Detection and identification of crop leaf diseases based on improved YOLOX-Nano
-
摘要:目的
实现精确迅速的农作物病害检测，减少人工诊断成本，降低病害带来的农作物产量和品质影响。
方法根据对农作物病害和病斑特征的分析，提出一种基于卷积注意力机制改进的YOLOX-Nano智能检测与识别模型，该模型采用CSPDarkNet作为主干网络，将卷积注意力模块CBAM引入到YOLOX-Nano网络结构的特征金字塔(Feature pyramid network，FPN)中，并在训练中引入Mixup数据增强方式，同时将分类的损失函数由二分类交叉熵损失函数(Binary cross entropy loss，BCE Loss)替换为焦点损失函数Focal Loss、回归损失函数由GIOU Loss替换为本文设计的CenterIOU Loss函数，采用迁移学习策略训练改进的YOLOX-Nano模型，以此提升农作物病害检测的精度。
结果改进后的YOLOX-Nano模型仅有0.98×106的参数量，在移动端测试单张图片检测时间约为0.187 s，平均识别精度达到99.56%。实践结果表明，其能快速有效地检测与识别苹果、玉米、葡萄、草莓、马铃薯和番茄等农作物的常见病害，且达到了精度与速度的平衡。
结论改进后的模型不仅对农作物叶片病害识别具有较高的精度和较快的检测速度，参数量和计算量较少，还易于部署在手机等移动端设备。该模型实现了在田间复杂环境对多种农作物病害精准定位与识别，对于指导早期农作物病害的防治具有十分重要的现实意义。
-
关键词:
- YOLOX-Nano网络 /
- 病害识别 /
- Focal Loss /
- 注意力机制 /
- 农作物病害
Abstract:ObjectiveTo identify crop diseases accurately and quickly, reduce the cost of artificial diagnosis, and reduce the impacts of crop diseases on crop yield and quality.
MethodBased on the analysis of the characteristics of crop diseases and spots, an improved YOLOX-Nano intelligent detection and recognition model based on convolution attention mechanism was proposed. The model employed CSPDarkNet as the backbone network, added convolutional attention module CBAM to the feature pyramid network (FPN) of the YOLOX-Nano network structure, and then introduced the mixup data enhancement method in the training. At the same time, the classification loss function was replaced by the binary cross entropy loss function (BCE Loss) with the focus loss function, the regression loss function of GIOU Loss was replaced by the CenterIOU Loss function designed in this paper, and a transfer learning strategy was also used to train the modified YOLOX-Nano model so as to improve the accuracy of crop disease detection.
ResultThe improved YOLOX-Nano model had parameters of 0.98×106, and the detection time of a single sheet was about 0.187 s at the mobile end, with a mean average precision of 99.56%. The practical results of introducing this method into mobile terminal deployment showed that it could quickly and effectively identify common diseases of crops such as apples, corns, grapes, strawberries, potatoes and tomatoes, and achieve the balance of accuracy and speed.
ConclusionThe improved model not only has higher accuracy and detection speed for crop leaf disease identification, but also has less parameters and calculation amount. The model was easy to be deployed on mobile devices such as mobile phones. In addition, the model achieves accurate positioning and identification of a variety of crop diseases in complex field environment, which is of great practical significance to guide the prevention and control of early crop diseases.
-
Keywords:
- YOLOX-Nano network /
- Disease identification /
- Focal Loss /
- Attention mechanism /
- Crop disease
-
森林生态系统是陆地生态系统的主体，占有80%的陆地碳储量和40%的地下碳储量，是重要的碳库[1-2]，在维护全球气候系统、调节全球碳平衡、减缓大气温室气体浓度上升等方面具有不可替代的作用。世界各国越来越重视对以森林生物量为基础的碳汇计量监测[3]，国家和区域尺度精准估计森林在乔木生命周期中产生的地上部分和地下部分的生物量、碳储量成为了重要需求[4-6]。近年来，全国范围内已经建立了一些基于林木胸径和树高不同树种的通用性立木生物量模型，然而，由于树木异速生长受到特定立地条件(如树种密度、土壤、光照和地形等)的影响，在具体区域或地块使用通用模型时可能会产生不同程度的误差或不确定性[7-10]。此外，在我国碳汇造林项目实施和计量监测的实际生产中，建立更适合具体区域的单木生物量生长模型，对指导碳汇造林、评价碳汇潜力和分析碳汇动态变化规律，并准确监测和估计碳汇是十分必要的。
