基于改进YOLOv5网络的疏果前苹果检测方法

ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１４．０２８

姜国权，杨正元，霍占强，等．基于改进ＹＯＬＯｖ５网络的疏果前苹果检测方法［Ｊ］．江苏农业科学，２０２３，５１（１４）：２０５－２１５．

基于改进ＹＯＬＯｖ５网络的疏果前苹果检测方法

姜国权

１

，杨正元

１

，霍占强

１

，罗军伟

１

，赵翠君

２

（１．河南理工大学软件学院，河南焦作４５４０００；２．河南理工大学资源环境学院，河南焦作４５４０００）

　　摘要：为了实现自然环境下疏果前苹果的快速识别和精确定位，满足果园智能化种植需求，提出了一种基于改进

的ＹＯＬＯｖ５深度学习的检测模型。首先，为了解决苹果的尺度大小不一带来的问题，改进目标检测层，在ＹＯＬＯｖ５的

第１７层之后对特征图进行上采样，在第２０层将网络提取到的特征图与Ｂａｃｋｂｏｎｅ网络中的第２层特征图进行融合操

作，以生成不同尺寸的检测层。其次，为了克服复杂环境的影响，改进特征融合网络，使用ＢｉＦＰＮ（ＢｉｄｉｒｅｃｔｉｏｎａｌＦｅａｔｕｒｅ

ＰｙｒａｍｉｄＮｅｔｗｏｒｋ））进行特征融合，来更有效地提取目标信息。最后，将采集到的苹果图像进行不同网络模型检测效果

对比试验。试验表明，改进的模型经过８２７４幅图像训练，在２７５９幅测试集上的检测准确率为９４．２％，召回率为

９５２％，Ｆ４．７％；相比ＹＯＬＯｖ３、ＹＯＬＯｖ４、原ＹＯＬＯｖ５网络，准确率分别提高了４．４％、７．０％、２．３％，Ｆ

１

值为９

１

值分别提

高６．１％、６．５％、２．６％；相比ＹＯＬＯｖ３、ＹＯＬＯｖ４网络，图像的检测速度分别提高了１３．５、２１．４ｍｓ／幅。结果表明，在保

证检测实时性的情况下，该方法可以有效识别复杂环境下的苹果。

　　关键词：改进ＹＯＬＯｖ５；疏果前；目标检测；苹果检测；特征融合

　　中图分类号：ＴＰ３９１．４１　　文献标志码：Ａ　　文章编号：１００２－１３０２（２０２３）１４－０２０５－１０

　　苹果是世界四大水果之一，中国是世界上最大

的苹果生产国和消费国。我国的苹果树种植主要

集中在北方，苹果主要产区分布在甘肃、陕西、河

南、山东等地，其中甘肃省天水市的花牛苹果肉质

１］

细且松脆，得到了中外专家和营销商的认可

［

。随

然可以将图像中的果实识别出来，但是受外部环境

条件影响较大，例如当光照条件不同、有物体遮挡

或者水果重叠的情况发生的时候，果实的检测效果

会受到影响。

目前深度学习技术在水果检测中得到了广泛

１２－１５］

应用，国内外学者对此进行了大量研究

［

。与传

着科技的发展，苹果种植也朝着规模化、机械化、精

２－４］

准化的方向发展

［

。苹果的检测问题在国内外已

统方法相比，基于深度学习的方法可以自动提取图

像的特征，利用提取到的特征来获得检测目标的类

别和位置信息，具有检测速度更快、精度更高、鲁棒

性更强的特点。深度学习目标检测算法主要分为

双阶段和单阶段２种类型。双阶段算法的核心思想

是，首先在图像中产生候选区域，然后对候选区域

进行检测，回归确定出目标的类别和位置信息，以

［１６］［１７］［１８］

ＲＣＮＮ、Ｍａｓｋ－ＲＣＮＮ、Ｆａｓｔ－ＲＣＮＮ、

［１９］

Ｆａｓｔｅｒ－ＲＣＮＮ等为代表。王辉等提出一种基于

有较多的研究，但研究对象大都是成熟期的苹果，

对于疏果前苹果的识别研究尚不多见。实现疏果

前苹果检测，对自动化疏果、喷洒农药、施肥以及果

实生长情况的监测等智能化管理具有重要意义。

目前，国内外对水果检测进行了广泛研究，所

５－６］

使用的传统方法主要有色差法

［

、模糊Ｃ均值方

７］

法

［

、Ｋ最近邻（Ｋ－ＮｅａｒｅｓｔＮｅｉｇｈｂｏｒ，ＫＮＮ）方

８］

、支持向量机（ＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ，法

［

［９－１０］１１］

ＳＶＭ）、Ｋ－ｍｅａｎｓ聚类方法

［

等。以上方法虽

Ｍａｓｋ－ＲＣＮＮ的单株柑橘树冠识别与分割的方法，

在复杂的果园图像中具有良好的识别与分割效

２０］

果

［

。宁政通等提出一种基于Ｍａｓｋ－ＲＣＮＮ的葡

收稿日期：２０２２－１０－１２

基金项目：国家自然科学基金（编号：６１９７２１３４）；河南省计算机视觉

与图像处理创新团队项目（编号：Ｔ２０１４－３）。

１９６９—），男，河北唐山人，博士，副教授，硕士生导作者简介：姜国权（

师，主要从事图像处理及模式识别研究。Ｅ－ｍａｉｌ：ｊｇｕｏｑｕａｎ＠

１６３．ｃｏｍ。

通信作者：霍占强，博士，教授，硕士生导师，主要从事机器视觉及模

ｍａｉｌ：ｈｚｑ＠ｈｐｕ．ｅｄｕ．ｃｎ。式识别研究。Ｅ－

萄果梗识别与最优采摘定位的方法，提高了葡萄采

２１］

。Ｙｕ等提出一种基于摘机器人的采摘效率

［

Ｍａｓｋ－ＲＣＮＮ的草莓采摘机器人，与传统方法相比，

２２］

该方法具有更好的普遍性和鲁棒性

［

。闫建伟等

ａｓｔｅｒ－ＲＣＮＮ刺梨果实识别提出了一种基于改进Ｆ

方法，试验表明ＶＧＧ１６网络模型对自然条件下刺梨

Copyright©博看网. All Rights Reserved.

