融合多尺度特征的遮挡番茄病害图像识别研究

作     者：黄晓宇 张聪 陈晓玲 Huang Xiaoyu;Zhang Cong;Chen Xiaoling

作者机构：武汉轻工大学数学与计算机学院武汉市430023 武汉轻工大学电气与电子工程学院武汉市430023 

出 版 物：《中国农机化学报》 (Journal of Chinese Agricultural Mechanization)

年 卷 期：2024年第45卷第7期

页      面：194-200页

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] 09[农学] 0804[工学-仪器科学与技术] 0904[农学-植物保护] 090401[农学-植物病理学] 090402[农学-农业昆虫与害虫防治] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：教育部科技发展中心重点项目(2018A01038) 

主　　题：番茄病害检测 反馈连接 特征金字塔网络 空洞卷积 多尺度 

摘      要：针对复杂环境下因叶片重叠遮挡以及目标较小等原因而导致番茄病害识别准确率较低的问题,提出一种多尺度级联模型(IMS-Cascade)。该模型以级联神经网络(Cascade R-CNN)为基础,在主干网络中引入融合上下文信息的可切换空洞卷积,使用复杂的多尺度卷积核提取目标特征,解决同种病害因叶片遮挡而形状差异较大的问题,并在特征融合网络中添加反馈连接模块,使模型可以进行多次的特征提取,提高浅层信息的利用率。最后在损失函数上增大准确样本的梯度,降低异常样本对模型的影响。将该模型用于Plant Village公开发表的部分番茄叶病害数据集上,mAP达到89.1%,平均准确率达到99.36%,分别比原始Cascade R-CNN模型提高2.5%和1.84%,具有更高检测精度,有利于复杂环境下的番茄病害检测。