森林生物量的估计方法有很多种，回归模型方法可以利用常用的测树因子(如胸径和树高)估算森林中单木和林分以及区域的地上生物量[11]。在树木的生命周期中，各组分(干材、树皮、树枝和树叶)生物量在全株总生物量中的分配会发生变化[7，12-15]。有研究表明，立木生物量的增长随着树木年龄而变化的关系会使以胸径和树高为自变量的模型产生的误差更小[16]。然而，由于树木年龄(特别是天然林)在森林调查中较难获得，很少有研究关注生物量随立木年龄的变化趋势。对于人工林，特别是我国大量的碳汇造林而言，由于其年龄能准确判断，所以可以利用生物量与年龄建立的关系比较准确和直接地获取森林生物量或碳储量及其变化趋势，为森林碳汇交易提供便捷和可靠的依据。因此，探索碳汇造林树种各组分生物量的异速分配，建立以立木年龄为变量的生物量生长模型，具有现实意义。为了研究森林立木各组分生物量随着年龄的变化分布，需要了解树干、树冠的生物量以及占总量的比例，在地上生物量估计的基础上，进一步对干材、树皮、树枝、树叶等各项分量进行估计是十分必要的[17]。在构建地上总生物量模型和各分项生物量模型时，地上生物量总量必须满足同各分项之和相等，因此，构建地上各分量单木生物量相容性模型也一直为林业工作者所重视[18]。
此外，立木地下生物量生长数据仍然缺乏。由于树根难以挖取，很少有研究关注地下生物量变化[6，19]。树根中的地下生物量占森林总生物量的很大一部分，是森林的另一个重要碳库，准确估计树木根系生物量也是乔木生物量估计的重要工作[5，16，20-21]。树根生物量通常采用根茎比方法进行估计，这种方法具有物种和生物学特性[20]。树木生物量各组分在生命周期中的异速生长变化也可能影响根系生物量和生物量根茎比方程。因此，建立立木地下生物量增长随年龄变化的关系，也是精准估计立木生物量及碳汇潜力的需求。
本研究的目的主要有以下2个方面：1)建立生物量随立木年龄变化(以立木年龄为自变量)的地上和地下生物量生长模型；2)建立地上生物量各组分(干材、树皮、树枝和树叶)随立木年龄变化的相容性生长模型。本研究以广东省域3个主要乡土阔叶树种为例，通过实测伐倒木地上、地下部分及地上各组分生物量和树干解析木年轮数据，建立立木生物量随年龄变化的关系，以期为估计森林生物量和碳储量年变化规律提供理论支撑和技术支持。
1. 材料与方法
1.1 研究区概况
广东省地处中国大陆最南部(20°13′~25°31′N，109°39′~117°19′E)。全省陆地面积17.98万km2，其中，林地10.87万km2。北依南岭，南濒南海，地势北高南低，形成北部山地、中部丘陵、南部平原台地为主的地貌格局，地带性土壤为红壤、赤红壤和砖红壤。广东省属于东亚季风区，从北向南分别为中亚热带、南亚热带和热带气候，降水充沛，年平均降水量1 300~2 500 mm，年平均气温22.3 ℃。樟树Cinnamomum camphora、木荷Schima superba、枫香Liquidambar formosana等，既是广东山地植被中重要的建群树种，也是主要碳汇造林工程项目树种。
1.2 数据采集
1.2.1 单木生物量建模数据
建模样本数据来自2013及2016年的广东省樟树、木荷、枫香3个树种的采样和解析木数据。每个树种采伐90株样木，3个树种共270株。每个树种取样按2、4、6、8、12、16、20、26、32和38 cm及以上10个径阶均匀分配，样木伐倒前实测胸径(DBH)、地径和冠幅，将样木伐倒后，测量其树干长度(树高H)和活冠长度，分干材、树皮、树枝、树叶称取鲜质量。每个树种按各径阶分配选择40株样木挖取树根，按根茎(主根)、粗根(直径≥10 mm)、细根(直径<10 mm)分别称取鲜质量。分别抽取样品在85 ℃条件下烘干至恒质量，根据样品干、鲜质量比推算样木地上各组分及地下干质量。
3个树种按照起源分为天然林和人工林2类，分别建立生物量生长模型，数据统计结果见表1。
续表 1 Continued table 1 树种
Species起源
Origin变量
Variable最小值
Min.最大值
Max.平均值
Mean标准差
SD样木株数
No. of trees樟树
Cinnamomum camphora人工林
Planted forest干皮生物量/kg Bark biomass 0.09 65.24 8.99 14.26 30 树枝生物量/kg Branch biomass 0.10 553.75 46.93 111.00 30 树叶生物量/kg Leaf biomass 0.06 22.84 4.30 6.16 30 地上生物量/kg Aboveground biomass 0.87 948.38 117.11 206.06 30 地下生物量/kg Underground biomass 0.38 330.29 48.19 96.82 11 木荷 天然林 DBH/cm 1.70 51.50 15.73 12.05 47 Schima Natural forest H/m 3.02 23.10 10.25 4.78 47 superba T 4.00 45.00 18.21 11.10 47 干材生物量/kg Stem wood biomass 0.28 570.65 85.49 132.23 47 干皮生物量/kg Bark biomass 0.07 89.02 14.87 22.24 47 树枝生物量/kg Branch biomass 0.10 267.12 40.25 63.80 47 树叶生物量/kg Leaf biomass 0.14 35.83 6.76 8.63 47 地上生物量/kg Aboveground biomass 0.61 897.40 147.36 211.59 47 地下生物量/kg Underground biomass 0.43 173.30 30.41 42.59 20 人工林 DBH/cm 2.10 38.90 12.87 9.10 43 Planted forest H/m 2.50 18.70 10.15 4.21 43 T 4.00 31.00 15.14 7.83 43 干材生物量/kg Stem wood biomass 0.30 360.66 51.43 75.61 43 干皮生物量/kg Bark biomass 0.06 65.92 10.19 15.54 43 树枝生物量/kg Branch biomass 0.25 371.04 31.95 68.52 43 树叶生物量/kg Leaf biomass 0.17 45.70 4.57 8.69 43 地上生物量/kg Aboveground biomass 0.89 834.05 98.13 164.15 43 地下生物量/kg Underground biomass 0.20 670.84 46.40 148.22 20 枫香 天然林
DBH/cm 1.80 43.50 14.64 10.28 57 Liquidambar Natural forest H/m 3.00 26.60 11.78 5.13 57 formosana T 1.00 61.00 17.02 11.37 57 干材生物量/kg Stem wood biomass 0.21 569.88 80.48 120.15 57 干皮生物量/kg Bark biomass 0.06 121.59 13.61 20.26 57 树枝生物量/kg Branch biomass 0.06 147.26 25.74 38.78 57 树叶生物量/kg Leaf biomass 0.01 46.38 4.13 8.87 57 地上生物量/kg Aboveground biomass 0.35 884.61 123.96 177.36 57 地下生物量/kg Underground biomass 0.20 161.38 37.77 45.68 25 人工林 DBH/cm 2.20 39.60 14.09 11.14 33 Planted forest H/m 3.20 21.00 11.54 5.66 33 T 2.00 81.00 16.73 14.62 33 干材生物量/kg Stem wood biomass 0.45 426.45 83.16 140.32 33 干皮生物量/kg Bark biomass 0.09 78.97 12.31 20.89 33 树枝生物量/kg Branch biomass 0.15 468.70 37.31 89.96 33 树叶生物量/kg Leaf biomass 0.02 46.04 5.39 10.77 33 地上生物量/kg Aboveground biomass 0.71 955.54 138.17 249.06 33 地下生物量/kg Underground biomass 0.31 574.90 47.05 146.39 15 表 1 3个树种生物量建模数据统计Table 1. Statistics of biomass modeling data for three tree species树种
