摘" 要：YOLOv9作为YOLO系列模型中的最新版本之一，其平台移植方便与检测步骤简易，相比于传统的图像识别技术，基于深度学习的物体检测模型具有更强的特征提取和泛化能力，能够更好地识别复杂的物体和场景。基于YOLOv9c葡萄病害识别检测算法研究，针对传统的病害识别方法存在着识别准确率低、耗时长等问题，对我国七种葡萄病害进行识别，进行训练之后，平均检测度mAP50为92.7%，实验结果表明，该方法可以实现葡萄病害实时检测，大大提高了农业生产效率，满足葡萄病害检测应用场景的精度要求和实时性。
关键词：YOLOv9；葡萄病害；实时检测；损失函数；高性能
中图分类号：TP391.4 文献标识码：A 文章编号：2096-4706（2025）04-0064-06
Research on Grape Disease Identification and Detection Algorithm Based on YOLOv9
XIAO Zhengrong， LIANG Yefeng， LI Fei， WANG Yizong， TIAN Jiya
（School of Information Engineering， Xinjiang Institute of Technology， Aksu" 843100， China）
Abstract： As one of the latest versions in the YOLO series of models， YOLOv9 features convenient platform transplantation and simple detection procedures. Compared with traditional image recognition technologies， object detection models based on Deep Learning possess stronger feature extraction and generalization capabilities， and can better recognize complex objects and scenes. Based on the research on YOLOv9c grape disease identification and detection algorithm， aiming at the issues such as low recognition accuracy and long processing time existing in traditional disease recognition methods， this paper conducts recognition of seven types of grape diseases in China， and the average detection metric mAP50 reaches 92.7% after training. Experimental results demonstrate that this method can achieve real-time detection of grape diseases， significantly improving agricultural production efficiency and meeting the precision and real-time requirements of grape disease detection application scenarios.
Keywords： YOLOv9; grape diseases; real-time detection; loss function; high-performance
0" 引" 言
随着农业生产的不断发展，病虫害的防治问题越来越受到重视。在农业生产中，葡萄作为一种重要的果树，其病害识别技术的发展对于提高葡萄产量和质量具有重要意义。然而，传统的病害识别方法存在着识别准确率低、耗时长等问题。近年来，深度学习技术在图像识别领域取得了显著的成果，为农业生产提供了新的解决方案。胡施威等人[1]提出了一种优化的葡萄叶部病害识别模型CD-MobileViT，为未来可部署到移动端上使用，为葡萄叶部病害的准确识别提供新的解决方案。为进一步提高葡萄病害识别的精度及速度，张惠莉等人[2]对YOLO v8模型进行了改进并取得了显著效果。上述研究虽对葡萄叶片识别取得了可观的效果，但对于葡萄果实等识别研究比较缺乏。