基于YOLOv5n-EMA-GAM轻量化模型与新型损失函数的柑橘黄龙病精准检测研究

《Smart Agricultural Technology》：A lightweight deep learning model for detection of Huanglongbing disease

本研究针对柑橘黄龙病(HLB)传统检测方法效率低、现有深度学习模型在不同采集条件下性能波动大的问题，提出了一种集成高效多尺度注意力(EMA)和全局注意力机制(GAM)模块的YOLOv5n改进模型，并设计了新型损失函数rnew。实验表明，该模型在多种采集条件下平均错误率降低1.58%-2.05%，参数仅2.37M，为HLB精准防控提供了高效可靠的轻量化解决方案。

　　

柑橘是世界范围内重要的经济作物，然而一种被称为"柑橘癌症"的黄龙病(Huanglongbing, HLB)正持续蔓延，每年造成巨大的经济损失。这种由革兰氏阴性菌引起的病害，主要通过柑橘木虱(Diaphorina citri)传播，其症状多样且易与营养缺乏症混淆，给传统检测方法带来极大挑战。

目前，聚合酶链式反应(PCR)虽准确性高但技术复杂、成本昂贵；光谱技术受限于症状延迟显现和不同品种环境间的通用性差。随着人工智能技术的发展，深度学习为植物病害诊断开辟了新途径，尤其是基于卷积神经网络(CNN)的方法在作物病虫害自动识别分类中展现出强大潜力。

然而，现有深度学习模型在处理不同设备采集的图像时性能差异显著，且HLB症状表达的多样性（如均匀黄化、斑驳黄化、营养缺乏样黄化等）增加了检测难度。图像质量还受到环境光照、复杂背景、枝叶遮挡等因素影响，导致模型泛化能力不足。此外，数据集中存在的低质量样本（模糊、遮挡或标注不完整）也会影响训练效果。

为了解决这些问题，西华大学的研究团队在《Smart Agricultural Technology》上发表了一项创新研究，开发了一种名为YOLOv5n-EMA-GAM的轻量化深度学习模型，专门用于HLB的高效精准检测。

研究人员采用来自福建12个柑橘园的9896张图像数据集，涵盖14个类别（健康、HLB感染及类似非HLB症状）。通过集成EMA模块增强多尺度特征表征能力，引入GAM模块强化跨维度依赖关系，并提出了基于Wise-IoU框架的新型损失函数r_new，专门处理低质量样本问题。

关键技术方法

研究基于YOLOv5n架构，在主干网络中加入EMA模块以保留通道信息并提取多尺度特征，在颈部网络中加入GAM模块进行通道和空间注意力计算。针对低质量样本问题，设计了新的注意力函数r_new= aβ/(1+b(β-c)⁴+dβ)，参数优化为a=0.65, b=1.9, c=2.5, d=0.1。训练采用SGD优化器，批次大小为16，共300个epoch。

2.1. 数据集

研究使用的数据集包含2018-2021年采集的图像，按采集条件分为A（小米/华为手机）、B（苹果手机/Sony相机）、C（白背景二次拍摄）三类。通过t-SNE可视化显示各类别特征空间分布分散，证明了检测任务的挑战性。

2.2. 模型改进

在YOLOv5n基础上，研究人员进行了三方面改进：首先重新划分训练集，加入50%的testB和testC图像以提升模型泛化能力；其次集成EMA和GAM模块增强特征提取能力；最后提出新型损失函数，通过更尖锐的峰值曲线集中梯度更新。

3.1. 测试指标

使用精确度(P)、召回率(R)、平均精度均值(mAP)等指标评估性能。结果表明，YOLOv5n-EMA-GAM+r_new在三个测试集上的Top-1错误率分别为8.30%、7.14%和4.54%，显著优于基线模型。

3.2. 模型训练

训练过程显示，新损失函数加速了模型收敛，框损失和分类损失下降更快。消融实验证实EMA和GAM模块的加入与新型损失函数具有协同效应。

4.1. 损失函数

与Focal-EIoU、Wise-IoU v1/v2/v3相比，新损失函数将testB和testC上的性能差异缩小至1.3%以内，平均错误率降低2.05%。统计检验表明改进在testB上具有显著性（p≤0.05）。

4.2. 图像噪声

在添加ISO噪声和椒盐噪声（最多1%像素）的测试集上，新模型仍保持最低错误率（7.64%、9.42%、6.49%），表现出更强的抗干扰能力。Grad-CAM热力图显示模型能更集中关注症状区域。

5. 结论

该研究提出的YOLOv5n-EMA-GAM模型在保持轻量化（2.37M参数）的同时，显著提升了HLB检测的准确性和鲁棒性。新型损失函数r_new有效加速收敛并降低错误率，特别是在处理低质量样本方面表现突出。模型兼容性强，便于部署到边缘设备，为实现田间自动化HLB检测提供了实用解决方案。

这项研究不仅为HLB防控提供了技术支撑，其提出的轻量化设计思路和针对低质量样本的损失函数优化策略，也对其他农业病害检测任务具有重要参考价值。随着治疗药物的研发进展，这种高效检测方法将有助于构建更完善的HLB综合管理体系。