Species起源
Origin变量
Variable最小值
Min.最大值
Max.平均值
Mean标准差
SD样木株数
No. of trees樟树
Cinnamomum camphora天然林
Natural forest胸径/cm Diameter at breast height (DBH) 1.90 41.00 14.62 10.12 60 树高/m Height (H) 1.86 16.60 9.58 3.70 60 年龄 Tree age (T) 3.00 58.00 18.41 12.13 60 干材生物量/kg Stem wood biomass 0.22 519.66 65.07 105.70 60 干皮生物量/kg Bark biomass 0.05 75.54 11.28 16.87 60 树枝生物量/kg Branch biomass 0.20 499.48 47.80 110.06 60 树叶生物量/kg Leaf biomass 0.03 89.77 6.47 14.70 60 地上生物量/kg Aboveground biomass 0.43 1 022.66 129.75 236.57 60 地下生物量/kg Underground biomass 0.14 304.55 45.63 80.08 29 人工林
Planted forestDBH/cm 2.00 40.00 14.32 11.11 30 H/m 1.70 17.60 8.42 4.03 30 T 2.00 51.00 14.77 10.90 30 干材生物量/kg Stem wood biomass 0.44 360.82 56.02 87.61 30 1.2.2 解析木年龄测定
解析木年龄(T)数据由年轮估测数据和经验估测数据2部分组成。每个树种中选择40株解析木，并按0.3(0号盘)、1.3(1号盘)和3.3 m以上(2号盘)以2 m为长度分段，以此类推直至尾端长度不足2 m但大于1 m时，以1 m加以分段，各取一圆盘，选取0号圆盘按照东西南北4个方向读取年轮，推测解析木年龄。其余样木根据调查种植年限及观测伐桩年轮(0.3 m)推测树木年龄。
1.3 研究方法
研究数据采用Office Excel进行处理，并用R软件进行计算，联立方程组计算采用Systemfit包估计模型参数。
1.3.1 以立木年龄为变量的生物量生长模型
选择应用广泛的Schumacher生长方程、Chapman-Richards生长方程、Logistic生长方程及Korf生长方程分别建立3个树种地上和地下部分生物量随立木年龄变化的模型，其公式如下：
Schumacher方程：
$$ B = {\alpha _{_1}} {{\rm{e}}^{ - {\alpha _{_2}}/T}} + \varepsilon , $$ (1) Chapman-Richards方程：
$$ B = {\beta _{_1}} {(1 - {{\rm{e}}^{ - {\beta _{_2}} \cdot T}})^{{\beta _{_3}}}} + \varepsilon, $$ (2) Logistic方程：
$$ B = {\lambda _1}/(1 + {{\rm{e}}^{{\lambda _2} - {\lambda _3} \cdot T}}) + \varepsilon, $$ (3) Korf方程：
$$B = {\theta _1} {{\rm{e}}^{ - {\theta _2}/{T^{{\theta _3}}}}} + \varepsilon, $$ (4) 式中：
$B$ 为单木地上或地下生物量，T为立木年龄，${\alpha _1}$ 、${\alpha _2}$ ，${\beta _1}$ 、${\beta _2}$ 、${\beta _3}$ ，${\lambda _1}$ 、${\lambda _2}$ 、${\lambda _3}$ ，${\theta _1}$ 、${\theta _2}$ 、${\theta _3}$ 为估计参数，$\varepsilon $ 为残差。1.3.2 以立木年龄为变量的地上生物量各组分非线性联立方程组
把地上总生物量分成干材、树皮、树枝、树叶4个组分，为确保各组分生物量之和等于总生物量，采用非线性联立方程组的总量控制法求解地上各组分生物量[22]。假设干材占地上总生物量的相对比例函数为1，树皮、树枝和树叶占地上总生物量的相对比例函数分别为
${g_1}(x)$ 、${g_2}(x)$ 和${g_3}(x)$ ，地上总生物量生长模型为${g_0}(x)$ ，则地上生物量各组分干材生物量(${B_1}$ )、树皮生物量(${B_2}$ )、树枝生物量(${B_3}$ )、树叶生物量(${B_4}$ )相容性生物量方程组为:$$\left\{ \begin{gathered} {B_1} = \frac{1}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \\ {B_2} = \frac{{{g_1}(x)}}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \\ {B_3} = \frac{{{g_2}(x)}}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \\ {B_4} = \frac{{{g_3}(x)}}{{1 + {g_1}(x) + {g_2}(x) + {g_3}(x)}} \times {g_0}(x), \end{gathered} \right.$$ (5) 式(5)中，以立木年龄为自变量，则各组分比例函数形式为
${g_i}(T) = {a_i} {T^{{b_i}}}, i = 0, 1, 2, 3$ ，其中，${g_i}(x)$ 代表第$i$ 个地上生物量组分的比例函数，${g_0}(x)$ 为从式(1)~(4)中选择的最优模型独立估计的结果，${g_i}(T)$ 中的${a_i}$ 、${b_i}$ 表示第$i$ 个组分比例函数的参数。1.3.3 权函数的确定
由于生物量数据普遍存在异方差性，必须选用适当的权函数进行加权回归估计或者将模型转换为对数形式消除异方差。本文采用加权方法消除模型的异方差性[22]。对于式(1)~(4)，采用原函数
$W = 1/f{(x)^2}$ 作为权函数，目的是消除异方差。由于式(5)形式较为复杂，假设观测值残差的方差与自变量相关，根据普通最小二乘回归结果的残差平方(${\varepsilon ^2}$ )拟合与立木年龄(T)的关系：$${\varepsilon ^2} = {\beta _1} {T^{{\beta _2}}},$$ (6) 则权函数为
$W = 1/{T^{{\beta _2}}}$ 。1.4 模型评价
为了检验地上、地下生物量生长模型以及地上各组分相容性生物量生长模型的拟合效果，采用估计值的平均偏差(ME)、标准误(SE)、平均预估误差(MPE)、总相对误差(TRE)和调整后决定系数(
