此前出了目标检测算法改进专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读发表高水平学术期刊中的 SCI论文，并对相应的SCI期刊进行介绍，帮助大家解答疑惑，助力科研论文投稿。解读的系列文章，本人会进行 创新点代码复现，有需要的朋友可关注私信我获取。
一、摘要
为了减少病虫害对宁夏酿酒葡萄产量和品质的影响，提高检测的效率和智能化程度，设计了病虫害智能检测平台。通过比较在公共数据集上训练的MobileNet V2和YOLOX_s网络的识别准确度来选择最佳底层网络。在此基础上，通过对自定义数据集进行排列，考察了添加注意机制和替换损失函数对识别效果的影响，得到了改进的网络YOLOX_s + CBAM。在Overall数据集上对改进后的网络进行训练，最终得到了能够识别9种害虫的识别模型，在验证集上的识别准确率为93.35%，比原网络提高了1.35%.识别模型部署在Web端和树莓派，实现独立检测功能;通过Ngrok搭建两个平台之间的通道，通过VNC桌面实现远程互联。用户可以选择在Web端上传本地图像进行检测，手持树莓派进行现场检测，或者树莓派与Web互联进行远程检测。
二、网络模型及核心创新点
1.MobileNet V2
2.YOLOX_s网络
三、数据集
本文中的数据集分为三类：公共数据集、自定义数据集和整体数据集。数据集部分的样本如图2所示，数据集的特征如表1所示。
公共数据集适合于筛选底层网络。具有最大数量的疾病种类适合于在复杂样本环境中测试基础网络的检测能力。自定义数据集用于过滤优化网络。它的样本量比公共数据集小，但包含了宁夏的病虫害特征，从而节省了训练多个优化网络的时间，同时保证了优化模型与宁夏样本的相关性。完整数据集进一步扩大了样本量，同时保留了宁夏地理样本自定义数据集的相关性，这是训练最终识别模型的理想选择。
四、实验效果（对比实验分析部分展示）
（1）基础网络比较预实验
YOLOX_s网络在公共数据训练集下用MobileNet V2网络训练，其中V2num_classes设置为9，epoch值设置为200，batch-size设置设为4，默认为input-size [640，640]。公共数据集验证集中的检测结果如图3所示。
结果表明，除葡萄锈病和葡萄黑腐病的AP值分别比MobileNet V2低1.5%和0.8%外，YOLOX_s在所有病害测试中的AP值均高于MobileNet V2。在相同的训练集和设置下，YOLOX_s比MobileNet V2具有更好的性能，并且它可以在各种疾病中保持更高的识别准确率。
（2）Yolox_s的优化
在输入端，YOLOX_s在Mosa数据增强之上添加了ixup数据增强效果。在Backbone和Neck部分中，激活函数都使用SiLU函数。在输出侧，检测头改为去耦头，并使用无锚、多正、SimOTA等。YOLOX_s使用8×、16×和21×上采样，即最小像素为8 × 8、16 × 16和32 × 32。这些最小的像素被用作特征点以形成不同尺度的特征图，并且通过FPN融合以形成最终的特征向量。网络结构见图4。
为了满足实际葡萄害虫检测的准确性，本文拟通过在原有YOLOX_s网络的基础上增加适当的注意机制或替换置信度函数，进一步提高网络的检测准确性。
五、平台测试
（1）Web平台测试
在Web平台上传本地图片进行病虫害检测，系统会用蓝色线框标注葡萄病虫害发生的位置。文本标有害虫的类型，数字表示可能是该类型害虫的概率。平台测试的结果示于图10a中，十种葡萄叶的检测结果如图10b所示。
（2）Raspberry Pi现场测试
在葡萄叶上安装CSI摄像头的手持树莓党在田间进行病虫害检测，并在屏幕显示器上显示疾病信息和概率。检测效果如图11所示。实验结果表明，该功能运行正常，能够满足现场检测的需要，同时具有可移植性。
（3）远程互连检测
Raspberry Pi的位置安排在现场，并确保Raspberry Pi和计算机处于同一个LAN环境中。用户可以通过在计算机上启用VNC程序来真实的监视和控制Raspberry Pi。Raspberry Pi将CSI摄像头拍摄的图像传输到远程用户的计算机桌面，并标记图像中存在的病虫害的位置和信息。远程显示的效果如12所示。
六、实验结论
用户可以通过Web平台上传本地图片进行检查，也可以手持搭载CSI摄像头的树莓派到田间现场检查葡萄，也可以在PC端将树莓派安排到田间进行远程互联和检查。该平台旨在满足不同场景的检测需求。本研究大大提高了病虫害检测效率，提高了葡萄产量和品质，降低了劳动强度，节约了人工成本，解决了宁夏地区酿酒葡萄产业病虫害智能防治的技术难题，对未来农业智能化、自动化的实现具有积极的推动作用。
注：论文原文出自Design of Intelligent Detection Platform for Wine Grape Pests
and Diseases in Ningxia本文仅用于学术分享，如有侵权，请联系后台作删文处理。
解读的系列文章，本人已进行创新点代码复现，有需要的朋友欢迎关注私信我获取 ❤ 。