２３］

果实的识别具有较高的准确率和实时性

［

。Ｇａｏ相较于成熟期的苹果，疏果前的苹果检测存在

目标较小、颜色与背景相似的挑战。本研究以果园

中自然环境的苹果为研究对象，构建一个疏果前苹

ＯＬＯｖ５网络的果实果数据集，提出一种基于改进Ｙ

检测方法。首先，为了解决目标尺寸大小不一的问

题，改进目标检测层，将尺度不同的特征图输入不

同的检测层进行多尺度检测，进而提高目标的检测

效果；其次，为了解决复杂背景的影响，采用

ＥｆｆｉｃｉｅｎｔＤｅｔ中提出的ＢｉＦＰＮ特征融合网络替换原

网络中的ＰＡＮｅｔ特征融合网络，显著提高了目标特

３４］

征信息的提取效果

［

。

等提出一种基于Ｆａｓｔｅｒ－ＲＣＮＮ的多分类苹果目标

检测方法，可以有效检测出所有不同种类的果实目

２４］

。单阶段算法不需要进行中间层的候选区域标

［

提取，而是直接把特征提取、目标分类、位置信息回

归放在一个流程，相较于双阶段算法，单阶段算法

在保证检测准确率的情况下，检测速度也有了一定

的提升。较为经典的单阶段目标检测算法主要有

（ＳｉｎｇｌｅＳｈｏｔＭｕｌｔｉＢｏｘＤｅｔｅｃｔｏｒ，ＳＳＤ）和（ＹｏｕＯｎｌｙ

ＬｏｏｋＯｎｃｅ，ＹＯＬＯ）系列等。彭红星等提出一种通用

改进ＳＳＤ模型用于实现多种类水果的精准检测，为

２５］

。张恩宇等提农业自动化采摘提供了新的方案

［

出一种基于ＳＳＤ算法的青苹果识别方法，该方法将

２６］

ＳＳＤ深度学习算法和图像处理算法相结合

［

。王

１　试验数据

１．１　图像采集

本研究中的图像采集于甘肃省天水市甘谷县

０２１年５月１２日大石镇花牛果园，采集时间是２

（晴）、５月１３日（晴）、５月１６日（阴）的０８：３０—

１２：００及１４：００—１８：００。此时苹果的横径在３０ｍｍ

以下，使用ｉｐｈｏｎｅＸ手机多角度近距离（２ｍ以内）

进行拍摄，共采集花牛苹果原图像１６６８幅，样本如

图１所示。

１．２　数据增强处理

少量的训练图像可能会导致深度学习算法的

过度拟合或者不收敛，而使用数据增强来增加训练

图像的数量可以用来克服这一缺陷。因此，从拍摄

的１６６８幅苹果图像中筛选出８６２幅，使用

ＭＡＴＬＡＢ软件、Ｐｈｏｔｏｓｈｏｐ图像处理工具实现数据集

增强，增强方法有多角度旋转、水平镜像、垂直镜

像、亮度变化、模糊处理，数据增强效果如图２所示。

通过上述方法增强以后，训练数据集增加了１５

倍，从８６２幅图像变为了１３７９２幅图像。然后，借

助ＬａｂｅｌＩｍｇ软件对图像进行标签制作，使用

ＰＯＳＣＡＬＶＯＣ２００７数据集格式制作，生成“ｘｍｌ”文

件。最终，数据被分为训练集（６０％）、验证集

（２０％）、测试集（２０％），如表１所示。

昱潭等提出一种基于改进ＳＳＤ的灵武长枣目标检

测方法，可以很好地完成灵武长枣的目标检测任

２７］

务

［

。薛月菊等提出一种未成熟芒果的ＹＯＬＯｖ２

识别方法，设计了一个基于密集连接的Ｔｉｎｙ－ｙｏｌｏ

模型，该网络结构能够实现多层特征的复用和融

合，利用样本的前景区域来训练ＹＯＬＯｖ２结构，以此

２８］

来减小外界环境对检测效果的干扰

［

。唐熔钗等

提出一种基于改进ＹＯＬＯｖ３网络的百香果实时检测

方法，具有良好的检测效果，为百香果实时检测提

２９］

供了有效方法

［

。张兆国等提出一种基于改进

ＹＯＬＯｖ４模型的马铃薯检测方法，该模型具有很强

的鲁棒性，可以在各种复杂环境下完成对马铃薯的

３０］

检测

［

。Ｆａｎ等提出一种基于ＹＯＬＯｖ４深度学习算

法的实时苹果缺陷检测方法，该方法和初始的

ＹＯＬＯｖ４模型相比，具有更好的时效性和更高的准

３１］

确率

［

。王卓等提出一种改进ＹＯＬＯｖ４的轻量级

苹果实时检测方法，该方法简化了网络的复杂程

３２］

度，提高了模型的响应速度

［

。高芳芳等设计了一

种基于轻量级目标检测网络ＹＯＬＯｖ４－ｔｉｎｙ和卡尔

曼滤波跟踪算法的苹果检测与视频计数模型，该模

型可以帮助果农掌握苹果的数量，有助于科学化

３３］

种植

［

。

Copyright©博看网. All Rights Reserved.

表１训练集、验证集和测试集

数据集

６０％）训练集（

验证集（２０％）

测试集（２０％）

总数

８２７４

２７５９

２７５９

原图

５２６

１６８

１６８

旋转镜像

模糊

处理

幅　

亮度

变化

于网络的深度和宽度不同。为了保证网络轻量化，

本研究选用ＹＯＬＯｖ５ｓ结构，该网络结构主要由４个

部分组成：Ｉｎｐｕｔ端、Ｂａｃｋｂｏｎｅ端、Ｎｅｃｋ端、Ｈｅａｄ端，

网络结构如图３所示。首先，该网络的输入图像大

小为６４０×６４０，该阶段通常包含１个图像预处理阶

段。其次，对图像进行特征提取。然后，对提取到

ｅｃｋ端的进一步特征提的特征进行融合，经过在Ｎ

取，可以得到３种不同尺度的特征图，进一步提升特

征的多样性和鲁棒性。最后，将生成的特征图送入

不同的检测层，对目标图像生成相应的预测框并对

其进行非极大值抑制（Ｎｏｎ－ＭａｘｉｍｕｍＳｕｐｐｒｅｓｓｉｏｎ，

ＮＭＳ）处理，抑制掉得分低的预测框，检测出目标。

２０５４１０３０２０８８２５７６

６９７

６９７

３４７

３４７

６８０

６８０

８６７

８６７

２　改进ＹＯＬＯｖ５网络模型

２．１　ＹＯＬＯｖ５网络模型

ＹＯＬＯｖ５有４种不同的网络结构：ＹＯＬＯｖ５ｓ、

ＹＯＬＯｖ５ｍ、ＹＯＬＯｖ５ｌ、ＹＯＬＯｖ５ｘ，它们的不同之处在

　　ＹＯＬＯｖ５的损失函数，由分类损失（Ｃｌａｓｓｉｆｉｃａｔｉｏｎ

Ｌｏｓｓ）、置信度损失（ＣｏｎｆｉｄｅｎｃｅＬｏｓｓ）、定位损失

（ＬｏｃａｌｉｚａｔｉｏｎＬｏｓｓ）３个部分组成。其中采用二元交

叉熵损失函数（ＢＣＥＬｏｓｓ）来计算检测物体的置信

度损失和分类损失，定位损失函数采用完全交并比

损失函数（ＣｏｍｐｌｅｔｅＩｎｔｅｒｓｅｃｔｉｏｎｏｖｅｒＵｎｉｏｎＬｏｓｓ，

ＣＩＯＵＬｏｓｓ），如公式（１）所示。

其中“ＣＩＯＵ”表示网络中预测框和真实框之间

Copyright©博看网. All Rights Reserved.

