基于改进SOLO v2的番茄叶部病害检测方法

刘文波 叶 涛 李 颀

(1.陕西科技大学电气与控制工程学院， 西安 710021; 2.陕西科技大学电子信息与人工智能学院， 西安 710021)

0 引言

作物病害一直是困扰农业生产的难题，是制约农业可持续发展的主要因素之一[1]。番茄是我国重要的经济作物之一，同时作为世界上主要的蔬菜作物，种植面积和产量都在不断增加。然而番茄病害会导致产量的显著下降，给农业经济带来巨大损失[2-3]。因此，番茄病害的早期诊断与防治是番茄高产的重要保障。

随着机器学习在图像检测方面的不断发展，有学者将其用于对植物叶片病害的检测识别。魏丽冉等[4]提出了基于核函数支持向量机的多分类检测方法对植物叶片的4种疾病进行检测识别，识别率在70%～89.5%之间，精度有限。刘君等[5]采用卷积神经网络(Convolutional neural network，CNN)与传统的HOG(Histogram of oriented gradient)+SVM(Support vector machines)算法相结合的方法对番茄叶片的疾病进行检测，通过CNN提取浅层特征，融合HOG更好地描述特征，最后输入到分类器SVM中识别病害，识别准确率均值(92.49%)优于传统HOG+SVM算法(71.88%)，证明了卷积神经网络在叶片病害检测领域的巨大潜力。杨森等[6]在Faster R-CNN的基础上，通过构造复合特征字典来训练马铃薯叶片病害识别模型，平均识别准确率为84.16%，但在识别及定位精度上有待加强。熊俊涛等[7]使用了以VGG16为骨干网络的Mask R-CNN的实例分割算法，实现了对大豆叶片实例的像素级识别与分割，分类准确率达到89.42%,平均分割准确率为88.3%，但运行速度较慢，单幅图像识别平均需要0.8 s。

为实现对番茄叶片疾病高精度与快速……