基于深度学习的苹果叶片病害检测.pdfVIP

摘要

根据国家统计局2016-2018年的全国果园数据，苹果种植占比约为18%，略低

于柑橘的20%。然而，现在苹果的产量却已超过柑橘，达到41393万吨，成为产量

最高的水果种类。苹果产量受多种因素影响，其中叶片病害是最常见和易受影响的

因素之一。传统方法包括使用化学药品、咨询专家、光谱和成像技术，或依赖农民

经验进行预防和治理。然而，这些方法存在一定的环境、效率和成本方面的局限性。

近年来，随着深度学习技术的发展，基于深度学习的苹果叶片病害检测方法已经成

为研究热点。

针对目前苹果叶片病害检测方法仍存在精度低、无法检测小目标和环境鲁棒

性差，对于移动端设备适配性差等问题，本文开展基于深度学习的苹果叶片病害检

测方法研究，主要研究工作和创新性体现在以下方面：

(1)自建一个苹果叶片的图像数据集。当前植物叶片病害检测只有AIChallenger

2018、PlantVillage等开源数据集，由于缺少标注文件，图片质量差，只适合做图像

分类任务。为此本研究进行自建数据集，该数据集来自于多个公开植物病虫害数据

集，从其中挑选图片质量好，叶片病虫害清晰，并对无标注或者标注不准确的图片

进行重新标注。为保证模型泛化性，对相同或者相似度很高的图片进行剔除，并涵

盖不同的拍照角度的图片。此外，为保证模型的检测精度，采用MPRNet网络对一

些模糊、雨天、雾天环境下的图片进行模糊，去雨，去噪处理，图片的清晰度和质

量更高。最后对这些仔细挑选和处理过的图片进行严谨的标注和分类,使这些图片

拥有高可用和高操作特性，减少数据集对检测模型的限制。

（2）提出一种基于改进的BoTNet模块的YOLOv5s主干网络。在其Backbone

中添加多头自注意力机制BottleneckTransformers（BoTNet），这是一种基于残差网

络ResNet改进的网络，在标准的bottleneckblock中将空间3×3卷积层替换成多

头自注意力机制（MHSA），增强主干网络对苹果叶片病害特性专注度，从而提取

到更重要的叶片病害特征信息。其多尺度特征融合的思想，能够在不同层级的特征

图之间进行信息交互和整合，从而使网络具有更好的感受野和语义理解能力。该注

意力机制能够在不增加计算量的同时，能够实现较高的检测精度和性能表现。

（3）提出一种基于改进的SIMSPPF空间金字塔池化的YOLOv5s特征提取网

络。SIMSPPF模块不仅解决特征重复提取的问题，极大提高候选框产生的速度，

节省计算成本，相对于YOLOv5s默认的SPPF有更高的计算效率。在边框损失函

数部分，引入具有方向性，训练阶段的收敛速度更快，推理性能更好SIoU边框损

失函数。从而提升网络的检测精确度。

（4）提出一种基于MobileNetV3的轻量化YOLOv5s网络。在YOLOv5s的主

干网络部分，使用MobileNetV3进行替换，在不大幅度降低检测精度的情况下，有

效降低整体网络的计算量，压缩网络的权重大小，为适配移动端设备或物联网设备

提供技术支撑。

（5）设计并实现苹果叶片病害图像检测识别系统。该系统前端使用HTML、

CSS、JavaScript，后端使用轻量级框架flask处理业务，Ajax负责前后端数据交互，

MySQL数据库存放用户信息、日志文件以及图片等静态数据。该系统具有用户注

册、登录、个人中心、权限管理、病害检测、保存结果等完整功能。系统界面简洁

易使用、具有一定的鲁棒性、且保留后续增加功能需求的接口，具有一定的扩展性。

为相关的从业人员分析苹果叶片病害情况以及制定预防方案提供技术支持。

实验结果表明，本文所提出的改进后YOLOv5s网络在自建数据集上mAP@50

为86.5%，计算量为15.5GFLOPs，模型权重大小为13.8MB，相对于基准YOLOv5s，

平均精度提升6.3个百分点、计算量降低0.3GFLOPs、模型权重压缩0.6MB。并适

用于遮挡，阴影，强光，模糊复杂环境。在轻量化方向改进上，所提方法相比于基

准YOLOv5s，计算量降低80%，权重大小压缩67.37%，其代价只是损失4.8个百

分点的检测精度。达到在不损失过多检测精度的情况下，大幅度压缩模型。在

PlantDoc开源数据集上同样验证本文所提出改进后YOLOv5s网络比基准网络提升

3.3个百分点，在轻量化方向上，也实现以4.8