${{R}}_{\rm adj}^2$ )5项指标对模型拟合效果进行评价。具体公式如下：$${\rm{ME}} = \sum\limits_{i = 1}^n {({{\hat y}_i} - {y_i})} /n,$$ (7) $${\rm{SE}} = \sqrt {\sum\limits_{i = 1}^n {{{({{\hat y}_i} - {y_i})}^2}/(n - p)} }, $$ (8) $${\rm{MPE}} = \frac{1}{n}{t_\alpha }({\rm{SE}}/\overline y ) \times 100,$$ (9) $${\rm{TRE}} = \sum\limits_{i = 1}^n {({y_i} - {{\hat y}_i})} /\sum\limits_{i = 1}^n {{{\hat y}_i}} \times 100,$$ (10) $${{R}}_{\rm{adj}}^2 = 1 - \frac{{n - 1}}{{n - p}}\left( {1 - \frac{{\displaystyle\sum\limits_{i = 1}^n {{{({{\hat y}_i} - {y_i})}^2}} }}{{\displaystyle\sum\limits_{i = 1}^n {{{({y_i} - \bar y)}^2}} }}} \right),$$ (11) 式中：
${y_i}$ 为样本某因子的实测值；${\hat y_i}$ 为${y_i}$ 的无偏估计值；$n$ 为样本数量；$p$ 为参数的个数；${t_\alpha }$ 为置信水平$\alpha $ 时的$t$ 值；$\bar y$ 为样本实测值的平均值。${{R}}_{\rm adj}^2$ 和SE反映了模型的拟合优度，ME是反映拟合效果的绝对误差指标，TRE是反映拟合效果的相对误差指标，MPE是反映平均估计值的精度指标，是评判所建模型是否达到预定精度要求的核心指标[22]。2. 结果与分析
2.1 以立木年龄为变量的生物量生长模型
表2列出了广东省3个主要乡土阔叶树种地上、地下生物量各模型的参数估计结果。Korf方程在本文所提供的样本中均不收敛，因此表格中只列出了Schumacher、Chapman-Richards和Logistic方程的参数估计结果。Shumacher方程的参数
${\alpha _1}$ 代表生物量增长所能达到的最大值，参数${\alpha _2}$ 与林分立地指数和立木密度相关。当立木年龄达到参数${\alpha _2}$ 的一半时方程具有拐点，也就是说，参数${\alpha _2}$ 值越大，立木生物量达到最大增长速率的年龄越大。Chapman-Richards模型的参数${\beta _1}$ 代表着生物量增长所能达到的最大值，${\beta _2}$ 与生长速度有关，${\beta _3}$ 决定曲线形状和拐点位置，方程拐点为$T = \ln {\beta _3}/{\beta _2}$ 。Logistic模型中参数${\lambda _1}$ 表示生物量增长上限，${\lambda _2}$ 为与样本初值有关的参数，${\lambda _3}$ 为内禀增长率，方程拐点为$T = {\lambda _2}/{\lambda _3}$ 。结合表2分析可知，樟树天然林的地上、地下生物量上限值均比樟树人工林的大，拐点年龄也更大；木荷的人工林地上、地下生物量上限值和拐点年龄均比木荷天然林的大。枫香天然林的地上生物量上限值和拐点年龄大于人工林，而地下生物量上限和拐点年龄均小于人工林。各方程表示的生物量上限和拐点年龄差异明显：Shumacher方程的生物量上限值大于Chapman-Richards方程的生物量上限值，最小的是Logistic方程。拐点年龄Shumacher方程最大，Chapman-Richards和Logistic方程较相近。从拐点年龄和立木生物量增长上限相比较可以看出，Logistic模型更接近于树种的实际生长特性。表 2 以立木年龄为变量的生物量生长模型参数1)Table 2. Parameters of biomass growth models with tree age as the independent variable树种
Species起源
Origin组分
ComponentShumacher 模型
Shumacher modelChapman-Richards 模型
Chapman-Richards modelLogistics 模型
Logistics model${\alpha _1}$ ${\alpha _2}$ ${\beta _1}$ ${\beta _2}$ ${\beta _3}$ ${\lambda _1}$ ${\lambda _2}$ ${\lambda _3}$ 樟树Cinnamomum camphora 天然林
Natural
forest地上
Aboveground5.007×103 9.224×101 1.296×104 8.985×10–3 2.770 1.205×103 5.258 0.124 地下
Underground1.349×104 1.686×102 − − − − − − 人工林
Planted
forest地上
Aboveground1.519×103 4.445×101 8.071×102 5.545×10–2 4.051 5.706×102 4.538 0.168 地下
Underground5.180×102 3.209×101 − − − 2.335×102 7.419 0.407 木荷
Schima
superba天然林
Natural
forest地上
Aboveground1.412×103 4.351×101 5.292×102 1.136×10–1 11.340 4.735×102 5.241 0.220 地下
Underground1.938×102 3.329×101 − − − 8.874×101 7.096 0.310 人工林
Planted
forest地上
Aboveground6.030×103 7.935×101 − − − 1.183×103 5.792 0.176 地下
Underground2.155×109 4.495×102 − − − − − − 枫香
Liquidambar formosana天然林
Natural
forest地上
Aboveground2.051×103 5.690×101 1.726×103 2.462×10–2 2.737 9.198×102 4.089 0.109 地下
Underground3.334×102 4.008×101 − − − 9.478×101 16.460 0.739 人工林
Planted
forest地上
Aboveground1.391×103 3.832×101 7.807×102 1.079×10–1 12.460 7.820×102 5.265 0.189 地下
Underground1.777×107 4.239×102 − − − − − − 1) “−” 表示模型不收敛
1) “−” indicates non-convergence of the model表3是3个树种不同起源的地上、地下生物量Schumacher、Chapman-Richards、Logistic方程参数估计评价结果。通过比较评价指标可以看出，在估计地上生物量时，3个树种在不同起源下的最优方程不同。樟树的天然林和人工林均是Logistic方程最优；木荷天然林中Chapman-Richards方程最优，人工林中Logistic方程最好；枫香天然林中Chapman-Richards方程最优，人工林中Logistic方程最好。再结合参数来看，Logistic方程可以作为3个树种在不同起源下的地上生物量最优方程。此外Chapman-Richards方程在模拟3个树种的地下生物量时无法收敛，Logistic方程在部分地下生物量模型模拟中也无法收敛，在建立地下生物量生长模型时，Shumacher方程的适用性更好。
