基于改进Faster RCNN的茶叶叶部病害识别

作     者：姜晟 曹亚芃 刘梓伊 赵帅 张振宇 王卫星 JIANG Sheng;CAO Yapeng;LIU Ziyi;ZHAO Shuai;ZHANG Zhenyu;WANG Weixing

作者机构：华南农业大学电子工程学院(人工智能学院)广州510642 广东省农情信息监测工程技术研究中心广州510642 

出 版 物：《华中农业大学学报》 (Journal of Huazhong Agricultural University)

年 卷 期：2024年第43卷第5期

页      面：41-50页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 090101[农学-作物栽培学与耕作学] 09[农学] 0804[工学-仪器科学与技术] 0901[农学-作物学] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：广东省重点领域研发计划项目(2023B0202100001) 

主　　题：目标检测 茶叶叶部病害 FPN网络 Rank and Sort Loss 区域建议网络 

摘      要：针对茶园复杂背景下茶叶叶部病害识别较为困难的问题,提出一种基于改进Faster RCNN算法的茶叶叶部病害识别方法。通过对优化区域建议框的特征提取网络VGG-16、MobileNetV2和ResNet50进行比较,选择识别效果较好的ResNet50作为骨干网络,增加模型在茶园复杂背景下对茶叶叶部病害特征的提取能力;融入特征金字塔网络(feature pyramid network,FPN)改善小目标漏检问题和病斑的多尺度问题;采用Rank&Sort(RS)Loss函数代替原Faster RCNN中的损失函数,缓解样本分布不均给模型带来的性能影响,进一步提高检测精度。结果显示:改进模型平均精度均值PmA为88.06%,检测速度为19.1帧/s,对藻斑病、白星病、炭疽病、煤烟病识别平均精度分别为75.54%、86.84%、90.42%、99.45%,比Faster RCNN算法分别提高40.98、44.16、13.9和2.43百分点。以上结果表明,基于改进Faster RCNN算法的茶叶叶部病害识别方法能够弱化茶园复杂背景的干扰,准确识别茶园复杂背景下茶叶叶部病害目标。