的交并比，表示真实框和预测框２个框中心点之

ρ

ｇｔ

间的欧氏距离，ｂ、ｂ表示预测框、真实框的中心点，

ｔｔ

ｈ、ｗ分别表示预测框的高度、宽度，ｈ、ｗ分别表示

可以用来检测尺寸为８×８、１６×１６、２０的特征图，

３２×３２以上的目标。３个检测层的模型对于较大的

目标检测效果较好，但对于较小尺寸的苹果目标，

检测率有所降低。因此，本研究对原来检测层做如

１）在ＹＯＬＯｖ５的第１７层之后，继续对特征下改进：（

图进行上采样，这样可以使得特征图扩大，有助于

提取不同尺度果实的特征信息；（２）在第２０层，将

网络提取到的大小为１６０×１６０的特征图与

Ｂａｃｋｂｏｎｅ网络中的第２层特征图进行Ｃｏｎｃａｔ融合

操作，获得尺寸为６４×６４的特征图。这样，模型最

终会生成４个不同尺度的特征图，送入不同检测层

能够进行多尺度检测，提高了检测效果。

２．２．２　改进特征融合网络　ＦＰＮ（ＦｅａｔｕｒｅＰｙｒａｍｉｄ

Ｎｅｔｗｏｒｋｓ）主要分为以ＳＳＤ为代表使用的无融合网

络（图４－ａ）；以ＦａｓｔｅｒＲＣＮＮ、ＭａｓｋＲＣＮＮ、ＹＯＬＯｖ３

为代表使用的自上而下的单向融合网络（图４－ｂ）；

以ＹＯＬＯｖ５为代表使用的简单双向融合网络（图

４－ｃ）。ＰＡＮｅｔ的提出证明了双向融合的有效性，但

ＰＡＮｅｔ的双向融合将其他层的信息直接进行融合，

会融入一些非目标的特征信息，因此出现了更复杂

的双向融合网络。各种融合网络结构如图４所示。

真实框的高度、宽度。公式“ＩＯＵ”计算如公式（２）

所示。公式（１）中的ｖ如公式（３）计算，用来表示预

测框和真实框之间的高宽比差异，如果高宽比一

致，ｖ＝０；ｖ越大，差距越大。公式（１）中的系数

α

表

示权重，系数

α

的计算如公式（４）所示。

２ｇｔ

ｂ，ｂ）

ρ

（

Ｌ１－ＩＯＵ＋＋ｖ；

α

ＣＩＯＵ

＝

２

ｃ

（１）

（２）

Ａ

∩

Ｂ

ＩＯＵ＝；

Ａ

∪

Ｂ

ｇｔ

ｗｗ

４

ｒｃｔａｎ

ｇ

－ａｒｃｔａｎ

ｖ＝

２

ａ

；

ｈ

ｈ

ｔ

π

()

（３）

（４）

ｖ

。

α

＝

（１－ＩＯＵ）＋ｖ

２．２　改进ＹＯＬＯｖ５网络模型

２．２．１　改进目标检测层　原始的ＹＯＬＯｖ５网络中，

ｈｅａｄ端有３个检测层，对应３组初始化的ａｎｃｈｏｒ

值，输入分辨率为６４０×６４０像素的图像，经过特征

提取最终提取到尺度分别为８０×８０、４０×４０、２０×

　　本研究使用的ＢｉＦＰＮ特征融合网络属于复杂

双向融合网络（图４－ｄ），用它来代替ＹＯＬＯｖ５中的

ＰＡＮｅｔ特征融合网络。特征融合网络用来聚合不同

分辨率的特征，ＰＡＮｅｔ网络在特征融合阶段时所有

输入节点的权重都是均等的，在进行融合时只是简

单的相加。实际情况是特征的分辨率不同，对融合

后的输出特征贡献值是不一样的，这就需要对不同

特征节点的输入赋予不同的权重。ＢｉＦＰＮ一方面使

用快速归一化融合，针对融合的各个尺度特征增加

一个权重，调节每个尺度的贡献度；另一方面，由于

单边输入的结点没有进行特征融合，对于最后的融

合贡献少，因此，移除了单边输入的结点。ＢｉＦＰＮ结

构如５所示。

　　ＢｉＦＰＮ特征融合网络集成了双向跨尺度连接和

快速归一化融合，以ＢｉＦＰＮ的第６层的特征融合为

ｔｄ

例，其中公式（５）中的Ｐ级

６

是自顶向下路径上第６

的中间特征；ｗ、ｗＲｅｓｉｚｅ操作

１２

是得到的权重参数；

是下采样操作；是一个小值，以避免数值不稳定；



Copyright©博看网. All Rights Reserved.

ｔｄ

ｗ′、ｗ′、ｗ′是对权重值ｗ、ｗ、ｗＰ

１２３１２３

求导；

６

是自顶

向下路径上第６级的中间特征；Ｒｅｓｉｚｅ操作是下采

样操作。所有其他特征都以类似的方式构建。使

ｉＦＰＮ特征融合网络可以有效抑制与疏果前绿用Ｂ

色苹果颜色相近的背景信息，可以提取更多有用信

息进行融合，从而提高检测效果。

ｉｎｉｎ

ｗＰｗＲｅｓｉｚｅ（Ｐ

１

×

６

＋

２

×

７

）

Ｐ＝Ｃｏｎｖ

ｗｗ



１

＋

２

＋

ｔｄ

６

[]

（５）

ｉｎｔｄｏｕｔ

ｗ′×Ｐｗ′×Ｐｗ′×Ｒｅｓｉｚｅ（Ｐ

１６

＋

２６

＋

３５

）

Ｐ＝Ｃｏｎｖ。

ｗ′＋ｗ′＋ｗ′＋



１２３

ｏｕｔ

６

[]

