基于改進(jìn)Faster R_CNN的蘋(píng)果葉片病害檢測(cè)模型

李鑫然，李書(shū)琴，劉 斌

（西北農(nóng)林科技大學(xué)信息工程學(xué)院，陜西楊凌 712100）

0 概述

蘋(píng)果具有較高的營(yíng)養(yǎng)價(jià)值，是世界四大水果之一［1］。蘋(píng)果生產(chǎn)對(duì)我國(guó)經(jīng)濟(jì)的發(fā)展和滿足廣大人民的需求發(fā)揮著重要作用。然而蘋(píng)果在生長(zhǎng)過(guò)程中，因受到環(huán)境、真菌等影響會(huì)產(chǎn)生許多病害，這些病害大多發(fā)生在蘋(píng)果葉片部位，嚴(yán)重影響了蘋(píng)果的產(chǎn)量與質(zhì)量，從而造成巨大的經(jīng)濟(jì)損失［2］。因此，及時(shí)有效地檢測(cè)蘋(píng)果葉片病害對(duì)于確保蘋(píng)果產(chǎn)業(yè)健康發(fā)展至關(guān)重要。目前蘋(píng)果葉片病害檢測(cè)主要依靠果農(nóng)經(jīng)驗(yàn)和病害知識(shí)進(jìn)行分析和判斷，然而蘋(píng)果病害病斑癥狀復(fù)雜，且特征不夠明顯，人工識(shí)別的方法耗時(shí)耗力且效率較低［3］。計(jì)算機(jī)視覺(jué)的發(fā)展給農(nóng)作物病害檢測(cè)帶來(lái)了新的方向，近年來(lái)，涌現(xiàn)出眾多基于機(jī)器學(xué)習(xí)［4-7］和深度學(xué)習(xí)［8-11］的葉片 病害檢 測(cè)方法。ZHANG 等［12］采用改進(jìn)的mean-shift 圖像分割算法分割病斑，以病斑的顏色特征和差值方圖作為蘋(píng)果病害的分類(lèi)特征，并利用支持向量機(jī)（Support Vector Machine，SVM）進(jìn)行模型訓(xùn)練，該方法對(duì)3 種常見(jiàn)蘋(píng)果葉片病害的識(shí)別精度達(dá)96%以上。但該方法僅適用于簡(jiǎn)單背景的蘋(píng)果葉片病害圖像，在實(shí)際復(fù)雜背景應(yīng)用中存在一定局限性。SHI 等［13］利用蘋(píng)果葉片同類(lèi)病害及其病斑圖像的形狀、顏色和紋理之間的差異性，提出了一種基于二維子空間學(xué)習(xí)維數(shù)約簡(jiǎn)（2DSLDR）的蘋(píng)果葉片病害識(shí)別方法，識(shí)別精度高達(dá)90%以上。但該方法同樣僅適用于背景簡(jiǎn)單的蘋(píng)果葉片病害圖像。ZHANG 等［14］采用遺傳算法（GA）和基于相關(guān)性的特征選擇算法（GFS）對(duì)蘋(píng)果葉片的多重組合特征進(jìn)行篩選，再通過(guò)支持向量機(jī)對(duì)多種蘋(píng)果葉片病害進(jìn)行識(shí)別，精度可達(dá)90%，但該方法所需樣本需在非自然光下采集。BARANWAL 等［15］提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的蘋(píng)果葉片病害檢測(cè)模型，其檢測(cè)精度高達(dá)98.54%，但該方法對(duì)于葉子姿態(tài)要求嚴(yán)格，必須均以向上方式整齊放置。