为实现葡萄早期病害的快速准确识别，张林鍹等人[3]针对葡萄病害的相似表型症状识别率低及小病斑检测困难的问题，以葡萄黑腐病和黑麻疹病为研究对象，提出了一种基于自适应鉴别器增强的样式生成对抗网络与改进的YOLO v7相结合的葡萄黑腐病和黑麻疹病的病斑检测方法，实验结果表明，该模型能够实现葡萄早期病害快速准确识别，对于保障葡萄产业发展具有重要意义，但该研究对葡萄病害研究的种类比较单一，难以适用不同环境下果园发生的病害。为了解决上述问题，本人在前人研究的基础上，结合葡萄病害的特点，基于YOLOv9c模型，实现了对自然环境中对葡萄病害的实时监测。基于YOLOv9c的葡萄病害识别技术在农业生产中的应用，是一种基于深度学习的方法。该方法通过卷积神经网络（CNN）等模型直接学习图像特征，具有更好的泛化能力。与传统的特征提取方法相比，该方法不需要手动设置特征，其特征提取过程简单，且具有较高的泛化能力。此外，该方法还可以实现实时病害识别，大大提高了农业生产效率。此外，YOLOv9c模型具有较高的检测速度和准确性，能够在保证较高识别准确率的同时，实现实时病害识别，这对于葡萄病害的防治、提高葡萄产量以及质量在农业生产中的实时监控和预警具有重要意义。
1" YOLOv9算法介绍
YOLOv9c是YOLO系列模型中的最新版本之一，由Wang等人共同提出的新一代目标检测系统[4]。YOLO系列算法以其速度快和准确性高而闻名，在实时目标检测领域有着广泛的应用。YOLOv9在当前版本的基础上进行了显著的改进，旨在解决深度学习中信息丢失的问题，并提高模型在各种任务上的性能，同时在网络结构、损失函数等方面进行了进一步的优化和改进，如图1所示。
YOLOv9c核心创新点主要是可编程梯度信息（PGI）、通用高效层聚合网络（GELAN）、信息瓶颈缓解、多级辅助信息以及损失函数创新这五部分。PGI通过辅助的可逆分支生成可靠的梯度信息解决了深层网络训练中的信息瓶颈问题，从而提高模型在复杂任务中的性能。YOLOv9采用了全新的网络架构，GELAN通过梯度路径规划，优化了网络结构，减少了计算资源的需求，在保持轻量级的同时，达到前所未有的准确度和速度。YOLOv9通过PGI和GELAN的结合，有效减少了数据在传输过程中的信息损失，使模型能够更加准确地学习到目标任务所需的特征，提高了特征提取能力。PGI整合了不同的预测头的梯度信息，帮助主分支学习到更加全面的语义信息，提高了模型对各种目标检测能力。YOLOv9融合了“Focus”思想的一系列新损失函数，这些损失函数针对特定的目标检测挑战进行优化，更加全面地考虑目标的位置和尺寸差异信息，提高目标的定位能力。
2" 检测方案设计
2.1" 初始数据集
本研究的数据集来源于科学数据银行，平台的数据集为自然环境下所拍摄的图片[5]，图片的大小为600×400像素，包括葡萄叶片、枝干以及果实，总共含有1 446张，包括我国常见的7种葡萄病害，分别是白粉病（215张图片）、黑霉病（208张图片）、花叶病毒病（病原体：198张图片）、灰霉病（204张图片）、溃疡病（220张图片）、霜霉病（197张图片）、酸腐病（204张图片），如表1所示。
2.2" 使用Powerful-IoU损失函数
Powerful-IoU v2损失函数不仅使现有的IoU函数损耗更快地收敛，而且增强了对中等质量锚框的聚焦能力，实现了在平均精度以及性能上的改进[6]，可以解决现有的损失函数受到不合理的惩罚因素的影响，锚框在回归过程中膨胀导致收敛速度减缓的现象。改进后的损失函数如下所示：
（1）
（2）
（3）
（4）
（5）
（6）
（7）
（8）
其中，式（1）中的I表示预测框与目标框的交点，U表示两者的结合点，式（2）中的P表示一种能适应目标大小的惩罚因子，dw1、dw2、dh1以及dh2表示预测方框的相应边缘与目标方框之间距离的绝对值，wgt和hgt表示目标方框的宽度和高度。式（6）中的u（λq）表示注意力函数，用锚点框质量的q表示上述的惩罚因子P，q的范围为（0，1）。当q = 1时，意味着P = 0，表示锚点框与目标框完全对齐，式（8）中的λ表示控制注意力函数行为的超参数[6]。
3" 实验分析
3.1" 实验设置
本次实验平台是在一台服务器上进行的，其内存为30 GB，GPU型号为RTX 3090，16 GB显存，在训练过程中使用Python语言在PyCharm编译器下进行训练操作[7]，其中参数epochs设置为200，batch-size大小设置为64，学习率设置为0.000 1，如表2所示。
3.2" 评估指标
在训练完成之后，需要对模型进行评估，本文所采用的评估方法是精确率（Precision）、召回率（Recall）、准确率（Accuracy）以及F1[8]。
精确率（P）是指在所有被模型预测为正例的样本中实际正例的比例，其计算式为[9]：
（9）
召回率（R）是指在所有实际为正例的样本中度量有多个正例被分为正例，它衡量了模型对正例的识别能力，其计算式为：
（10）
准确率（A）衡量越高，代表模型越好，其计算式为：
