1. 项目背景与核心价值烟草作为重要的经济作物其病虫害防治一直是农业生产中的关键环节。传统的人工检测方式存在效率低、主观性强、覆盖范围有限等问题。我们团队基于CNN卷积神经网络开发的这套烟草病虫害目标检测系统实现了对7种常见烟草病害和虫害的早期识别平均识别准确率达到92.3%比传统人工检测效率提升15倍。这个项目的创新点主要体现在三个方面采用改进的YOLOv5s架构引入GAM注意力机制提升小目标检测能力结合ShuffleNetv2轻量化网络使模型体积压缩至原生YOLOv5的40%开发了适配田间场景的数据增强方案有效解决叶片遮挡、光照变化等实际问题2. 技术架构解析2.1 模型整体设计我们采用轻量化主干增强检测头的混合架构主干网络基于ShuffleNetv2改进的CBRM模块Conv-BN-ReLU-MaxPool颈部网络FPNPAN结构融合多尺度特征检测头引入GAM全局注意力机制class CBRM(nn.Module): def __init__(self, c1, c2): super().__init__() self.conv nn.Conv2d(c1, c2, 3, padding1) self.bn nn.BatchNorm2d(c2) self.act nn.ReLU() self.pool nn.MaxPool2d(2) def forward(self, x): return self.pool(self.act(self.bn(self.conv(x))))2.2 关键改进点2.2.1 GAM注意力机制在FPN和PAN之间插入GAM模块通过通道和空间双重注意力增强病害特征通道注意力分支全局平均池化 → 全连接层 → Sigmoid激活空间注意力分支1x1卷积 → 批归一化 → 空间卷积2.2.2 轻量化设计将原YOLOv5的C3模块替换为ShuffleBlock具体改进通道分割比例设为1:3深度卷积核大小调整为3x3添加残差连接3. 数据集构建3.1 数据采集我们收集了5个主要烟草产区的田间图像包含病害类型花叶病、赤星病、黑胫病等虫害类型烟青虫、烟蚜、斜纹夜蛾等生长阶段苗期、旺长期、成熟期3.2 数据增强策略针对农业图像特点设计的增强方案增强类型参数设置作用Mosaic4图拼接提升小目标检测光照调整±30%亮度模拟不同时段光照叶片遮挡最大30%面积增强鲁棒性旋转±15度范围适应不同拍摄角度特别注意避免使用色相变换会改变病斑颜色特征4. 模型训练细节4.1 超参数配置lr0: 0.01 # 初始学习率 lrf: 0.2 # 最终学习率 momentum: 0.937 weight_decay: 0.0005 warmup_epochs: 3 batch_size: 324.2 训练策略采用三阶段训练法冻结主干网络仅训练检测头50轮微调全网络学习率降为1/10100轮强化难样本对错检样本加倍采样50轮4.3 评估指标对比模型mAP0.5参数量(M)推理速度(ms)原始YOLOv5s0.8917.212.3我们的模型0.9234.89.75. 部署应用方案5.1 硬件配置建议边缘设备Jetson Xavier NX摄像头200万像素全局快门相机部署方式田间固定监测站手持巡检设备无人机巡检测绘5.2 软件部署流程模型转换PyTorch → TensorRTtrtexec --onnxmodel.onnx --saveEnginemodel.engine --fp16开发推理服务import tensorrt as trt class Detector: def __init__(self, engine_path): self.logger trt.Logger() with open(engine_path, rb) as f: self.engine trt.Runtime(self.logger).deserialize_cuda_engine(f.read())6. 常见问题解决6.1 误检问题排查当出现以下情况时将水滴误检为病斑将叶脉误判为虫害解决方案增加反光样本训练数据调整NMS阈值至0.4-0.5添加后处理规则过滤长宽比异常的检测框6.2 模型优化方向知识蒸馏用大模型指导小模型训练量化感知训练提升INT8量化精度多模态融合结合近红外光谱数据7. 实际应用案例在云南某烟草种植基地的测试结果显示早期病害识别准确率提升35%农药使用量减少22%平均每亩增收800-1200元这套系统目前已经部署在7个省级烟草种植示范区累计监测面积超过3万亩。我们正在开发移动端应用方便农户通过手机拍照即可获得诊断结果。