基于改進(jìn)Faster R-CNN的蘋果葉部病害識別方法

王云露，吳杰芳，蘭鵬，李鳳迪，葛成愷，孫豐剛*

(1. 山東農(nóng)業(yè)大學(xué)信息科學(xué)與工程學(xué)院,泰安 271018; 2. 泰山學(xué)院數(shù)學(xué)與統(tǒng)計(jì)學(xué)院, 泰安 271000)

我國的蘋果產(chǎn)業(yè)規(guī)模不斷擴(kuò)大的同時(shí)，蘋果病害的發(fā)生也日益頻繁。常見的病害有花葉病、雪松銹病、黑星病、落葉病、霉心病、灰斑病等。能否及時(shí)準(zhǔn)確地對這些病害進(jìn)行識別和防治事關(guān)蘋果的產(chǎn)出和質(zhì)量，是廣大果農(nóng)關(guān)心的熱點(diǎn)問題之一，也是影響我國蘋果產(chǎn)業(yè)發(fā)展的重要因素之一。

蘋果病害的發(fā)生往往表現(xiàn)在根莖、果實(shí)以及葉片區(qū)域，其中葉部病害發(fā)生次數(shù)較多，且特征明顯，數(shù)據(jù)容易采集和處理，成為判斷蘋果病害類型的重要依據(jù)之一。傳統(tǒng)的病害識別方法主要依據(jù)果農(nóng)和專家經(jīng)驗(yàn)、相關(guān)資料來對病害進(jìn)行診斷，但這些傳統(tǒng)方法在可靠性、時(shí)效性和靈活性等方面有所欠缺，已漸漸不適應(yīng)快速準(zhǔn)確地診斷蘋果病害的要求。計(jì)算機(jī)視覺技術(shù)對植物的形態(tài)結(jié)構(gòu)、 顏色紋理等信息進(jìn)行成像，從中提取感興趣的性狀，實(shí)現(xiàn)多維和多參數(shù)數(shù)據(jù)可視化，為人們提供了新的研究方向，機(jī)器學(xué)習(xí)開始進(jìn)入農(nóng)業(yè)工作者的視野中。這些機(jī)器學(xué)習(xí)的方法往往借助特定的病斑區(qū)域分割、特征提取方法對病害圖像的顏色、形狀、紋理等特征進(jìn)行選擇，再通過特定的分類器如支持向量機(jī)、歸一化指數(shù)函數(shù) (Softmax)等對其進(jìn)行分類，以達(dá)到識別病害的目的[1-3]。這種手工提取特征的做法雖然能在一定程度上識別特定病害圖像，但對相關(guān)領(lǐng)域知識的依賴性強(qiáng)，需要針對性地設(shè)計(jì)圖像分割和特征提取方法，靈活性和泛用性較低，且前期復(fù)雜的圖像預(yù)處理工作使得人力和時(shí)間成本較高，難以得到進(jìn)一步推廣和應(yīng)用。

基于深度學(xué)習(xí)的圖像分析方法對成像傳感器得到的植物圖像進(jìn)行處理分析，建立多訓(xùn)練樣本，從數(shù)據(jù)中“學(xué)習(xí)”，獲取有效信息，構(gòu)建最優(yōu)模型與算法進(jìn)行分類、識別、預(yù)測成為新的趨勢[4-6]，它能避免圖像識別前期復(fù)雜的特征提取、選擇和設(shè)計(jì)工作，得到了廣泛的應(yīng)用。王國偉等[7]對LeNet模型進(jìn)行改進(jìn)，對5種類型的玉米病害進(jìn)行識別，準(zhǔn)確率達(dá)到96%。鮑文霞等[8]利用選擇性核和平均池化層改造VGG16網(wǎng)絡(luò)，對蘋果葉部病斑的識別率達(dá)到94.70%。趙立新等[9]通過遷移學(xué)習(xí)和改進(jìn)的Alex模型對棉花葉部病蟲害進(jìn)行識別，其準(zhǔn)確率達(dá)到了97.16%。張善文等[10]使用全局池化層來改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)，并通過添加規(guī)則項(xiàng)來改進(jìn)Softmax分類器，對5種蘋果病害分類的準(zhǔn)確率達(dá)到95%以上。陸仲達(dá)等[11]使用雙分支網(wǎng)絡(luò)結(jié)構(gòu)來減少病斑相似度高產(chǎn)生的精度誤差，對蘋果病害識別的準(zhǔn)確率達(dá)到97.662%。Zhang等[12]對Faster R-CNN算法進(jìn)行改進(jìn)，以殘差神經(jīng)網(wǎng)絡(luò)作為骨干特征提取網(wǎng)絡(luò)(backbone)，使用k-means聚類算法對RPN生成的初始anchor進(jìn)行優(yōu)化，對番茄病害識別的精準(zhǔn)度較原模型提升了2.71%。Liu等[13]在AlexNet上采用級聯(lián)機(jī)制，對4種蘋果病害的識別率達(dá)到97.62%。隨著農(nóng)業(yè)工作者不斷的鉆研與實(shí)踐，深度學(xué)習(xí)在病害識別方面逐漸走向成熟。