表 3 以立木年龄为变量的生物量生长模型评价1)Table 3. Evaluation of biomass growth models with tree age as the independent variable树种
Species起源
Origin组分
Component模型
Model$R_{\rm adj}^2$ 平均偏差/kg
ME标准误/kg
SE平均预估
误差/%
MPE总相对
误差/%
TRE樟树
Cinnamomum camphora天然林
Natural
forest地上
AbovegroundSchumacher 0.607 17.31 149.49 3.84 –15.39 Chapman-Richards 0.621 3.62 146.97 3.78 –2.87 Logistic 0.634 4.82 144.41 3.71 –3.86 地下
UndergroundSchumacher 0.625 10.21 49.92 7.71 –28.81 Chapman-Richards − − − − − Logistic − − − − − 人工林
Planted
forest地上
AbovegroundSchumacher 0.551 3.87 142.91 8.31 –3.42 Chapman-Richards 0.553 1.20 142.50 8.28 –1.04 Logistic 0.558 –1.44 141.71 8.24 1.21 地下
UndergroundSchumacher 0.757 –2.59 52.69 21.88 5.09 Chapman-Richards − − − − − Logistic 0.814 1.58 46.15 19.16 –3.39 木荷
Schima
superba天然林
Natural
forest地上
AbovegroundSchumacher 0.582 –0.76 139.71 4.06 0.51 Chapman-Richards 0.588 3.63 138.81 4.03 –2.52 Logistic 0.584 –1.66 139.36 4.05 1.11 地下
UndergroundSchumacher 0.449 0.08 33.30 11.42 –0.28 Chapman-Richards − − − − − Logistic 0.536 2.75 30.57 10.48 –9.94 人工林
Planted
forest地上
AbovegroundSchumacher 0.603 6.78 104.63 5.00 –7.42 Chapman-Richards − − − − − Logistic 0.611 –1.18 103.58 4.95 1.19 地下
UndergroundSchumacher 0.978 10.03 22.69 5.10 –27.57 Chapman-Richards − − − − − Logistic − − − − − 枫香
Liquidambar formosana天然林
Natural
forest地上
AbovegroundSchumacher 0.809 6.10 78.81 2.23 –5.18 Chapman-Richards 0.815 –2.02 77.59 2.20 1.61 Logistic 0.794 –7.77 81.92 2.32 5.90 地下
UndergroundSchumacher 0.677 –0.30 27.06 5.91 0.80 Chapman-Richards − − − − − Logistic 0.725 3.44 24.95 5.44 –10.03 人工林
Planted
forest地上
AbovegroundSchumacher 0.635 –9.28 152.91 6.82 6.29 Chapman-Richards 0.695 4.64 139.83 6.24 –3.47 Logistic 0.706 –1.98 137.28 6.13 1.41 地下
UndergroundSchumacher 0.995 5.04 10.69 3.23 –12.01 Chapman-Richards − − − − − Logistic − − − − − 1) “−” 表示模型不收敛
1) “−” indicates non-convergence of the model2.2 以立木年龄为变量的相容性生长模型
3个树种生物量各组分占地上总生物量的比例与立木年龄的关系如图1所示。由图1可以看出，樟树天然林的干材、树枝生物量占地上总生物量的比例随着立木年龄增加而增大，而树皮和树叶的该生物量占比随着立木年龄的增大而减小，樟树人工林与天然林结果相似。木荷天然林和人工林的干材、树皮和树枝生物量所占地上总生物量的比例随着立木年龄的增加而增大，树叶的该生物量占比随着立木年龄的增加而减小。枫香的结果和樟树的相似。由此可见，各组分生物量在立木生长的周期中占地上总生物量的比例是随着立木年龄的增长而不断变化的，各组分所占比例随立木年龄的增长而升高或降低的趋势因树种而异，因此本研究的各组分相容性模型中将干材部分比例看成1。
![]()
图 1 3个树种地上各组分生物量占地上总生物量的比例与立木年龄(T)的关系Figure 1. Relationship between the proportion of each aboveground component in total aboveground biomass and the age (T) of three tree species选择Logistic方程作为最优方程，采用式(5)拟合的地上各组分生物量生长模型的参数估计结果见表4，各组分方程的评价结果见表5。从各组分评价指标可以看出，干材和树皮的生物量方程拟合效果相对于树枝和树叶更好一些。3个树种干材生物量方程的
${{R}}_{\rm adj}^2$ 在0.560~0.768，MPE在3.05%~6.73%；树皮生物量方程的${{R}}_{\rm adj}^2$ 在0.552~0.866，MPE在2.02%~6.27%；树枝生物量方程的${{R}}_{\rm adj}^2$ 在0.309~0.706，MPE在3.01%~14.33%；树叶生物量方程的${{R}}_{\rm adj}^2$ 在0.495~0.767，MPE在4.16%~7.14%不同起源林木（天然林和人工林）地上各组分（干材、树皮、树枝和树叶）生物量生长模型的权函数结果见表6。表 4 以立木年龄为自变量的地上各组分生物量相容性生长模型参数1)Table 4. Parameters of the compatibility growth models for biomass of different aboveground components with tree age as the independent variable ×10–2树种 Species 起源 Origin a1 b1 a2 b2 a3 b3 樟树
Cinnamomum camphora天然林 Natural forest 7.26 23.13 55.10 8.17 10.41 –0.68 人工林 Planted forest 6.98 23.89 63.91 7.46 7.44 –1.39 木荷
Schima superba天然林 Natural forest 7.37 24.69 33.30 8.01 7.73 –1.17 人工林 Planted forest 8.73 26.30 38.57 17.05 9.81 –1.72 枫香