（６）

改进目标检测层的基础上，用ＢｉＦＰＮ特征融合

ｉｎ

Ｐ

７

是自顶向下路径上第７级的输入特征。公式

ｏｕｔ

（６）中Ｐ级的输出特征；

６

是自底向上路径上第６

网络代替ＹＯＬＯｖ５中的原始ＰＡＮｅｔ特征融合网络，

改进后的ＹＯＬＯｖ５结构如图６所示。

３　模型训练

３．１　试验时间和地点

试验于２０２１年９月至２０２２年７月在河南理工

大学软件学院图像视觉研究所完成。

３．２　试验平台

本试验条件为：Ｕｂｕｎｔｕ１８．０４、６４位操作系统，

采用Ｐｙｔｏｒｃｈ框架。计算机配置：台式计算机，

ＴＭ

ＧｅＦｏｒｃｅＧＴＸ２０８０ｔｉ显卡，１２Ｇ显存；Ｉｎｔｅｌｏｒｅ



Ｃ

ｉ９－９９００Ｋ处理器，主频３．６０ＧＨｚ，内存６４ＧＢ，编

程语言是Ｐｙｔｈｏｎ语言。

３．３　试验设计

试验中，造成苹果检测结果比预期低的原因主

要是检测距离变化导致目标尺度大小不一样；目标

颜色与背景颜色相近，容易造成误检或漏检。针对

上述问题，本研究通过以下几组试验来提升模型的

Copyright©博看网. All Rights Reserved.

检测效果：（１）将ＹＯＬＯｖ５模型从３个检测层变为４

个，多尺度检测不同尺度的苹果；（２）将ＹＯＬＯｖ５中

ＡＮｅｔ特征网络替换为ＢｉＦＰＮ特征网络分别进的Ｐ

行识别对比。

３．４　试验参数设置

在试验中，特征提取网络初始权重使用预训练

ｏｌｏ５ｓ．ｐｔ，可以减少模型训练的计算成本和时好的ｙ

模型间。试验按照表２所示初始化模型训练参数，

的训练次数Ｅｐｏｃｈｓ设为３００；训练批次大小设为８；

输入图片的大小按照初时的６４０×６４０；学习率为

０．０１；置信度阈值Ｃｏｎｆ＿ｔｈｒｅｓ设为０．２５，ＩＯＵ阈值设

．４５。为０

表２　训练参数设置

参数

Ｅｐｏｃｈｓ

Ｂａｔｃｈ＿ｓｉｚｅ

Ｉｍｇ＿ｓｉｚｅ

Ｌｅａｒｎ＿ｒａｔｅ

Ｃｏｎｆ＿ｔｈｒｅｓ

Ｉｏｕ＿ｔｈｒｅｓ

值

３００

８

６４０×６４０

０．０１

０．２５

０．４５

３．５　试验指标

本研究使用精度（ｐｒｅｃｉｓｉｏｎ，Ｐ）、召回率（ｒｅｃａｌｌ，

Ｒ）、平均精度（ａｖｅｒａｇｅｐｒｅｃｉｓｉｏｎ，ＡＰ）及每幅图像的

检测时间等评价指标。

ＴＰ

Ｐ＝；

ＦＰＴＰ＋

ＴＰ

Ｒ＝；

ＴＰ＋ＦＮ

Ｐ×Ｒ

Ｆ２×；

１

＝

Ｐ＋Ｒ

ＡＰ＝Ｐ（Ｒ）ｄＲｓ。

０

能，验证改进后ＹＯＬＯｖ５网络模型的优越性，采用相

同的数据集和配置对改进前后的ＹＯＬＯｖ５算法和主

流的一阶段目标检测算法ＹＯＬＯｖ３、ＹＯＬＯｖ４进行对

比试验，各模型检测效果如图９所示，试验结果对比

（７）

（８）

（９）

（１０）

本研究方法在自制数据集如表３所示。可以看出，

上的检测精度（ｐｒｅｃｉｓｉｏｎ，Ｐ）为９４．２％，相比

ＹＯＬＯｖ３、ＹＯＬＯｖ４、原ＹＯＬＯｖ５算法，精确度分别提

高了４．４％、７．０％、２．３％。从检测精度来看，该方

法的精度均优于其他方法。同时，从检测速度上来

看，本研究算法比ＹＯＬＯｖ３、ＹＯＬＯｖ４算法分别快了

１３．５、２１．４ｍｓ／幅；与原ＹＯＬＯｖ５算法相比，虽然检

．７ｍｓ／幅，检测精度却提升了２．３百分测速率慢了５

点。这表明，本研究提出的方法在检测速率未有很

大降低时，精确度有一定的提升。综合考虑，改进

后的方法在速度和精度上可以达到很好的平衡。

４．２　不同距离下检测结果与分析

实际检测过程中，采集距离的不同会造成待检

测目标比例大小不一样。为了分析目标比例大小

不一对识别检测精度的影响，选取部分数据进行测

试。果园中的果实按照果树与拍摄相机的距离可

分为近距离、中距离、远距离目标。其中近距离目

标以０．２ｍ距离拍摄，中距离目标以０．５～０．８ｍ距

离拍摄，远距离目标以１．０～１．２ｍ距离拍摄。

∫

１

Ｐ表示准确率；Ｒ表示召回率；ＴＰ表示识别到式中：

的苹果的个数；ＦＰ表示误将背景识别为目标果实的

个数；ＦＮ表示未识别到的目标个数。

模型的训练损失值与迭代次数曲线如图７所

示，当训练到达３００个ｅｐｏｃｈ时Ｌｏｓｓ值趋于平缓。

Ｒ曲线如图８所示，其中横坐标是召回率训练的Ｐ

（ｒｅｃａｌｌ，Ｒ），纵坐标是精度（ｐｒｅｃｉｓｉｏｎ，Ｐ），曲线越靠

近坐标（１，１）代表该模型的性能越好。

４　结果与分析

４．１　不同模型训练结果分析

为了分析改进后模型与不同检测模型的检测性

Copyright©博看网. All Rights Reserved.

