中文引用格式:叶晖,项东晖,曾松伟. 基于深度学习的桑叶病害识别方法研究[J]. 电子技术应用,2025,51(3):70-76.
英文引用格式:Ye Hui,Xiang Donghui,Zeng Songwei. Research on mulberry leaf disease recognition method based on deep learning[J]. Application of Electronic Technique,2025,51(3):70-76.
引言
桑树的种植在我国有着悠久的历史和深厚的传统文化底蕴[1]。作为世界上最早种植桑树和养蚕的国家之一,蚕桑产业在中国的发展可以追溯到几千年前的古代。但桑树的生长和产量受到多种因素的影响,其中病害是最主要的危害因素之一。据农业农村部办公厅发布的《2023年“虫口夺粮”保丰收行动方案》[2],2022年全国桑树病虫害发生面积约为1.1亿亩次,同比增加15%。2022年全国因桑树病虫害致粮食损失约为140万吨,占桑叶总产的11.4%。因此,及时准确地识别和防治桑树病害,对于提高桑树和蚕业的生产效率和经济效益具有重要意义。传统的桑树病害识别方法主要依靠人工观察和判断,需要专业知识和经验,耗时耗力且容易出现误判和漏判[3-5]。随着计算机视觉和深度学习技术的发展,利用图像处理和机器学习方法进行桑树病害识别成为一种新的可能。
近年来,大规模检测模型在工业、农业等复杂场景应用中得到快速提升[6-8]。目标检测的算法模型在农业中被广泛应用,如赵德安[9]等人于2019年提出了改进的YOLOv3模型以识别复杂背景下的苹果果实,其实验识别准确率达97%,召回率为90%,相较于FasterRCNN的识别率高了5%。孙肖肖[10]等人于2019年提出使用大尺度识别替代YOLO的多尺度识别,在预处理阶段提出结合超滤特征以及OSTU算法对复杂背景下的茶叶嫩芽图像进行图像分割,识别率达 84.2%,召回率为 82%。Chen[11]等人在2022年提出了一种用于橡胶树病害检测的改进型YOLOv5模型,该模型使用了新的InvolutionBottleneck模块、SE模块和EIOU损失函数以提升模型性能,该模型在59个作物病害类别上达到了平均94.24%的识别准确率,每个样本的平均推理时间为1.563 ms,模型大小仅为2 MB。
目前,基于图像处理和机器学习方法的桑树病害识别已经有一些相关研究,但仍存在一些问题和挑战。首先,由于桑树病虫害种类多、形态复杂、分布不均匀等原因,导致采集到的图像数据量不足、质量不高、类别不平衡等问题,给模型训练和测试带来困难。其次,桑树病害目标体积可能过小,例如桑褐斑病中的褐斑点,同时图像背景可能过于杂乱。为了解决上述问题和挑战,本文提出了一种基于YOLOv8的桑树病虫害识别方法,通过引入可变形卷积和注意力机制以提高YOLOv8s模型应对复杂背景和小体积目标时的识别能力,改善对桑叶病害的识别能力,最终实现自然环境下的桑叶病害的准确检测,为桑叶病害识别的自动化、智能化提供理论依据。
本文详细内容请下载:
http://www.chinaaet.com/resource/share/2000006362
作者信息:
叶晖1,项东晖2,曾松伟3
(1.浙江农林大学 数学与计算机科学学院,浙江 杭州 311300;
2.浙江易港通电子商务有限公司,浙江 宁波 315200;
3.浙江农林大学 光机电工程学院,浙江 杭州 311300)