Liquidambar formosana天然林 Natural forest 7.28 24.50 24.66 7.46 5.47 –0.88 人工林 Planted forest 3.92 3.54 3.72 75.33 1.01 –258.50 1) a1、b1、a2、b2、a3、b3：模型参数
1) a1，b1，a2，b2，a3，b3: Parameters of models表 5 以立木年龄为自变量的地上各组分生物量相容性生长模型评价Table 5. Evaluation of the compatibility growth models for biomass of different aboveground components with tree age as the independent variable树种
Species起源
Origin组分
Component$R_{\rm adj}^2$ 平均偏差/kg
ME标准误/kg
SE平均预估误差/%
MPE总相对误差/%
TRE樟树
Cinnamomum camphora天然林
Natural
forest干材 Stem wood 0.622 2.44 67.92 3.48 0.04 树皮 Bark 0.552 1.12 11.80 3.49 0.11 树枝 Branch 0.519 1.15 80.51 5.72 0.03 树叶 Leaf 0.510 0.11 10.75 5.54 0.02 人工林
Planted
forest干材 Stem wood 0.768 –2.17 47.22 5.74 –0.04 树皮 Bark 0.730 0.13 8.27 6.27 0.01 树枝 Branch 0.309 0.43 100.61 14.33 0.01 树叶 Leaf 0.571 0.16 4.51 7.14 0.04 木荷
Schima superba天然林
Natural
forest干材 Stem wood 0.560 –3.37 93.84 4.70 –0.04 树皮 Bark 0.619 –0.06 14.69 4.23 0.00 树枝 Branch 0.373 1.62 53.52 5.69 0.04 树叶 Leaf 0.495 0.15 6.57 4.16 0.02 人工林
Planted
forest干材 Stem wood 0.614 0.48 50.07 4.57 0.01 树皮 Bark 0.657 0.05 9.70 4.46 0.00 树枝 Branch 0.519 –1.54 50.61 7.43 –0.05 树叶 Leaf 0.577 –0.16 6.02 6.18 –0.03 枫香
Liquidambar formosana天然林
Natural
forest干材 Stem wood 0.696 –5.63 69.98 3.05 –0.07 树皮 Bark 0.866 –0.38 7.84 2.02 –0.03 树枝 Branch 0.706 –1.31 22.03 3.01 –0.05 树叶 Leaf 0.544 –0.45 6.33 5.38 –0.10 人工林
Planted
forest干材 Stem wood 0.647 0.04 90.75 6.73 0.00 树皮 Bark 0.768 0.20 10.96 5.49 0.02 树枝 Branch 0.567 –1.83 64.43 10.65 –0.05 树叶 Leaf 0.767 –0.38 5.66 6.48 –0.07 表 6 各组分生物量生长模型的权函数估计结果Table 6. Estimates of weight functions for biomass growth models of different components树种 Species 起源 Origin 各组分权函数 Weight function estimate of each component 干材 Stem wood 树皮 Bark 树枝 Branch 树叶 Leaf 樟树 Cinnamomum
camphora天然林 Natural forest g(T)=1/T 0.829 2 g(T)=1/T 3.235 6 g(T)=1/T 1.776 4 g(T)=1/T 1.787 9 人工林 Planted forest g(T)=1/T 1.414 5 g(T)=1/T 2.579 3 g(T)=1/T 2.184 0 g(T)=1/T 2.437 1 木荷 Schima
superba天然林 Natural forest g(T)=1/T 1.941 8 g(T)=1/T 1.828 5 g(T)=1/T 0.977 5 g(T)=1/T 0.946 4 人工林 Planted forest g(T)=1/T 4.029 9 g(T)=1/T 4.262 4 g(T)=1/T 5.148 7 g(T)=1/T 2.708 0 枫香 Liquidambar
formosana天然林 Natural forest g(T)=1/T 1.030 5 g(T)=1/T 1.444 1 g(T)=1/T 1.219 0 g(T)=1/T 2.007 0 人工林 Planted forest g(T)=1/T 0.608 1 g(T)=1/T 0.637 6 g(T)=1/T 1.057 4 g(T)=1/T 0.847 3 3. 讨论与结论
本研究分天然和人工起源建立了广东省域3个主要乡土阔叶树种随年龄变化(以年龄为自变量)的地上、地下生物量生长模型，通过联立方程组建立了地上各组分生物量相容性生长模型。比较了4种模型，包括Shumacher方程、Chapman-Richards方程、Logistic方程及Korf方程的参数及评价指标，得到地上生物量最优模型为Logistic方程，地下生物量最优模型为Shumacher方程。选择Logistic方程对3个树种地上各组分生物量联立方程组建立相容性生长模型，干材和树皮的生物量方程拟合效果相对于树枝和树叶更好。
在天然林或人工林不同起源条件下，相同树种在同一生物量生长模型形式下生物量增长的上限值和最大增速年龄均有差异。通常情况下，人为抚育经营过的人工林的最大增速年龄比天然林小。本文中的木荷样本的地上生物量生长模型估计结果则刚好相反。除了可能的样本取样不够典型以外，由于模型中包含有与林分立地水平和立木密度等条件有关的参数，出现这种现象也是有可能的。因此，也不能确定相同树种、同一模型在不同起源条件下参数估计产生差异的原因是来自起源。曾伟生等[23]曾用非线性混合模型和哑变量模型方法对杉木Cunninghamia lanceolata和马尾松Pinus massoniana，建立了包含林分起源的立木地上生物量和地下生物量模型，认为不同起源的立木地上生物量模型没有明显差异，而地下生物量模型则存在显著差异。在今后的研究中，可以参考利用胸径或树高等表示立木尺寸的因子在相近的立地条件下分起源建立生物量地上、地下及地上各组分其他模型形式的相容性生长模型，以确定起源对3个树种的生长模型影响。
具有相同的立木年龄时，由于立地条件的差异，立木生物量的差异很大。生物量解析木数据的离散程度也会因此变大，相较于以常用的胸径和树高等反映林木大小尺度的因子建立的模型，以立木年龄为自变量的模型的拟合效果和预估效果相对差一些。对于天然林而言，年龄的测定较为复杂费力，胸径和树高仍是建立生物量模型优先选择的自变量。但对于人工林或碳汇造林项目的碳储量估计，由于年龄已知，建立以年龄为自变量的生物量生长模型，则可以省去测量立木尺寸的人力和物力而直接得到估计结果，为估算和监测森林碳汇潜力和碳汇动态的变化提供了便捷的方法。在胸径和树高已知时，首先建立一元和二元立木生物量模型，这是碳汇计量的基础。之后可以利用年龄信息，建立胸径和树高的平均生长模型，供宏观估计平均碳汇潜力提供参考依据[24]。