針對(duì)現(xiàn)有蘋(píng)果葉片病害檢測(cè)方法對(duì)蘋(píng)果葉片環(huán)境要求嚴(yán)格、無(wú)法在實(shí)際條件下進(jìn)行實(shí)時(shí)檢測(cè)的問(wèn)題，本文結(jié)合蘋(píng)果葉片病害圖像背景復(fù)雜、病斑較小的特點(diǎn)，提出一種以Faster R_CNN 模型［16］為基礎(chǔ)的蘋(píng)果葉片病害檢測(cè)模型。使用特征金字塔網(wǎng)絡(luò)［17］將僅由特征提取網(wǎng)絡(luò)最后一層生成的深層特征圖，改為由多層網(wǎng)絡(luò)融合生成具有豐富語(yǔ)義信息和細(xì)節(jié)信息的特征圖，以充分利用不同卷積層的優(yōu)勢(shì)。在精確感興趣區(qū)域池化［18］的基礎(chǔ)上，通過(guò)雙線性插值和二重積分的方式進(jìn)行池化，從而避免Faster R_CNN 模型中感興趣區(qū)域池化中的2 次量化操作造成精度損失。

1 蘋(píng)果葉片病害檢測(cè)模型

1.1 特征金字塔網(wǎng)絡(luò)

Faster R_CNN 的特征提取網(wǎng)絡(luò)僅使用具有最豐富語(yǔ)義信息的深層特征［19］。深層特征對(duì)于大目標(biāo)的檢測(cè)很有效，但對(duì)于小目標(biāo)的檢測(cè)效果不佳［20］。在對(duì)蘋(píng)果葉片病害圖像進(jìn)行采集的過(guò)程中發(fā)現(xiàn)，實(shí)際條件下的病害圖像中的病斑面積小，所包含的像素少，因此使用深層特征難以提取到豐富的語(yǔ)義信息。而對(duì)特征提取網(wǎng)絡(luò)而言，淺層特征包含更多的細(xì)節(jié)信息，能夠幫助目標(biāo)準(zhǔn)確定位，因此適用于小目標(biāo)。因此，為提高模型對(duì)蘋(píng)果葉片病害的檢測(cè)精度，在Faster R_CNN 的特征提取網(wǎng)絡(luò)中引入特征金字塔網(wǎng)絡(luò)模塊，融合具有細(xì)節(jié)信息的淺層特征和具有豐富語(yǔ)義信息的深層特征，以達(dá)到提升模型檢測(cè)效果的目的。

特征金字塔網(wǎng)絡(luò)采用了自頂向下與橫向連接結(jié)構(gòu)，充分利用不同卷積層，其網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。首先將深層特征通過(guò)2 倍上采樣使其與淺層特征大小統(tǒng)一，隨后將其與1×1 卷積之后的淺層特征橫向連接，使用1×1 卷積層的目的是為了減少特征圖個(gè)數(shù)；最后在卷積特征進(jìn)行橫向連接之后，通過(guò)1 個(gè)3×3 的卷積層來(lái)減少上采樣所帶來(lái)的混疊效應(yīng)。圖中｛P2，P3，P4，P5，P6｝為最終的特征金字塔，其中P6由P5進(jìn)行2 倍下采樣得到，其錨點(diǎn)尺度為512×512。

圖1 特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of feature pyramid networks

融合后特征圖即可被后續(xù)候選區(qū)域網(wǎng)絡(luò)和Faster R_CNN 檢測(cè)網(wǎng)絡(luò)使用，候選區(qū)域網(wǎng)絡(luò)根據(jù)每一層金字塔對(duì)應(yīng)的錨點(diǎn)尺度｛32×32，64×64，128×128，256×256，512×512｝，分別應(yīng)用3 種比例｛1∶2，1∶1，2∶1｝，共產(chǎn)生15 種類(lèi)型的錨點(diǎn)對(duì)蘋(píng)果病害葉片圖像中的病斑進(jìn)行位置預(yù)測(cè)，得到目標(biāo)候選框位置。在Faster R_CNN 檢測(cè)網(wǎng)絡(luò)進(jìn)行池化操作之前，根據(jù)特征圖尺度的不同來(lái)選擇不同層級(jí)的金字塔層。映射公式如式（1）所示：

其中：w和h分別對(duì)應(yīng)候選框的寬和高；224 為預(yù)訓(xùn)練數(shù)據(jù)集圖像大小；k0為4；k對(duì)應(yīng)為特征金字塔網(wǎng)絡(luò)中的Pk層。