表３　各模型在测试集上的结果

模型

ＹＯＬＯｖ３

ＹＯＬＯｖ４

ＹＯＬＯｖ５

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ

ＹＯＬＯｖ５＿ＢｉＦＰＮ

准确率召回率平均

Ｆ

速度

１

值

（％）（％）精度（％）

（

ｍｓ／幅）

％）

（

８９．８

８７．２

９１．９

９３．１

９２．３

８７．４

８９．３

９２．３

９４．０

９２．６

９５．２

９２．３

９３．４

９５．２

９６．４

９５．４

９７．５

８８．６

８８．２

９２．１

９３．５

９２．０

９４．７

５２．２

６０．１

３３．０

３５．４

３４．１

３８．７

种模型对不同光照条件下的目标进行检测，检测效

果如图１０所示（注：黄色框代表未检测到的目标）。

各模型的Ｐ、Ｒ、Ｆ所示。

１

指标如表５

表４　不同距离下测试目标数量

距离

近距离

中距离

远距离

待测目标数量（幅）

２７１

５３０

１０１６

（ｏｕｒｓ）９４．２ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ

　　为了更详细地对比不同拍摄距离下改进后的

ＹＯＬＯｖ５模型与其他模型的检测效果，准备近距离、

中距离、远距离目标各２０幅非训练集的图片，６０幅

图片的待测目标数量如表４所示，使用ＹＯＬＯｖ３、

ＹＯＬＯｖ４、原ＹＯＬＯｖ５、ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ这４

　　试验数据显示，距离的不同会对果实识别产生

影响，近距离情况下采集图像目标的识别准确率为

９８．５％，而远距离情况下采集图像目标的识别准确

率为９０．３％。分析原因可能是拍摄距离、角度等因

素造成待检测目标比例变小，而模型在进行特征提

Copyright©博看网. All Rights Reserved.

表５　不同距离下的检测结果

距离

近距离ＹＯＬＯｖ３

ＹＯＬＯｖ４

原ＹＯＬＯｖ５

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ

ＹＯＬＯｖ５＿ＢｉＦＰＮ

（ｏｕｒｓ）ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ

中距离ＹＯＬＯｖ３

ＹＯＬＯｖ４

原ＹＯＬＯｖ５

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ

ＹＯＬＯｖ５＿ＢｉＦＰＮ

（ｏｕｒｓ）ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ

远距离ＹＯＬＯｖ３

ＹＯＬＯｖ４

原ＹＯＬＯｖ５

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ

ＹＯＬＯｖ５＿ＢｉＦＰＮ

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ（ｏｕｒｓ）

模型

Ｆ

准确率召回率

１

（％）（％）

（％）

９３．２

９５．８

９５．９

９８．４

９７．９

９８．５

９２．１

９１．４

９１．７

９２．７

９２．３

９４．７

８２．７

８４．６

８９．７

９０．２

９０．０

９０．３

８５．１

８６．４

９０．４

９４．５

９２．６

９８．２

８４．２

８６．４

８８．３

９３．６

９３．２

９５．８

８３．１

８６．４

８６．１

９０．４

８９．５

９１．３

８８．９

９０．４

９３．２

９６．４

９５．３

９８．３

８８．０

８８．８

９０．０

９３．１

９２．８

９５．３

８２．９

８８．７

８７．９

９０．３

８９．８

９０．８

取后生成的特征图尺寸较小，影响目标检测效果。

由于改进了目标检测层，对原模型１７层之后的

特征图进行上采样，同时在第２０层时，将网络提取

ａｃｋｂｏｎｅ网络中的第２层特征图进到的特征图与Ｂ

入ＢｉＦＰＮ融合网络，获得更大的特征图，这样就可

以改善尺度大小不一造成识别精度降低的问题。

改进后的模型在中、近距离对于目标的检测效果均

比原模型和其他模型要好。在远距离目标检测上，

ＯＬＯｖ５的检测效果相较于原ＹＯＬＯｖ５也改进后的Ｙ

有改善，但是检测速度有所下降，这是由于改进目

特征提取耗费更标检测层以后，多生成１个特征图，

多时间。在实际应用中，农业机器人的移动速度一

般较慢，所以检测速度的少许下降对于目标检测几

乎没有影响。

４．３　不同光照条件检测结果与分析

实际应用场景中会遇到不同的光照环境，为了

分析不同光照条件对目标识别的影响，以３种不同

光照情况下采集的数据为研究对象进行分析。选

Copyright©博看网. All Rights Reserved.

取的图像分为正常光、过曝光、逆光３种情况。

为了更具体地对比不同光照条件下改进后的

ＹＯＬＯｖ５模型与其他模型的检测效果，准备正常光、

过曝光、逆光图片各２０幅，这６０幅图片的待测目标

数量如表６所示。为直观展示不同光照条件下的识

别效果，使用ＹＯＬＯｖ３、ＹＯＬＯｖ４、原ＹＯＬＯｖ５、

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ这４种模型对不光照条件

下的目标进行检测，检测效果如图１１所示，各模型

的Ｐ、Ｒ、Ｆ所示。

１

指标如表７

表６　不同光照下测试目标数量

光照条件

正常光

过曝光

逆光

待测目标数量（幅）

４９５

５１６

６３９

　　试验结果显示，光照不均匀的情况下要比正常

光照下的识别效果差一些，分析原因可能是在光照

不均图像中，由于目标区域的过曝或曝光不足，目

标与背景界限不明显或出现黑色区域，会造成部分

特征信息丢失，提取果实边缘特征信息的难度增

加，影响该区域部分果实的识别效果。

为了改善复杂环境对检测结果的影响，本研究

提出的模型在改进目标检测层以后，将原始的

ＰＡＮｅｔ特征网络改为ＢｉＦＰＮ特征网络。ＢｉＦＰＮ网络

在进行特征融合对特征节点的输入赋予不同的权

重，针对融合的各个尺度特征增加１个权重，更有效

地提取目标的特征信息。从图１１可以看出，改进后

的网络模型在正常光照和过曝光条件下的检测效

果是优于原ＹＯＬＯｖ５与其他模型的。在逆光条件

下，改进后的网络模型检测效果强于原ＹＯＬＯｖ５模

型，但偶尔也会出现漏检的情况。因此从试验数据

分析可知，改进后的ＹＯＬＯｖ５模型更适合疏果前的

苹果检测任务。

５　结论

为了解决疏果前苹果的目标尺度不一和复杂

检测环境导致的果实检测效果不好的问题，本研究

Copyright©博看网. All Rights Reserved.

