicsulfoximine derivatives by ［3+2］ cycloaddition reaction of beznyne ［J］. Chinese Journal of Organic Chemistry， 2022， 42（9）： 2832-2839.
5	时英爽，高有华，蔡超，等. 新疆棉田吡虫啉残留动态及其防治棉蚜田间用药量确定［J］. 中国棉花， 2019， 46（10）： 25-29， 37.
	SHI Yingshuang， GAO Youhua， CAI Chao， et al. Imidacloprid residue dynamics in the cotton field of Xinjiang and determination of its dosage for controlling cotton aphid ［J］. China Cotton， 2019， 46（10）： 25-29， 37.
6	丁瑞丰，朱晓华，阿克旦·吾外士，等. 人工释放普通草蛉田间防治棉蚜效果研究［J］. 植物保护， 2015， 41（2）： 200-204.
	DING Ruifeng， ZHU Xiaohua， AKEDAN·WUWAISHI， et al. Control effects on Aphis gossypii （Glover） by releasing Chrysoperla carnea （Stephens） in cotton field ［J］. Plant Protection， 2015， 41（2）： 200-204.
7	KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks ［J］. Communications of the ACM， 2017， 60（6）： 84-90.
8	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation ［C］// Proceedings of the IEEE conference on computer vision and pattern recognition. 2014： 580-587.
9	卜俊怡，孙国祥，王迎旭，等. 基于诱虫板图像的温室番茄作物害虫识别与监测方法［J］. 南京农业大学学报， 2021， 44（2）： 373-383.
	BU Junyi， SUN Guoxiang， WANG Yingxu， et al. Identification and monitoring method of tomato crop pests in greenhouse based on trapping board image ［J］. Journal of Nanjing Agricultural University， 2021， 44（2）： 373-383.
10	ZHU C H， WANG J J， LIU H， et al. Insect identification and counting in stored grain： Image processing approach and application embedded in smartphones ［J］. Mobile Information Systems， 2018： 1-5.
11	俞浩，吕美巧，刘丽敏，等. 高光谱成像与图像结合进行油菜角果蚜虫侵染的定位识别［J］. 光谱学与光谱分析， 2017， 37（10）： 3193-3197.
	YU hao， Meiqiao LÜ， LIU Limin， et al. Identification of aphid infection on rape pods using hyperspectral imaging combined with image processing ［J］. Spectroscopy and Spectral Analysis， 2017， 37（10）： 3193-3197.
12	HAYASHI M， TAMAI K， OWASHI Y， et al. Automated machine learning for identification of pest aphid species （Hemiptera： Aphididae）［J］. Applied Entomology and Zoology， 2019， 54： 487-490.
13	SHAJAHAN S， SIVARAJAN S， MAHARLOOEI M， et al. Identification and counting of soybean aphids from digital images using shape classification ［J］. Transactions of the ASABE， 2017， 60（5）： 1467-1477.
14	LIU T， CHEN W， WU W， et al. Detection of aphids in wheat fields using a computer vision technique ［J］. Biosystems Engineering， 2016， 141： 82-93.
15	王林惠，兰玉彬，刘志壮，等. 便携式柑橘虫害实时检测系统的研制与试验［J］. 农业工程学报， 2021， 37（9）： 282-288.
	WANG Linhui， LAN Yubin， LIU Zhizhuang， et al. Development and experiment of the portable real-time detection system for citrus pests ［J］. Transactions of the Chinese Society of Agricultural Engineering， 2021， 37（9）： 282-288.
16	CHEN J， FAN Y Y， WANG T， et al. Automatic segmentation and counting of aphid nymphs on leaves using convolutional neural networks ［J］. Agronomy， 2018， 8（8）： 129.
17	董伟，钱蓉，张洁，等. 基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数［J］. 中国农业科技导报， 2019， 21（12）： 76-84.
	DONG Wei， QIAN Rong， ZHANG Jie， et al. Vegetable lepidopteran pest auto recognition and detection counting based on deep learning ［J］. Journal of Agricultural Science and Technology， 2019， 21（12）： 76-84.
18	YAN T Y， XU W， LIN J， et al. Combining multi-dimensional convolutional neural network （CNN） with visualization method for detection of Aphis gossypii Glover infection in cotton leaves using hyperspectral imaging ［J］. Frontiers in Plant Science， 2021， 12： 604510.
19	CHEN P， LI W L， YAO S J， et al. Recognition and counting of wheat mites in wheat fields by a three-step deep learning method ［J］. Neurocomputing， 2021， 437： 21-30.
20	陈娟，陈良勇，王生生，等. 基于改进残差网络的园林害虫图像识别［J］. 农业机械学报， 2019， 50（5）： 187-195.
	CHEN Juan， CHEN Liangyong， WANG Shengsheng， et al. Pest image recognition of garden based on improved residual network ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2019， 50（5）： 187-195.
21	姚青，姚波，吕军，等. 基于双线性注意力网络的农业灯诱害虫细粒度图像识别研究［J］. 中国农业科学， 2021， 54（21）： 4562-4572.
	YAO Qing， YAO Bo， Jun LÜ， et al. Research on fine-grained image recognition of agricultural light-trap pests based on bilinear attention network ［J］. Scientia Agricultura Sinica， 2021， 54（21）： 4562-4572.
22	曾伟辉，张文凤，陈鹏，等. 基于SCResNeSt的低分辨率水稻害虫图像识别方法［J］. 农业机械学报， 2022， 53（9）： 277-285.
	ZENG Weihui， ZHANG Wenfeng， CHEN Peng， et al. Low-resolution rice pest image recognition based on SCResNeSt ［J］. Transactions of the Chinese Society for Agricultural Machinery， 2022， 53（9）： 277-285.
23	ZHONG Y H， GAO J Y， LEI Q L， et al. A vision-based counting and recognition system for flying insects in intelligent agriculture［J］. Sensors， 2018， 18（5）： 1489.
24	PEI H R， LIU K， ZHAO X J， et al. Enhancing aphid detection framework based on ORB and convolutional neural networks ［J］. Scientific Reports， 2020， 10（1）： 18697.
25	REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection ［C］//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016： 779-788.
26	ZHANG S H， YANG H K， YANG C H， et al. Edge device detection of tea leaves with one bud and two leaves based on ShuffleNetv2-YOLOv5-Lite-E ［J］. Agronomy， 2023， 13（2）： 577.
27	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.