本研究通過深度學(xué)習(xí)技術(shù)，在不特意采摘葉片的條件下實(shí)現(xiàn)對蘋果病害葉片的無損測量識別。在實(shí)際研究中，蘋果葉片病害數(shù)據(jù)中的病斑尺寸和圖像背景給識別的準(zhǔn)確率帶來一定的影響。一方面，有的病斑在葉片上所占比例較小，采用傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)對病害圖像整體進(jìn)行特征提取會得到許多不必要特征，使得網(wǎng)絡(luò)對病斑特征不敏感，在選用多任務(wù)目標(biāo)檢測對病斑進(jìn)行訓(xùn)練后，對小目標(biāo)病斑的檢測效果依舊不佳；另一方面，部分?jǐn)?shù)據(jù)集中的病斑有較多的復(fù)雜背景，在識別過程中會造成許多干擾，影響模型檢測的精確度。為此，筆者在目標(biāo)檢測算法Faster R-CNN(faster regions with CNN features)的基礎(chǔ)上對其進(jìn)行改進(jìn)，得到了一種改進(jìn)的Faster R-CNN算法。改進(jìn)策略如下：采用ResNet50對不同特征通道進(jìn)行權(quán)重分配，使網(wǎng)絡(luò)更為關(guān)注對提升模型檢測性能更有效的特征；通過加入特征金字塔網(wǎng)絡(luò)融合不同層次的特征，使提取到特征的語義信息更強(qiáng)，改善對小目標(biāo)的識別性能；最后使用級聯(lián)機(jī)制將二階段Faster R-CNN改為Cascade R-CNN(級聯(lián)R-CNN網(wǎng)絡(luò))，在不同交并比(intersection over union, IOU)閾值下對正負(fù)樣本進(jìn)行采樣以產(chǎn)生高質(zhì)量的預(yù)測框，從而使模型分類和回歸更為準(zhǔn)確。

1 材料與方法

1.1 數(shù)據(jù)集獲取與圖像標(biāo)注

本次研究選取蘋果的斑點(diǎn)落葉病、黑星病、灰斑病、雪松銹病、花葉病共計(jì)5個(gè)病害類別的圖像作為研究對象，其中黑星病、灰斑病數(shù)據(jù)來自PlantVillage數(shù)據(jù)集，為256×256像素；斑點(diǎn)落葉病、雪松銹病、花葉病數(shù)據(jù)使用STK-AL00相機(jī)(分辨率為3 000×4 000，像素為12 MP)于不同時(shí)間段在蘋果園區(qū)采集，帶有復(fù)雜背景，并調(diào)整為416×416像素。為減少冗余圖像，避免低質(zhì)量圖像對檢測模型的影響，對圖像進(jìn)行人工篩選，最終得到4 100張?zhí)O果葉片病害圖像。通過LabelImg圖像處理工具來對蘋果病害圖像進(jìn)行人工標(biāo)注，將標(biāo)注框位置和其對應(yīng)類別信息寫入到xml文件中，之后以訓(xùn)練集∶測試集=8∶2的比例劃分?jǐn)?shù)據(jù)，形成VOC格式的數(shù)據(jù)集。

1.2 圖像增廣

為提高訓(xùn)練模型的魯棒性，增強(qiáng)其泛化能力，避免過擬合現(xiàn)象，使用圖像增廣技術(shù)對蘋果葉片病害數(shù)據(jù)集進(jìn)行擴(kuò)充。對訓(xùn)練集的3 280張?jiān)疾『D像進(jìn)行旋轉(zhuǎn)(90°，180° 和270°)、隨機(jī)亮度增強(qiáng)、隨機(jī)色度增強(qiáng)、隨機(jī)對比度增強(qiáng)等操作。為更好地提取圖像特征，對圖像進(jìn)行銳化處理。對原始圖像處理后得到的擴(kuò)充圖像示例見圖1。擴(kuò)充前后的訓(xùn)練集圖像數(shù)量變化如表1所示，增廣后共得到26 240張?zhí)O果病害圖像。