［６］ＺｈｏｕＲ，ＤａｍｅｒｏｗＬ，ＳｕｎＹ，ｅｔａｌ．Ｕｓｉｎｇｃｏｌｏｕｒｆｅａｔｕｒｅｓｏｆｃｖ．

表７　不同光照条件下的检测结果

‘Ｇａｌａ’ａｐｐｌｅｆｒｕｉｔｓｉｎａｎｏｒｃｈａｒｄｉｎｉｍａｇｅｐｒｏｃｅｓｓｉｎｇｔｏｐｒｅｄｉｃｔｙｉｅｌｄ

［Ｊ］．ＰｒｅｃｉｓｉｏｎＡｇｒｉｃｕｌｔｕｒｅ，２０１２，１３（５）：５６８－５８０．

［７］ＺｈｕＡ，ＹａｎｇＬ．ＡｎｉｍｐｒｏｖｅｄＦＣＭａｌｇｏｒｉｔｈｍｆｏｒｒｉｐｅｆｒｕｉｔｉｍａｇｅ

／／２０１３ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］

：４３６－４４１．ＩｎｆｏｒｍａｔｉｏｎａｎｄＡｕｔｏｍａｔｉｏｎ．２０１３

［８］ＬｉｎｋｅｒＲ，ＣｏｈｅｎＯ，ＮａｏｒＡ．Ｄｅｔｅｒｍｉｎａｔｉｏｎｏｆｔｈｅｎｕｍｂｅｒｏｆｇｒｅｅｎ

ａｐｐｌｅｓｉｎＲＧＢｉｍａｇｅｓｒｅｃｏｒｄｅｄｉｎｏｒｃｈａｒｄｓ［Ｊ］．Ｃｏｍｐｕｔｅｒｓａｎｄ

ＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２０１２，８１：４５－５７．

［９］ＬüＱ，ＣａｉＪＲ，ＬｉｕＢ，ｅｔａｌ．Ｉｄｅｎｔｉｆｉｃａｔｉｏｎｏｆｆｒｕｉｔａｎｄｂｒａｎｃｈｉｎ

ｎａｔｕｒａｌｓｃｅｎｅｓｆｏｒｃｉｔｒｕｓｈａｒｖｅｓｔｉｎｇｒｏｂｏｔｕｓｉｎｇｍａｃｈｉｎｅｖｉｓｉｏｎａｎｄ

ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＡｇｒｉｃｕｌｔｕｒａｌａｎｄ

，２０１４，７（２）：１１５－１２１．ＢｉｏｌｏｇｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ

［１０］ＺｈａｏＣＹ，ＬｅｅＷＳ，ＨｅＤＪ．Ｉｍｍａｔｕｒｅｇｒｅｅｎｃｉｔｒｕｓｄｅｔｅｃｔｉｏｎｂａｓｅｄ

ｏｎｃｏｌｏｕｒｆｅａｔｕｒｅａｎｄｓｕｍｏｆａｂｓｏｌｕｔｅｔｒａｎｓｆｏｒｍｅｄｄｉｆｆｅｒｅｎｃｅ

（ＳＡＴＤ）ｕｓｉｎｇｃｏｌｏｕｒｉｍａｇｅｓｉｎｔｈｅｃｉｔｒｕｓｇｒｏｖｅ［Ｊ］．Ｃｏｍｐｕｔｅｒｓ

ａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２０１６，１２４：２４３－２５３．

［１１］ＷａｃｈｓＪＰ，ＳｔｅｒｎＨＩ，ＢｕｒｋｓＴ，ｅｔａｌ．Ｌｏｗａｎｄｈｉｇｈ－ｌｅｖｅｌｖｉｓｕａｌ

［Ｊ］．ｆｅａｔｕｒｅ－ｂａｓｅｄａｐｐｌｅｄｅｔｅｃｔｉｏｎｆｒｏｍｍｕｌｔｉ－ｍｏｄａｌｉｍａｇｅｓ

ＰｒｅｃｉｓｉｏｎＡｇｒｉｃｕｌｔｕｒｅ，２０１０，１１（６）：７１７－７３５．

［１２］彭红星，李　荆，徐慧明，等．基于多重特征增强与特征融合

ＳＳＤ的荔枝检测［Ｊ］．农业工程学报，２０２２，３８（４）：１６９－１７７．

［１３］李国进，黄晓洁，李修华．基于改进ＹＯＬＯｖ３的树上成熟芒果检

测方法［Ｊ］．沈阳农业大学学报，２０２１，５２（１）：７０－７８．

［１４］熊俊涛，郑镇辉，梁嘉恩，等．基于改进ＹＯＬＯｖ３网络的夜间环

Ｊ］．农业机械学报，２０２０，５１（４）：１９９－２０６．境柑橘识别方法［

［１５］ＦｕＬＳ，ＭａｊｅｅｄＹ，ＺｈａｎｇＸ，ｅｔａｌ．ＦａｓｔｅｒＲ－ＣＮＮ－ｂａｓｅｄａｐｐｌｅ

ｄｅｔｅｃｔｉｏｎｉｎｄｅｎｓｅ－ｆｏｌｉａｇｅｆｒｕｉｔｉｎｇ－ｗａｌｌｔｒｅｅｓｕｓｉｎｇＲＧＢａｎｄ

［Ｊ］．ＢｉｏｓｙｓｔｅｍｓＥｎｇｉｎｅｅｒｉｎｇ，ｄｅｐｔｈｆｅａｔｕｒｅｓｆｏｒｒｏｂｏｔｉｃｈａｒｖｅｓｔｉｎｇ

２０２０，１９７：２４５－２５６．

［１６］ＧｉｒｓｈｉｃｋＲ，ＤｏｎａｈｕｅＪ，ＤａｒｒｅｌｌＴ，ｅｔａｌ．Ｒｉｃｈｆｅａｔｕｒｅｈｉｅｒａｒｃｈｉｅｓｆｏｒ

／／ａｃｃｕｒａｔｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎａｎｄｓｅｍａｎｔｉｃｓｅｇｍｅｎｔａｔｉｏｎ［Ｃ］

ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎ

Ｒｅｃｏｇｎｉｔｉｏｎ．２０１４：５８０－５８７．

［１７］ＨｅＫＭ，ＧｋｉｏｘａｒｉＧ，ＤｏｌｌáｒＰ，ｅｔａｌ．ＭａｓｋＲ－ＣＮＮ［Ｃ］／／

ＰｒｏｃｅｅｄｉｎｇｓｏｆｔｈｅＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒ

Ｖｉｓｉｏｎ．２０１７：２９８０－２９８８．

［１８］ＧｉｒｓｈｉｃｋＲ．ＦａｓｔＲ－ＣＮＮ［Ｃ］／／２０１５ＩＥＥＥＩｎｔｅｒｎａｔｉｏｎａｌ

：１４４０－１４４８．ＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎ．２０１６

［１９］ＲｅｎＳＱ，ＨｅＫＭ，ＧｉｒｓｈｉｃｋＲ，ｅｔａｌ．ＦａｓｔｅｒＲ－ＣＮＮ：ｔｏｗａｒｄｓｒｅａｌ－

ｔｉｍｅｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎｗｉｔｈｒｅｇｉｏｎｐｒｏｐｏｓａｌｎｅｔｗｏｒｋｓ［Ｊ］．ＩＥＥＥ