（11）
F1（F）是精确率和召回率的平均数，是分类问题的一个衡量指标，1代表最好，0代表最差[10]。
（12）
3.3" 实验结果分析
本文训练之后的模型测试各类葡萄病害结果P-R如图2所示，识别结果详见表3[11]。由表3可知，白粉病、霜霉病等的P-R平均结果均达到了92%以上，与目前葡萄病害检测识别结果相比，结果均优。
图3为该模型用于葡萄病害识别结果的一个典型示例，它可以成功地识别本次所研究的我国常见的7种病害，如白粉病、黑霉病等。
4" 结" 论
本文基于YOLOv9c葡萄病害目标检测算法，进行训练之后，葡萄病害识别平均检测度为92.7%，该目标检测算法实现了可以在葡萄果实叠加、背景干扰、不同密集程度以及叶面遮挡的复杂情况下，可以较好地满足实际葡萄病害的检测要求，具有较高的准确性和稳定性，为葡萄病害检测的发展提供了有力的帮助，为今后葡萄病害智能化检测提供了方法和途径，为提高葡萄产量和品质提供了新的可能。该算法具有较高的识别准确率、泛化能力和实用性，有望在农业生产中得到广泛应用。未来，将会通过引入先进的计算机视觉技术、模型优化和部署策略，进一步提高病害识别的准确性和实时性，为农业生产提供更加高效、准确的病害信息。同时，还会进一步研究和探索如何将这种技术应用到其他农作物病害的识别中，以实现对农作物病害的全面识别和管理。
参考文献：
[1] 胡施威，邱林，邓建新.基于改进MobileViT的葡萄叶部病害识别模型 [J/OL].山东农业科学，2024：1-12[2024-09-11].http：//kns.cnki.net/kcms/detail/37.1148.S.20240909.1721.002.html.
[2] 张惠莉，代晨龙，任景龙，等.基于GhostNetV2改进YOLO v8模型的葡萄病害识别方法研究 [J/OL].农业机械学报，2024：1-11[2024-09-11].http：//kns.cnki.net/kcms/detail/11.1964.S.20240827.0948.004.html.
[3] 张林鍹，巴音塔娜，曾庆松.基于StyleGAN2-ADA和改进YOLO v7的葡萄叶片早期病害检测方法 [J].农业机械学报，2024，55（1）：241-252.
[4] WANG C-Y，YEH I-H，LIAO H-Y M. YOLOv9： Learning What You Want to Learn Using Programmable Gradient Information [J/OL].arXiv：2402.13616 [cs.CV].[2024-08-13].https：//arxiv.org/abs/2402.13616.
[5] 袁媛，陈雷.IDADP-葡萄病害识别研究图像数据集 [J].中国科学数据：中英文网络版，2022，7（1）：86-90.
[6] LIU C，WANG K G，LI Q，et al. Powerful-IoU： More Straightforward and Faster Bounding Box Regression Loss with a Nonmonotonic Focusing Mechanism [J].Neural Networks，2024（170）：276-284.
[7] 沈薇，李红梅，陶苑，等.基于改进YOLOv4的饮料识别算法 [J].现代信息科技，2024，8（15）：36-41.
[8] 尹泉贺，原素慧，朱梦琳，等.基于改进YOLOv5s的无人机航拍小目标检测算法研究[J].现代信息科技，2024，8（14）：37-42+48.
[9] 申蜜蜜.基于深度卷积生成对抗网络的葡萄叶片病害识别研究 [D].泰安：山东农业大学，2023.
[10] 董霁红，王立兵，冯晓彤，等.黄河流域煤炭-煤电-煤化工场地特征精准智能识别方法及应用 [J].煤炭学报，2024，49（2）：1011-1024.
[11] 李冬睿，邱尚明，杨颖.复杂光照环境下基于改进生成对抗网络的甘蔗病害样本增强应用分析 [J].数字技术与应用，2023，41（10）：64-66.
作者简介：萧峥嵘（2002—），男，汉族，江西萍乡人，本科在读，研究方向：图像处理；梁烨锋（1995—），男，汉族，广西崇左人，助理实验师，本科，研究方向：图像识别、自动化；李菲（1995—），女，汉族，河南商丘人，讲师，硕士，研究方向：数字媒体技术；王义宗（1990—），男，汉族，甘肃庆阳人，讲师，硕士，研究方向：图像处理；田纪亚（1979—），男，汉族，山东郓城人，教授，硕士，研究方向：人工智能和图像处理。
收稿日期：2024-09-13
基金项目：国家级大学生创新创业训练计划项目（202413558003）；2021年度校级项目（ZY202105）；2023年度校级重点项目（ZZ202303）
