基于深度学习的家蚕病原显微图像检测研究.pdf

摘要

摘要

快速、准确的早期蚕病检测与防控是家蚕养殖的重要保障。传统人工镜检法存

在人工成本高、检测效率低的缺点。基于深度学习的目标检测方法具有检测精度高、

泛化性好的优势，在显微图像的智能检测领域得到广泛应用。基于蚕病原显微图像

的目标检测方法还非常稀少，因此研究适合蚕病检测应用需求的高效检测方法将

有助于现代化蚕业高质量发展。

数据集的制作是基于显微病原图像进行蚕病检测研究的基础。本文借助专业

显微镜拍摄了3142张原始蚕病原显微图像，利用Labelimg工具对每张图像中的病

原进行了准确标注。通过三类不同的数据增强方法，对数据集进行了有效扩充，得

到了相应的蚕病原数据集。基于该数据集的实验表明，利用目标检测网络模型进行

蚕病原检测是可行的。其中，经典的YOLOv5s模型在960×960输入分辨率时较好

地平衡了平均精度均值（mAP）和检测速度，mAP达84.9%，检测速度达145fps。

与其它几种代表性模型的结果相比，YOLOv5s检测性能总体上表现最佳。

考虑到蚕病原的小目标特性和显微图像的复杂背景，基于YOLOv5s提出了一

种DB-YOLOv5s模型，以获得更高的蚕病原检测性能。引入DBB多分支重参数化

模块替换CBS卷积模块，设计了新的BottleneckDBB残差结构和DBC3特征提取

模块；在主干网络后引入BRA双层路由注意力机制；使用Focal-EIoU损失函数替

换原有CIoU损失函数；引入解耦头以分离目标的分类与定位任务。评测实验表明：

DB-YOLOv5s比YOLOv5s的mAP提高了6.2%，精确率提高了5.7%，召回率提

高了7.4%。与其它代表性模型相比，DB-YOLOv5s的mAP最高，达到91.1%；同

时检测速度较快，达到105fps；参数量为13.82M；计算量为31GFLOPs。

为降低蚕病原检测对硬件配置的要求，对提出的DB-YOLOv5s进行轻量化改

进。在DB-YOLOv5s中设计了一个LTDA轻量级小目标检测结构，采用GhostConv

卷积替换CBS卷积，构建了轻量化DB-YOLOv5s-L模型。评测实验表明：改进后

DB-YOLOv5s-L的mAP达到91.3%；参数量仅为5.64M；计算量为27.5GFLOPs，

仅高于YOLOv5s和YOLOv7-tiny；检测速度为113fps，仅次于YOLOv5s和

YOLOv8s。最后，基于PyQt5设计了一款蚕病原检测软件，并以DB-YOLOv5s-L

作为检测模型，给出了应用场景下的蚕病原检测示例。

关键词：蚕病原检测；显微图像；深度学习；卷积神经网络；网络轻量化

I

ABSTRACT

ABSTRACT

Rapidandaccurateearlydetectionandcontrolofsericulturediseasesarecrucialfor

ensuringthesuccessfulbreedingofdomesticsilkworms.Thetraditionalmanual

microscopymethodhasfollowingdisadvantagessuchashighlaborcostsandlow

detectionefficiency.Incontrast,deeplearning-basedtargetdetectionmethods,renowned

fortheirhighaccuracyandgeneralizationability,areextensivelyemployedinthedomain

ofintelligenttargetdetectionutilizingmicro