表1 訓(xùn)練集數(shù)量變化Table 1 Changes in the number of training set

圖1 圖像增強(qiáng)結(jié)果Fig. 1 Image enhancement results

1.3 蘋果葉片病害檢測模型

1.3.1 改進(jìn)的Faster R-CNN目標(biāo)檢測框架

Faster R-CNN是一種經(jīng)典的二階段目標(biāo)檢測算法，由骨干特征提取網(wǎng)絡(luò)(backbone)、區(qū)域建議網(wǎng)絡(luò)(RPN)和檢測子網(wǎng)絡(luò)(Fast R-CNN)三部分組成[14]。骨干特征提取網(wǎng)絡(luò)利用卷積層提取特征圖，分別輸入到區(qū)域建議網(wǎng)絡(luò)和檢測子網(wǎng)絡(luò)中。本次研究采用拆分注意力網(wǎng)絡(luò)(split-attention networks, ResNest)作為特征提取網(wǎng)絡(luò)，通過Split-Attention模塊將特征映射分成更細(xì)粒度的子組，每個(gè)組的特征表示通過其分割表示的加權(quán)組合來確定[15]。該結(jié)構(gòu)使得網(wǎng)絡(luò)對有效特征的關(guān)注性更高，從而改善網(wǎng)絡(luò)中學(xué)習(xí)到的特征表示。同時(shí)，采用特征金字塔網(wǎng)絡(luò) (feature pyramid networks，F(xiàn)PN)[16]對不同尺度特征的進(jìn)行融合，增強(qiáng)網(wǎng)絡(luò)提取特征的魯棒性。

區(qū)域建議網(wǎng)絡(luò)通過Softmax分類和邊界框回歸選擇建議框并對正負(fù)樣本進(jìn)行采樣，使用Softmax計(jì)算樣本與真實(shí)框的分類損失，使用Smooth_l1計(jì)算邊界框回歸損失。在Fast R-CNN部分，區(qū)域建議網(wǎng)絡(luò)產(chǎn)生的建議框按比例映射到特征圖中，經(jīng)過RoI pooling層固定到特定尺寸，通過Softmax分類和邊界框回歸得到最終的感興趣區(qū)域(region of interest,RoI)。加入級聯(lián)機(jī)制對該部分進(jìn)行改進(jìn)，將感興趣區(qū)域在不同IOU閾值(0.5, 0.6, 0.7)下進(jìn)行多階段的篩選，以提高最終得到的感興趣區(qū)域的質(zhì)量。該部分產(chǎn)生的分類損失與回歸損失與區(qū)域建議網(wǎng)絡(luò)中的損失構(gòu)成一個(gè)總損失，指導(dǎo)模型的訓(xùn)練(reginal proposal network,RPN)。改進(jìn)后的Faster R-CNN如圖2所示。

圖2 改進(jìn)Faster R-CNN結(jié)構(gòu)圖Fig. 2 Improved Faster R-CNN structure diagram

1.3.2 特征金字塔網(wǎng)絡(luò)

原始Faster R-CNN中使用的高層特征語義性較強(qiáng)，但細(xì)節(jié)信息有所丟失，對小目標(biāo)識別性能較差。本次實(shí)驗(yàn)使用的數(shù)據(jù)集有較多的小目標(biāo)病斑，僅采用單尺度特征進(jìn)行預(yù)測難以滿足對葉片病斑精確檢測的要求。通過添加FPN來進(jìn)行不同尺度特征的融合，以增強(qiáng)特征魯棒性，提高模型的檢測精度。FPN由三部分組成，自下而上的結(jié)構(gòu)，自頂向下的結(jié)構(gòu)以及橫向連接。自下而上的結(jié)構(gòu)在本研究中即ResNest正常的前向傳播過程，ResNest在每個(gè)階段的最后一層特征為基層特征圖{C2, C3, C4, C5}。在自頂向下的過程中，網(wǎng)絡(luò)對高層特征進(jìn)行最近鄰上采樣來得到與低層特征相同分辨率的特征，之后使用橫向連接將上采樣得到的特征與基層特征{C2, C3, C4, C5}相加，最終生成FPN特征圖{P2, P3, P4, P5, P6}。其結(jié)構(gòu)如圖3所示。在Fast R-CNN部分需要根據(jù)金字塔級別分配不同規(guī)模的感興趣區(qū)域，其映射公式為：