本研究还讨论了广东省3个主要树种地上、地下生物量及地上生物量各组分所占比例随着立木年龄的变化。本研究的3个树种均为阔叶树，与曾伟生等[22]对马尾松的研究相比，干材的比例随着立木年龄增大变化幅度更小，而马尾松的树枝比例随着胸径的增长表现得更稳定。由于天然林立木年龄测量复杂，很少有研究关注立木年龄对地上各组分在树木生命周期中占全株分配变化的影响。Zavitkovski[25]比较了与文献中不同立木年龄样本建立的方程后，认为年龄会显著影响地上、地下及地上各组分生物量与树木尺寸的关系。Peichl等[16]讨论了4个不同年龄的北美乔松Pinus strobus地上和地下生物量各组分占比的变化情况，认为年龄影响着立木各组分生物量在生长过程中的分配，在不考虑树木年龄的情况下，仅仅考虑以胸径和树高等变量建立的异速模型，在估计不同年龄的样木生物量时误差较大。Sprizza[13]认为在以胸径和胸径–树高为自变量的地上各组分异速生长方程中加入年龄因子可以改善模型的估计效果，减小误差。从广东省3个主要乡土阔叶树种建立的以立木年龄为自变量的生物量生长模型来看，地上生物量各组分在立木生长的周期中占地上总生物量的比例是随着年龄的增长而不断变化的，各组分占比变化的趋势具有树种特异性。在今后的研究中，仍需要根据树种的不同生长特性进一步分析。
-
![]()
图 1 PlantVillage部分数据集
1~4 依次为苹果黑星病、黑腐病、松锈病和健康叶；5~8依次为玉米灰斑病、锈病、健康叶和大斑病；9~12依次为葡萄黑腐病、轮斑病、褐斑病和健康叶；13~15依次为马铃薯早疫病、晚疫病和健康叶；16~17 依次为草莓叶焦病和健康叶；18~27 依次为番茄疮痂病、早疫病、晚疫病、叶霉病、斑枯病、红蜘蛛损伤、斑点病、黄叶曲叶病、花叶病毒病和健康叶；28为无叶片背景图
Figure 1. Partial dataset of PlantVillage
1−4 are apple scab, apple black rot, cedar apple rust and apple healthy leaves in turn; 5−8 are corn Cercospora zeaemaydis Tehon and Daniels, corn Puccinia polysora, corn healthy leaves and corn Curvularia leaf spot fungus; 9−12 are grape black rot, grape black measles, grape leaf blight fungus and grape healthy leaves in turn; 13−15 are potato early blight, potato late blight and potato healthy leaves in turn; 16−17 are strawberry leaf scorch and healthy leaves in turn; 18−27 are tomato bacterial spot bacteria, tomato early blight, tomato late blight water mold, tomato leaf mold, tomato septorial leaf spot, tomato spider mite damage, tomato target spot bacteria, tomato YLCV virus, tomato ToMV disease and tomato healthy leaves in turn; 28 is bladeless background image
![]()
图 2 YOLOX-Nano网络结构和改进后的YOLOX-Nano网络结构
Figure 2. Network structure of YOLOX-Nano and improved YOLOX-Nano
![]()
图 4 Mixup数据增强策略示意图(以玉米灰斑病为例)
Figure 4. Schematic diagram of mixup data enhancement strategy(Take corn Cercospora zeaemaydis as an example )
![]()
图 5 α和β相同时的Beta分布概率密度曲线
Figure 5. Probability density curve of beta distribution while α and β were equal
![]()
图 9 Grad-CAM可视化添加CBAM前后玉米叶片特征提取的热力图
图片的颜色由黑到蓝再到黄直到红，依次表示网络对某区域特征关注逐渐增多
Figure 9. Grad-CAM visual characteristic extraction thermal diagram of corn leaf before and after adding CBAM
The color of the image changes from black to blue, then yellow to red, indicating that the network gradually pays more attention to the characteristics of a certain area
![]()
图 10 训练阶段(a)和测试阶段(b)分类损失变化曲线图
Figure 10. Classification loss curve during training(a) and test(b) phases
![]()
图 11 模型改进前后网络精度随迭代次数变化曲线图
Figure 11. Curve of network accuracy changing with number of iterations before and after model improvement
表 1 与主流轻量型网络性能对比
Table 1 Performance of the model versus mainstream lightweight network
模型
Model参数量(×106)
No. of parameters平均精确率/%
Mean average precision单张图片检测时间/s
Detection time of single imageYOLOX-Nano 0.92 97.97 0.176 ResNet-18 11.24 98.60 0.429 MobileNet-v2 3.40 97.33 0.189 YOLOv4-Tiny 6.06 97.42 0.382 YOLOX-Tiny 5.06 98.58 0.286 改进YOLOX-Nano
Improved YOLOX-Nano0.98 99.56 0.187 
下载: 导出CSV
-
[1] 刘翱宇, 吴云志, 朱小宁, 等. 基于深度残差网络的玉米病害识别[J]. 江苏农业学报, 2021, 37(1): 67-74. doi: 10.3969/j.issn.1000-4440.2021.01.009 [2] SRDJAN S, MARKO A, ANDRAS A, et al. Deep neural networks based recognition of plant diseases by leaf image classification[J]. Computational Intelligence and Neuroscience, 2016(6): 3289801. doi: 10.1155/2016/3289801.