模型	深度 /times	通道 /times	参数量 /M	复杂度 /B
YOLOv5n	0.33	0.25	1.9	4.5
YOLOv5s	0.33	0.50	7.2	16.5
YOLOv5m	0.67	0.75	21.2	49.0
YOLOv5l	1.00	1.00	46.5	109.1
YOLOv5x	1.33	1.25	86.7	205.7
YOLOv8n	0.33	0.25	3.2	8.7
YOLOv8s	0.33	0.50	11.2	28.6
YOLOv8m	0.67	0.75	25.9	78.9
YOLOv8l	1.00	1.00	43.7	165.2
YOLOv8x	1.33	1.25	68.2	257.8

模型	深度 /times	通道 /times	参数量 /M	复杂度 /B
YOLOv5n	0.33	0.25	1.9	4.5
YOLOv5s	0.33	0.50	7.2	16.5
YOLOv5m	0.67	0.75	21.2	49.0
YOLOv5l	1.00	1.00	46.5	109.1
YOLOv5x	1.33	1.25	86.7	205.7
YOLOv8n	0.33	0.25	3.2	8.7
YOLOv8s	0.33	0.50	11.2	28.6
YOLOv8m	0.67	0.75	25.9	78.9
YOLOv8l	1.00	1.00	43.7	165.2
YOLOv8x	1.33	1.25	68.2	257.8

模型	P	R	mAP50	mAP50-95
Yolov5n	0.881	0.781	0.876	0.421
Yolov5s	0.823	0.837	0.888	0.456
Yolov5m	0.859	0.865	0.901	0.484
Yolov5l	0.902	0.84	0.904	0.492
Yolov5x	0.901	0.847	0.901	0.5
Yolov8n	0.878	0.765	0.869	0.457
Yolov8s	0.856	0.821	0.89	0.47
Yolov8m	0.88	0.865	0.919	0.519
Yolov8l	0.917	0.847	0.926	0.552
Yolov8x	0.955	0.81	0.923	0.559

模型	P	R	mAP50	mAP50-95
Yolov5n	0.881	0.781	0.876	0.421
Yolov5s	0.823	0.837	0.888	0.456
Yolov5m	0.859	0.865	0.901	0.484
Yolov5l	0.902	0.84	0.904	0.492
Yolov5x	0.901	0.847	0.901	0.5
Yolov8n	0.878	0.765	0.869	0.457
Yolov8s	0.856	0.821	0.89	0.47
Yolov8m	0.88	0.865	0.919	0.519
Yolov8l	0.917	0.847	0.926	0.552
Yolov8x	0.955	0.81	0.923	0.559

	MAE	RMSE	Accuracy
活棉蚜	1.60	2.68	0.96
死棉蚜	0.94	2.22	0.93
总数	2.18	3.37	0.96

基于YOLOv8网络的棉蚜图像识别算法及软件系统设计

A new cotton aphid image recognition algorithm and software based on YOLOv8

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 7

参考文献 27

相关文章 2

编辑推荐

Metrics

本文评价

[1]	肖张娜, 罗陆锋, 陈明猷, 王金海, 卢清华, 骆少明. 基于改进YOLO-v4的果园环境下葡萄检测[J]. 智能化农业装备学报（中英文）, 2023, 4(2): 35-43.
[2]	唐瑜嵘, 沈明霞, 薛鸿翔, 陈金鑫. 人工智能技术在畜禽养殖业的发展现状与展望[J]. 智能化农业装备学报（中英文）, 2023, 4(1): 1-16.