(1)

式中：224代表預(yù)訓(xùn)練數(shù)據(jù)圖像的大小；h和w表示建議框的高和寬；k0設(shè)為 4；k表示特征金字塔網(wǎng)絡(luò)中的Pk層。

圖3 FPN結(jié)構(gòu)圖Fig. 3 Structure diagram of FPN

1.3.3 級聯(lián)機(jī)制

在目標(biāo)檢測中，需要定義一個(gè)IOU閾值來區(qū)分正負(fù)樣本，在Faster R-CNN中通常將這個(gè)閾值定義為0.5。然而在模型訓(xùn)練時(shí)，假定的IOU閾值可能難以與最優(yōu)的IOU閾值相匹配，閾值過低則假陽性樣本(網(wǎng)絡(luò)判斷為正樣本，實(shí)際為負(fù)樣本)占比較高，出現(xiàn)錯(cuò)檢；閾值過高則正樣本數(shù)量降低，加重過擬合，影響模型的檢測性能。針對單一IOU閾值難以有效地剔除掉接近該閾值的假陽性樣本的問題，本研究采用級聯(lián)R-CNN網(wǎng)絡(luò)(cascade regions with CNN features，Cascade R-CNN)[17]的級聯(lián)架構(gòu)來對模型進(jìn)行改進(jìn)，采用多階段訓(xùn)練的方式加強(qiáng)對假陽性樣本的選擇性。設(shè)置一個(gè)閾值組{0.5, 0.6, 0.7}作為不同階段檢測模型的IOU閾值，從初始分布開始對高IOU閾值下的樣本分布進(jìn)行重采樣，通過不斷提高閾值來增強(qiáng)模型對假陽性樣本的選擇性，提高產(chǎn)生的感興趣區(qū)域的質(zhì)量。其結(jié)構(gòu)如圖4所示。圖4中FC1、FC2 和FC3 表示全連接層，B1、B2、B3 表示邊界框回歸參數(shù)，C1、C2、C3 為Softmax分類結(jié)果。

圖4 Cascade R-CNN結(jié)構(gòu)圖Fig. 4 Structure diagram of Cascade R-CNN

該過程在每個(gè)階段都會計(jì)算正負(fù)樣本的分類損失Lcls和回歸損失Lreg，給不同階段下得到的分類損失和回歸損失賦予一定的權(quán)重并進(jìn)行求和操作，用來表示Fast R-CNN部分總體的分類損失及回歸損失，其公式為：

L=l1+0.5l2+0.25l3

(2)

式中:l1、l2、l3分別表示當(dāng)IOU閾值為0.5, 0.6, 0.7 時(shí)的分類損失或邊界框回歸損失。

2 結(jié)果與分析

2.1 實(shí)驗(yàn)環(huán)境

本研究選擇深度學(xué)習(xí)框架Pytorch進(jìn)行模型搭建，在Ubuntu18.04 系統(tǒng)下進(jìn)行實(shí)驗(yàn)。計(jì)算機(jī)處理器為Intel(R) Core(TM)i7-9750H，2.60 GHz，內(nèi)存16 G，顯卡為NVIDIA GeForce RTX 2060，顯存6 G。為提高網(wǎng)絡(luò)的訓(xùn)練速度，使用GPU進(jìn)行加速，cuda的版本為11.1.0，cudnn版本為8.1.0。

2.2 模型訓(xùn)練

在模型訓(xùn)練過程中，采用隨機(jī)梯度下降法(stochastic gradient descent,SGD)作為優(yōu)化器來對神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，加快訓(xùn)練過程，SGD的初始學(xué)習(xí)率設(shè)為0.005，動量參數(shù)設(shè)為0.9，權(quán)值衰減參數(shù)設(shè)為0.000 5。訓(xùn)練時(shí)采用warm up熱身策略，先采用較小的學(xué)習(xí)率進(jìn)行訓(xùn)練使網(wǎng)絡(luò)適應(yīng)數(shù)據(jù)，之后再恢復(fù)到設(shè)置的初始學(xué)習(xí)率。為減少內(nèi)存占用，加快運(yùn)算速度，采用混合精度計(jì)算損失值。由于采用了數(shù)據(jù)增強(qiáng)策略，模型可以較快地收斂。訓(xùn)練總共進(jìn)行30 epochs，共迭代98 400次。通過損失值的變化判斷模型是否收斂。模型在迭代至50 000次時(shí)，損失值為0.14，之后基本保持穩(wěn)定，表明模型達(dá)到收斂狀態(tài)。

