文献类型：期刊文章

作　　者：王云露[1] 吴杰芳[2] 兰鹏[1] 李凤迪[1] 葛成恺[1] 孙丰刚[1]

WANG Yunlu;WU Jiefang;LAN Peng;LI Fengdi;GE Chengkai;SUN Fenggang(College of Information Science and Engineering,Shandong Agricultural University,Taian 271018,China;School of Mathematics and Statistics,Taishan University,Taian 271000,China)

机构地区：[1]山东农业大学信息科学与工程学院,泰安271018 [2]泰山学院数学与统计学院,泰安271000

出　　处：《林业工程学报》

基　　金：山东省重大科技创新工程项目(2019JZZY010706);山东省重点研发计划项目(2017CXGC0206,2019GNC106106);山东省自然科学基金面上项目(ZR2019MF026)。

年　　份：2022

卷　　号：7

期　　号：1

起止页码：153-159

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对苹果叶片图像中小尺度病斑和复杂背景带来的病斑目标难以精确定位和识别的问题,以苹果的斑点落叶病、黑星病、灰斑病、雪松锈病和花叶病为研究对象,提出一种基于改进Faster R-CNN的苹果叶片病害识别方法。先通过数据增广操作对训练集数据进行扩充以增强模型鲁棒性,再通过对增广训练集图像进行训练来得到一个可靠的病害识别模型。改进后的模型使用拆分注意力网络(ResNest)作为骨干特征提取网络,使模型更加关注对提升病斑检测性能有用的信息,以增强模型对特征的提取能力;通过添加特征金字塔网络(FPN)进行多尺度特征融合,以增强特征信息的鲁棒性,提高模型的泛化能力;采用级联机制对建议框生成机制进行优化,使检测框定位更加准确。改进后的Faster R-CNN模型的平均精度均值(mAP)达到86.2%,与改进前相比,其平均精度提升了8.7%,对单张病害图像的识别准确率达到98.3%,单张图像平均检测时间0.092 s,能有效识别苹果叶片病斑。实验结果表明,改进后的Faster R-CNN模型能准确快速地实现对苹果叶片小目标病斑和复杂背景下病斑的识别,提升模型识别的精准度。该识别方法可在实际场景下使用,无须特意采摘叶片实现对苹果叶片病害的无损测量识别,可为苹果病害的早期干预和治疗提供科学依据。

关 键 词：苹果病害识别  深度学习  Faster R-CNN  ResNest  多尺度特征融合  级联机制  

分 类 号：S436.611] TP391.4]