ＴｒａｎｓａｃｔｉｏｎｓｏｎＰａｔｔｅｒｎＡｎａｌｙｓｉｓａｎｄＭａｃｈｉｎｅＩｎｔｅｌｌｉｇｅｎｃｅ，２０１７，３９

（６）：１１３７－１１４９．

［２０］王　辉，韩娜娜，吕程序，等．基于ＭａｓｋＲ－ＣＮＮ的单株柑橘树

冠识别与分割［Ｊ］．农业机械学报，２０２１，５２（５）：１６９－１７４．

［２１］宁政通，罗陆锋，廖嘉欣，等．基于深度学习的葡萄果梗识别与

最优采摘定位［Ｊ］．农业工程学报，２０２１，３７（９）：２２２－２２９．

［２２］ＹｕＹ，ＺｈａｎｇＫＬ，ＹａｎｇＬ，ｅｔａｌ．Ｆｒｕｉｔｄｅｔｅｃｔｉｏｎｆｏｒｓｔｒａｗｂｅｒｒｙ

ｈａｒｖｅｓｔｉｎｇｒｏｂｏｔｉｎｎｏｎ－ｓｔｒｕｃｔｕｒａｌｅｎｖｉｒｏｎｍｅｎｔｂａｓｅｄｏｎＭａｓｋ－

ＲＣＮＮ［Ｊ］．ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２０１９，

１６３：１０４８４６．

Ｆ

准确率召回率

１

（％）（％）

（％）

９０．２

９２．７

９５．７

９７．０

９６．６

９７．７

８３．２

８６．８

９０．２

９２．３

９１．０

９３．２

７９．８

８６．６

８９．６

９０．３

９１．２

９１．５

８８．３

８７．０

９０．９

９２．１

９１．１

９３．７

７９．４

８２．６

８０．４

８３．５

８０．６

８５．５

８０．２

７５．７

７５．６

７５．６

８１．５

８４．０

８９．２

８９．８

９３．３

９４．５

９３．８

９５．７

８１．２

８４．６

８５．０

８７．７

８５．５

８９．２

８０．０

８０．８

８２．０

８２．３

８６．１

８７．７

光照条件

ＯＬＯｖ３正常光Ｙ

ＹＯＬＯｖ４

原ＹＯＬＯｖ５

模型

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ

ＹＯＬＯｖ５＿ＢｉＦＰＮ

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ（ｏｕｒｓ）

过曝光ＹＯＬＯｖ３

ＹＯＬＯｖ４

原ＹＯＬＯｖ５

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ

ＹＯＬＯｖ５＿ＢｉＦＰＮ

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ（ｏｕｒｓ）

逆光ＹＯＬＯｖ３

ＹＯＬＯｖ４

原ＹＯＬＯｖ５

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ

ＹＯＬＯｖ５＿ＢｉＦＰＮ

ＹＯＬＯｖ５＿４Ａｎｃｈｏｒｓ＿ＢｉＦＰＮ（ｏｕｒｓ）

自制数据集，在ＹＯＬＯｖ５网络的基础上改进目标检

测层，使用ＢｉＦＰＮ特征网络替换ＰＡＮｅｔ特征网络，

生成多个特征图，利用多尺度检测进行大量试验。

结果表明，改进后的ＹＯＬＯｖ５算法比原来的

ＹＯＬＯｖ５在准确度、召回率、平均精度上分别提升了

２３、２．９、２．３百分点，与现有一阶段检测网络相比，

该方法可以更有效地检测自然场景下的苹果。

但是该方法依然存在一定的局限性，目前只是

针对花牛苹果数据进行了试验，品种单一，缺乏普

遍性。在未来的工作当中，将采集更多品种、更多

高分辨率的苹果数据进行训练，进一步优化网络模

型，提高苹果目标的检测效率与速度，同时进一步

解决树枝、树叶遮挡等复杂环境下的果实检测问题。

参考文献：

［１］常　倩，李　瑾．２０００年以来中国苹果产业发展趋势分析［Ｊ］．

北方园艺，２０２１（３）：１５５－１６０．

［２］任碧峰．中国苹果产业发展趋势分析与建议［Ｊ］．农村经济与科

２０１９，３０（１９）：８－９，１５．技，

［３］霍学喜，刘天军，刘军弟，等．２０２０年度中国苹果产业发展报告

Ｊ］．中国果菜，２０２２，４２（２）：１－６．（精简版）［

［４］慕海涛．中国苹果产业发展现状及趋势探究［Ｊ］．农村科学试

２０１９（９）：７５－７７．验，

［５］ＡｒｅｆｉＡ，ＭｏｔｌａｇｈＡＭ，ＭｏｌｌａｚａｄｅＫ，ｅｔａｌ．Ｒｅｃｏｇｎｉｔｉｏｎａｎｄ

［Ｊ］．Ａｕｓｔｒａｌｉａｎｌｏｃａｌｉｚａｔｉｏｎｏｆｒｉｐｅｎｔｏｍａｔｏｂａｓｅｄｏｎｍａｃｈｉｎｅｖｉｓｉｏｎ

ＪｏｕｒｎａｌｏｆＣｒｏｐＳｃｉｅｎｃｅ，２０１１，５（１０）：１１４４－１１４９．

Copyright©博看网. All Rights Reserved.