1.2 精確感興趣區(qū)域池化

Faster R_CNN 在感興趣區(qū)域池化過(guò)程中存在2 次量化（即浮點(diǎn)數(shù)取整）操作，如圖2 所示。將候選區(qū)域網(wǎng)絡(luò)得到的感興趣區(qū)域坐標(biāo)（分別為候選框左上角和右下角2 個(gè)點(diǎn)的4 個(gè)坐標(biāo)值）映射到特征圖上。由于卷積神經(jīng)網(wǎng)絡(luò)的池化操作，特征圖的尺寸縮小為原圖的32 倍，在此過(guò)程中進(jìn)行取整以消除計(jì)算產(chǎn)生的小數(shù)；然后將每一個(gè)映射到特征圖上的感興趣區(qū)域均分成7×7 個(gè)區(qū)域，即進(jìn)行7×7 的池化操作，此過(guò)程中還需進(jìn)行量化操作，以此消除計(jì)算產(chǎn)生的小數(shù)。2 次量化操作給感興趣區(qū)域造成了像素偏差，這對(duì)于一般尺度的目標(biāo)影響很小，但對(duì)于病斑尺度較小的蘋(píng)果葉片病害將造成嚴(yán)重的誤差。

圖2 兩次量化取整過(guò)程Fig.2 The process of twice quantization rounding

為消除感興趣區(qū)域池化中2 次量化操作對(duì)病斑較小的蘋(píng)果葉片病害造成的像素偏差，本文采用精確感興趣區(qū)域池化。首先對(duì)輸入的感興趣區(qū)域進(jìn)行雙線性插值處理，將其離散的特征圖映射到一個(gè)連續(xù)空間中，映射公式如式（2）所示：

其中：wi，j為離散特征圖；f是經(jīng)過(guò)插值后連續(xù)的特征圖；IC（x，y，i，j）為插值系數(shù)，如式（3）所示：

通過(guò)使用二重積分進(jìn)行求均值完成池化操作，如式（4）所示：

PrROI Pooling 通過(guò)雙線性插值和二重積分徹底避免了感興趣區(qū)域池化中的量化操作，從而有效降低量化操作對(duì)蘋(píng)果葉片病害檢測(cè)帶來(lái)的精度損失。

1.3 模型框架

蘋(píng)果葉片病害檢測(cè)模型如圖3 所示。

圖3 蘋(píng)果葉片病害檢測(cè)模型Fig.3 The detection model of apple leaf disease

檢測(cè)步驟如下：

1）提取蘋(píng)果葉片病害特征。通過(guò)特征金字塔網(wǎng)絡(luò)對(duì)含有蘋(píng)果葉片病害任意尺寸的圖像進(jìn)行特征提取，將所得到的特征圖作為候選區(qū)域網(wǎng)絡(luò)和Faster R_CNN 目標(biāo)檢測(cè)網(wǎng)絡(luò)的輸入。

2）生成蘋(píng)果葉片病害候選框信息。候選區(qū)域網(wǎng)絡(luò)以特征圖上每個(gè)像素點(diǎn)為中心，生成15 種不同尺寸錨點(diǎn)，再通過(guò)Softmax 分類(lèi)器判斷錨點(diǎn)屬于前景還是背景，并通過(guò)錨點(diǎn)回歸得到高質(zhì)量的候選框，以預(yù)先找到蘋(píng)果葉片病害可能出現(xiàn)的位置。

3）確定蘋(píng)果葉片病害的位置和種類(lèi)。Faster R_CNN檢測(cè)網(wǎng)絡(luò)融合特征圖與候選框信息，通過(guò)精確感興趣區(qū)域池化對(duì)融合信息進(jìn)行長(zhǎng)度固定的特征張量提取，并對(duì)提取的特征張量進(jìn)行分類(lèi)和位置回歸，以確定最終的蘋(píng)果葉片病害檢測(cè)框精確位置和病害種類(lèi)。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 實(shí)驗(yàn)數(shù)據(jù)集

