面向无人机遥感图像中茶叶枯病检测的轻量型网络

作     者：胡根生 谢一帆 鲍文霞 梁栋 

作者机构：安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心 

出 版 物：《农业机械学报》 (Transactions of the Chinese Society for Agricultural Machinery)

年 卷 期：2024年

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 09[农学] 0904[农学-植物保护] 090401[农学-植物病理学] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金项目（32372632 62273001） 安徽省高等学校自然科学研究重大项目（KJ2020ZD03） 安徽省自然科学基金项目（2208085MC60） 

主　　题：茶叶病害 目标检测 无人机遥感 深度学习 轻量型网络 

摘      要：针对无人机采集的茶叶枯病图像中病斑差异大，病斑和背景之间相似性高等问题，本研究设计了一个轻量型网络LiTLBNet，用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络，用来提取茶叶枯病病斑的可区分特征，减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块，帮助网络在通道维度上学习目标的综合特征，减少因病斑和背景之间的相似性造成的误检，同时删除原基线网络最大的特征图，以减少计算量和模型大小。此外，本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量，提高小样本条件下LiTLBNet网络的泛化能力。实验结果表明，利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%，mAP为78.5%，与YOLO v5s接近。然而，LiTLBNet的内存占用量只有2.0MB，只有YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。