[3] ALBATTAH W, NAWAZ M, JAVED A, et al. A novel deep learning method for detection and classification of plant diseases[J]. Complex & Intelligent Systems, 2021, 8(2): 507-524.
[4] 刘洋, 冯全, 王书志. 基于轻量级CNN的植物病害识别方法及移动端应用[J]. 农业工程学报, 2019, 35(17): 194-204. doi: 10.11975/j.issn.1002-6819.2019.17.024 [5] SALEEM M H, POTGIETER J, ARIF K M. Plant disease classification: A comparative evaluation of convolutional neural networks and deep learning optimizers[J]. Plants (Basel, Switzerland), 2020, 9(10): 1319. doi: 10.3390/plants9101319.
[6] 孙俊, 谭文军, 毛罕平, 等. 基于改进卷积神经网络的多种植物叶片病害识别[J]. 农业工程学报, 2017, 33(19): 209-215. doi: 10.11975/j.issn.1002-6819.2017.19.027 [7] 李书琴, 陈聪, 朱彤, 等. 基于轻量级残差网络的植物叶片病害识别[J]. 农业机械学报, 2022, 53(3): 243-250. doi: 10.6041/j.issn.1000-1298.2022.03.025 [8] GE Z, LIU S T, WANG F, et al. YOLOX: Exceeding YOLO series in 2021[EB/OL]. arXiv: 2107.08430. 2021: https://arxiv.org/abs/2107.08430.
[9] WOO S, PARK J, LEE J Y, et al. CBAM: Convolutional block attention module[C]//European Conference on Computer Vision. Cham: Springer, 2018: 3-19.
[10] ZHANG H, CISSE M, DAUPHIN Y N, et al. Mixup: Beyond empirical risk minimization[EB/OL]. 2017: arXiv: 1710.09412. https://arxiv.org/abs/1710.09412.
[11] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[C]//2017 IEEE International Conference on Computer Vision (ICCV). Venice, Italy: IEEE, 2017: 2999-3007.
[12] WANG C Y, MARKLAO H Y, WU Y H, et al. CSPNet: A new backbone that can enhance leaming capablity of CNN[C]//2020 IEEE/CVF Conerence on Computer Vsion and Pattern Recognition Workshops(CVPRW). Seattle, WA, USA: IEEE, 2020: 1571-1580.
[13] LIN T, DOLLAR P, GIRSHICK R, et al. Feature pyramid networksifor object detection[C]//2017 IEEE Conference on Computer Vision and Pattern Recognition. Honolulu, HI, USA: IEEE, 2017: 936-944
[14] LlU S, QI L, QIN H F, et al. Path aggregation network for instance segmentation[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City, UT, USA: IEEE, 2018: 8759-8768.
[15] LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: Common objects in context[C]//European Conference on Computer Vision. Cham: Springer, 2014: 740-755.
[16] EVERINGHAM M, ALIESLAMI S M, VAN GOOL L, et al. The pascal visual object classes challenge: A retrospective[J]. International Journal of Computer Vision, 2015, 111(1): 98-136. doi: 10.1007/s11263-014-0733-5
[17] SELVARAJU R R, COGSWELL M, DAS A, et al. Grad-CAM: Visual explanations from deep networks via gradient-based localization[J]. International Journal of Computer Vision, 2020, 128(2): 336-359.
[18] HE K M, ZHANG X Y, REN S Q, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence (TPAMI), 2015, 37(9): 1904-1916. doi: 10.1109/TPAMI.2015.2389824
[19] 王立舒, 秦铭霞, 雷洁雅, 等. 基于改进YOLOv4-Nano的蓝莓成熟度识别方法[J]. 农业工程学报, 2021, 37(18): 170-178. [20] 赵志成, 罗泽, 王鹏彦, 等. 基于深度残差网络图像分类算法研究综述[J]. 计算机系统应用, 2020, 28(1): 14-21. doi: 10.15888/j.cnki.csa.007243 [21] 孙云云, 江朝晖, 董伟, 等. 基于卷积神经网络和小样本的茶树病害图像识别[J]. 江苏农业学报, 2019, 35(1): 48-55. doi: 10.3969/j.issn.1000-4440.2019.01.007 [22] 李晓振, 徐岩, 吴作宏, 等. 基于注意力神经网络的番茄叶部病害识别系统[J]. 江苏农业学报, 2020, 36(3): 561-568. doi: 10.3969/j.issn.1000-4440.2020.03.005 [23] 王艳玲, 张宏立, 刘庆飞, 等. 基于迁移学习的番茄叶片病害图像分类[J]中国农业大学学报, 2019, 24(6): 124-130. [24] 邱靖, 刘继荣, 曹志勇, 等. 基于卷积神经网络的水稻病害图像识别研究[J]. 云南农业大学学报(自然科学), 2019, 34(5): 884-888. -
期刊类型引用(4)
1. 邓文林. 乡土阔叶树种示范林建设——以韶关市国有仁化林场为例. 农村科学实验. 2024(18): 133-135 . 
百度学术
2. 何潇，雷相东，段光爽，丰庆荣，张逸如，冯林艳. 气候变化对落叶松人工林生物量生长的影响模拟. 南京林业大学学报(自然科学版). 2023(03): 120-128 . 百度学术
3. 康梓杭，倪苗，邓晶，吴庆书. 海口市10种行道树最优生长模型研究. 热带生物学报. 2020(01): 79-83 . 百度学术
4. 曹磊，刘晓彤，李海奎，雷渊才. 广东省常绿阔叶林生物量生长模型. 林业科学研究. 2020(05): 61-67 . 百度学术
其他类型引用(9)
计量
- 文章访问数: 555
- HTML全文浏览量: 26
- PDF下载量: 41
- 被引次数: 13