ｄｏｉ：１０．１５８８９／ｊ．ｉｓｓｎ．１００２－１３０２．２０２３．１４．０２９

丁浩男，潘荣庆，吕浩能，等．叶面施用有机硒、有机硅对水稻累积镉、砷的影响［Ｊ］．江苏农业科学，２０２３，５１（１４）：２１５－２２０．

叶面施用有机硒、有机硅对水稻累积镉、砷的影响

丁浩男，潘荣庆，吕浩能，班国富，何　烨，凌华荣，张　强，黄智刚

（广西大学农学院／广西农业环境与农产品安全重点实验室，广西南宁５３０００４）

　　摘要：为研究叶面施用有机硒、有机硅处理对不同种水稻品种富集重金属（砷、镉）的影响，选用１０个晚稻品种及

有机硒（Ａ）、有机硅（Ｂ）２种试剂进行田间试验，测定和分析各处理间水稻各部位砷、镉含量差异。结果表明：水稻各

个部位对重金属砷、镉的累积存在明显的差异。镉在水稻中的富集规律为茎＞叶＞稻米；砷在水稻中的富集规律为

叶＞茎＞稻米。喷施有机硒（Ａ）、有机硅（Ｂ）后，水稻稻米砷含量相较于ＣＫ处理分别下降了１７．０％、２９．９％；稻米镉

含量分别下降了４４．８％、４４．２％，均显著低于对照处理。同时，喷施有机硒（Ａ）后水稻叶镉含量相较于ＣＫ处理下降

了１７．３％，喷施有机硅（Ｂ）后水稻叶砷含量相较于ＣＫ处理下降了１７．９％，二者均显著低于ＣＫ处理。相较于ＣＫ处

理，试验所用试剂未对水稻茎砷、镉含量产生显著影响。喷施有机硒（Ａ）、有机硅（Ｂ）后，根际土壤ｐＨ值及砷、镉含量

相较于ＣＫ处理差异不显著。研究表明，施用有机硒（Ａ）、有机硅（Ｂ）均可以抑制砷、镉重金属在水稻稻米中的富集，

且有机硒（Ａ）可以抑制重金属镉在水稻叶的富集，有机硅（Ｂ）可以抑制重金属砷在水稻叶的富集。

　　关键词：有机硒；有机硅；田间试验；重金属；水稻；镉；砷

　　中图分类号：Ｓ５１１．０６　　文献标志码：Ａ　　文章编号：１００２－１３０２（２０２３）１４－０２１５－０６

　　水稻是我国主要的粮食作物，全国有６０％左右

的人口将稻米作为主食，水稻安全生产对我国粮食

１］

。我国土壤重金属砷、镉污染严安全至关重要

［

重，２０１４年，原环保部和国土资源部联合发布的调

查公告显示，我国砷、镉点位污染超标率分别为

２］

２７％、７．０％

［

。镉、砷是生物毒性很强，在土壤中

收稿日期：２０２２－０９－２８

基金项目：广西创新驱动发展专项（编号：桂科ＡＡ１７２０４０７８）。

作者简介：丁浩男（１９９８—），男，山西朔州人，硕士研究生，主要从事

ａｉｌ：２１１７３９２００８＠ｓｔ．ｇｘｕ．农业面源污染与生态治理研究。Ｅ－ｍ

。ｅｄｕ．ｃｎ

通信作者：黄智刚，博士，副教授，主要从事农业面源污染与生态治理

研究。Ｅ－ｍａｉｌ：１９９５００４８＠ｇｘｕ．ｅｄｕ．ｃｎ。

易于流动性的重金属元素，土壤重金属含量超过安

全值会造成土壤及耕地污染，对作物生长产生毒害

３－４］

作用

［

。土壤砷、镉污染修复和水稻作物的安全

种植问题亟待解决。

硅、硒是一种常见的金属元素，提高水稻植株

抵御逆境胁迫的能力，促进水稻新陈代谢顺利进

［３０］张兆国，张振东，李加念，等．采用改进ＹｏｌｏＶ４模型检测复杂环

境下马铃薯［Ｊ］．农业工程学报，２０２１，３７（２２）：１７０－１７８．

［３１］ＦａｎＳＸ，ＬｉａｎｇＸＴ，ＨｕａｎｇＷＱ，ｅｔａｌ．Ｒｅａｌ－ｔｉｍｅｄｅｆｅｃｔｓ

ｄｅｔｅｃｔｉｏｎｆｏｒａｐｐｌｅｓｏｒｔｉｎｇｕｓｉｎｇＮＩＲｃａｍｅｒａｓｗｉｔｈｐｒｕｎｉｎｇ－ｂａｓｅｄ

ＹＯＬＯＶ４ｎｅｔｗｏｒｋ［Ｊ］．ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，

２０２２，１９３：１０６７１５．

［３２］王　卓，王　健，王枭雄，等．基于改进ＹＯＬＯｖ４的轻量级苹果

Ｊ／ＯＬ］．农业机械学报．［２０２２－１０－０１］．实时检测方法［

ｈｔｔｐｓ：／／ｋｎｓ．ｃｎｋｉ．ｎｅｔ／ｋｃｍｓ／ｄｅｔａｉｌ／１１．１９６４．Ｓ．２０２２０５２０．１６３６．

００８．ｈｔｍｌ．

［３３］高芳芳，武振超，索　睿，等．基于深度学习与目标跟踪的苹果

检测与视频计数方法［Ｊ］．农业工程学报，２０２１，３７（２１）：２１７－

２２４．　

［３４］ＴａｎＭＸ，ＰａｎｇＲＭ，ＬｅＱＶ．ＥｆｆｉｃｉｅｎｔＤｅｔ：ｓｃａｌａｂｌｅａｎｄｅｆｆｉｃｉｅｎｔ

ｏｂｊｅｃｔｄｅｔｅｃｔｉｏｎ［Ｃ］／／２０２０ＩＥＥＥ／ＣＶＦＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒ

：１０７７８－１０７８７．　ＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．２０２０

櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄櫄

［２３］闫建伟，赵　源，张乐伟，等．改进Ｆａｓｔｅｒ－ＲＣＮＮ自然环境下识

别刺梨果实［Ｊ］．农业工程学报，２０１９，３５（１８）：１４３－１５０．

［２４］ＧａｏＦＦ，ＦｕＬＳ，ＺｈａｎｇＸ，ｅｔａｌ．Ｍｕｌｔｉ－ｃｌａｓｓｆｒｕｉｔ－ｏｎ－ｐｌａｎｔ

ｄｅｔｅｃｔｉｏｎｆｏｒａｐｐｌｅｉｎＳＮＡＰｓｙｓｔｅｍｕｓｉｎｇＦａｓｔｅｒＲ－ＣＮＮ［Ｊ］．

ＣｏｍｐｕｔｅｒｓａｎｄＥｌｅｃｔｒｏｎｉｃｓｉｎＡｇｒｉｃｕｌｔｕｒｅ，２０２０，１７６：１０５６３４．

［２５］彭红星，黄　博，邵园园，等．自然环境下多类水果采摘目标识

别的通用改进ＳＳＤ模型［Ｊ］．农业工程学报，２０１８，３４（１６）：

１５５－１６２．　

［２６］张恩宇，成云玲，胡广锐，等．基于ＳＳＤ算法的自然条件下青苹

Ｊ］．中国科技论文，２０２０，１５（３）：２７４－２８１．果识别［

［２７］王昱潭，薛君蕊．改进ＳＳＤ的灵武长枣图像轻量化目标检测方

法［Ｊ］．农业工程学报，２０２１，３７（１９）：１７３－１８２．

［２８］薛月菊，黄　宁，涂淑琴，等．未成熟芒果的改进ＹＯＬＯｖ２识别

方法［Ｊ］．农业工程学报，２０１８，３４（７）：１７３－１７９．

［２９］唐熔钗，伍锡如．基于改进ＹＯＬＯ－Ｖ３网络的百香果实时检测

Ｊ］．广西师范大学学报（自然科学版），２０２０，３８（６）：３２－３９．［

Copyright©博看网. All Rights Reserved.