2.3 模型性能評估指標(biāo)

模型使用平均精度(AP)、平均精度均值(mAP)作為評估指標(biāo)來對模型性能進(jìn)行檢驗(yàn)，數(shù)值越大則模型在該指標(biāo)下的性能越高。召回率(R)是反映模型尋找正樣本目標(biāo)能力的指標(biāo);精準(zhǔn)率(P)體現(xiàn)模型對正樣本的分類能力;AP是由精準(zhǔn)率和召回率繪制的PR曲線的積分，體現(xiàn)模型的整體分類性能;mAP是所有類別AP的平均值。P、R、AP、mAP的計(jì)算公式如下:

(3)

(4)

(5)

(6)

式中:PT表示檢測正確的正樣本；PF表示檢測錯(cuò)誤的正樣本數(shù)量；PFN表示檢測錯(cuò)誤的負(fù)樣本；N表示數(shù)據(jù)集的類別數(shù)量。

2.4 模型改進(jìn)效果對比

在采用2.2節(jié)中參數(shù)的情況下，對使用ResNest、FPN和級聯(lián)機(jī)制下的Faster R-CNN算法進(jìn)行對比，以檢驗(yàn)改進(jìn)的有效性。本研究進(jìn)行實(shí)驗(yàn)的Faster R-CNN模型分別為ResNet、ResNet-FPN、ResNest-FPN和 ResNest-FPN-Cascade。

表2 交叉驗(yàn)證實(shí)驗(yàn)結(jié)果Table 2 Cross validation experimental results

為保證實(shí)驗(yàn)結(jié)果的穩(wěn)定性，采用5折交叉驗(yàn)證的方式對改進(jìn)前后模型的效果進(jìn)行檢驗(yàn)，將訓(xùn)練集中的數(shù)據(jù)平均分成5份，選其中4份做訓(xùn)練集參與訓(xùn)練，另外1份做測試集檢驗(yàn)識別效果。實(shí)驗(yàn)共重復(fù)5次，每次使用的測試集之間保持互斥。各模型測試后的mAP結(jié)果如表2所示，可以看到各模型在不同數(shù)據(jù)集上的性能雖然有一定差異，但改進(jìn)后的模型較改進(jìn)前在相同數(shù)據(jù)集上的性能提升都較為穩(wěn)定，其mAP的平均值提升了4.9%。

為檢驗(yàn)?zāi)Ｐ偷淖罱K性能，使用全部訓(xùn)練集對蘋果病害識別模型進(jìn)行3次重復(fù)訓(xùn)練，通過劃分出的獨(dú)立測試集測試模型AP，取平均值作為該AP指標(biāo)下的實(shí)驗(yàn)結(jié)果，結(jié)果如表3所示。加入FPN使得模型在以小病班為主的灰斑病和病斑區(qū)域不規(guī)則的黑星病、雪松銹病上AP提升較為明顯，分別提高了9.2%，4.1%,和9.7%。與ResNet-FPN相比，ResNest-FPN在黑星病、灰斑病、雪松銹病和花葉病上有1.4%，0.4%，1.1%和2.2%的小幅度提升，表明注意力分離機(jī)制對提升模型性能有一定積極作用。加入級聯(lián)機(jī)制對模型的識別性能都有明顯改善，其總體AP值提升了2.8%，但檢測時(shí)間提高了2.2%。改進(jìn)后模型在斑點(diǎn)落葉病、灰斑病和雪松銹病上的AP值分別達(dá)到91.5%，87.2%和93.7%，這3類病害圖像中病斑的區(qū)域輪廓較為明晰，模型能較為有效地識別。而黑星病和花葉病中病斑區(qū)域不規(guī)則且界限模糊，模型對其識別的AP值僅達(dá)到78.3%和80%，尚存在一定改進(jìn)空間。改進(jìn)后模型的mAP達(dá)到86.2%，較原Faster R-CNN模型提升了8.7%，表明了本研究改進(jìn)的有效性。

表3 改進(jìn)前后Faster R-CNN模型的AP值Table 3 AP values of Faster R-CNN model with/without improvement

為直觀地表示模型AP，選用3組重復(fù)實(shí)驗(yàn)中隨機(jī)一組繪制PR曲線(召回率為橫軸，精準(zhǔn)率為縱軸的曲線)，如圖5所示。由圖5可見，F(xiàn)PN和級聯(lián)機(jī)制都使得模型的整體性能有較為明顯的提升。ResNest-FPN與ResNet-FPN性能差距較小，但當(dāng)召回率處于較高水平時(shí)，ResNest-FPN的精準(zhǔn)率較ResNet-FPN有一定程度的提高。

圖5 PR (精準(zhǔn)率和召回率) 曲線Fig. 5 PR (Precision and Recall) curves

為檢驗(yàn)改進(jìn)模型的實(shí)用性，將單張圖像下檢測到的置信度最高且大于0.9的目標(biāo)類別作為輸出結(jié)果，與圖像所屬真實(shí)類別比較，其混淆矩陣如表4所示。其中斑點(diǎn)落葉病、黑星病、灰斑病、雪松銹病、花葉病的數(shù)量分別為200, 200, 120, 200和100，引入200張無病害葉片圖像以模擬在實(shí)際場景中健康葉片的干擾。改進(jìn)后的模型除對黑星病出現(xiàn)4%的錯(cuò)檢外，對其他4種病害都達(dá)到了97%以上的準(zhǔn)確率。模型在對健康葉片識別時(shí)有2%誤識別成黑星病，這是由于黑星病大面積病斑較多，標(biāo)注葉片全身導(dǎo)致葉片特征與病斑特征產(chǎn)生輕微混淆。模型識別的總體準(zhǔn)確率達(dá)到98.3%，單張圖像平均檢測時(shí)間0.092 s，能較為快速準(zhǔn)確地識別蘋果葉片病害。

表4 混淆矩陣Table 4 Confusion matrix

模型的實(shí)際識別效果如圖6所示。由圖6可見，改進(jìn)后的模型既可以對采摘后的病害葉片圖像(b,c)進(jìn)行識別，也可以對果樹枝干上的病害葉片圖像 (a,d,e) 進(jìn)行識別， 無需特意采摘葉片，即實(shí)現(xiàn)“無損式測量識別”，使模型的應(yīng)用更符合實(shí)際場景。

圖6 蘋果葉片病害識別效果Fig. 6 Identification effect of apple leaf diseases

3 結(jié) 論

針對蘋果病害圖像中存在的小目標(biāo)病斑和復(fù)雜背景降低識別精確度的問題，對傳統(tǒng)Faster R-CNN算法進(jìn)行改進(jìn)，提升其對病斑的識別能力。在使用特征提取能力更強(qiáng)的ResNest作為backbone的同時(shí)，引入特征金字塔網(wǎng)絡(luò)FPN，使模型提取到魯棒性更高、語義信息更強(qiáng)的特征。通過使用Cascade R-CNN中的級聯(lián)機(jī)制來產(chǎn)生高質(zhì)量的建議框，使改進(jìn)后的網(wǎng)絡(luò)模型對病斑目標(biāo)定位更加準(zhǔn)確。實(shí)驗(yàn)結(jié)果表明，所提改進(jìn)模型的mAP達(dá)到0.862，對病害圖像識別的準(zhǔn)確率達(dá)到98.3%，能較有效地識別5種蘋果病害，識別一張圖片的平均時(shí)間為0.092 s，有一定的實(shí)用性。模型較未改進(jìn)之前的mAP提高了8.7個(gè)百分點(diǎn)，表明了本研究所提方法的有效性。

本研究提出的方法可同時(shí)診斷采摘后的病害葉片和果樹枝干的病害葉片，而無須特意采摘葉片，實(shí)現(xiàn)無損式測量識別。此外，由于病害早期的視覺特征并不明顯，病斑在整株樹上呈現(xiàn)不顯著，且受到葉片之間的遮擋等因素影響，該方法在整株蘋果樹病害的測量識別方面還存在較大的改進(jìn)空間。本研究方案通過聚焦于葉片病害的識別，在病害早期未造成危害之前及時(shí)發(fā)現(xiàn)，為其早期干預(yù)和治療提供科學(xué)依據(jù)。