本研究以5 種蘋(píng)果葉片病害為研究對(duì)象，分別為斑點(diǎn)落葉病、褐斑病、花葉病、灰斑病和銹病。數(shù)據(jù)集由Plant Village 中蘋(píng)果葉片的數(shù)據(jù)集和采集的圖像數(shù)據(jù)集組成。圖像采集工作于2018 年9 月在西北農(nóng)林科技大學(xué)白水蘋(píng)果試驗(yàn)站、洛川蘋(píng)果試驗(yàn)站和慶城蘋(píng)果試驗(yàn)站中完成，采集設(shè)備為數(shù)碼相機(jī)（Canon EOS 40D）。圖像采集在晴天、陰天等不同自然光線下進(jìn)行，模擬蘋(píng)果葉片生長(zhǎng)可能的環(huán)境條件。本文采集的大部分圖像背景復(fù)雜，與實(shí)際應(yīng)用情況相同，如圖4 所示。

圖4 5 種蘋(píng)果葉片病害圖像Fig.4 The images of five apple leaf diseases

為避免圖像冗余，使用人工對(duì)靜態(tài)圖像進(jìn)行篩選，從3 156 張采集圖像中篩選出2 029 張圖片。由于采集的原始圖像數(shù)量有限，因此無(wú)法滿足網(wǎng)絡(luò)訓(xùn)練的要求。為減少模型過(guò)擬合，加強(qiáng)模型的穩(wěn)定性，對(duì)篩選后的圖像進(jìn)行旋轉(zhuǎn)（旋轉(zhuǎn)角度分別是90o、180o和270o）、明亮度和對(duì)比度的變化，以擴(kuò)充至原始數(shù)量的10 倍。數(shù)據(jù)集構(gòu)成如表1 所示。

表1 數(shù)據(jù)集Table 1 Dataset

由于Faster R_CNN 模型能自動(dòng)從不同大小的圖像中提取特征，因此樣本圖像可以直接用于本文試驗(yàn)方法的訓(xùn)練與測(cè)試，不需要進(jìn)行縮放等預(yù)處理操作。采用LabelImg 工具對(duì)數(shù)據(jù)集圖像中5 類(lèi)蘋(píng)果葉片病害進(jìn)行手工標(biāo)注，以獲得每張圖像的標(biāo)簽矩陣。

2.2 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置

實(shí)驗(yàn)環(huán)境配置如表2 所示。本研究模型使用預(yù)訓(xùn)練的參數(shù)進(jìn)行初始化，學(xué)習(xí)率的初始值為0.001，Epoch 為1 000，動(dòng)量為0.9，迭代次數(shù)為90 000，每迭代一個(gè)Epoch 保存一次模型，最終選取精度最高的模型。模型的超參數(shù)學(xué)習(xí)率優(yōu)化采用熱身（Warm up）策略，即一開(kāi)始使用較小的學(xué)習(xí)率，慢慢增大學(xué)習(xí)率［21-23］。該策略可以有效提高模型的檢測(cè)精度，使模型收斂速度加快。

表2 實(shí)驗(yàn)環(huán)境配置Table 2 The configuration of experimental environment

將數(shù)據(jù)集按6∶2∶2 的比例劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。使用12 030 張訓(xùn)練集樣本對(duì)本研究提出模型進(jìn)行訓(xùn)練。模型訓(xùn)練精度損失曲線如圖5 所示。由圖5 可知，隨著迭代次數(shù)的不斷增加，網(wǎng)絡(luò)模型的精度損失逐漸降低，當(dāng)?shù)?0 000 次后，模型開(kāi)始收斂到穩(wěn)定值，表明本研究提出的模型達(dá)到預(yù)期訓(xùn)練效果。

圖5 訓(xùn)練損失曲線Fig.5 Loss curves of training

2.3 評(píng)價(jià)指標(biāo)

為驗(yàn)證本研究所提出的模型，采用浮點(diǎn)運(yùn)算次數(shù)（Floating Point of Operations，F(xiàn)LOPs）［24］、平均處理時(shí)間與平均精度（Average Precision，AP）作為評(píng)價(jià)指標(biāo)。平均處理時(shí)間能有效地評(píng)價(jià)模型識(shí)別速度，可作為模型實(shí)時(shí)性的評(píng)價(jià)標(biāo)準(zhǔn)，如式（5）所示：

平均精度與精確率（Pre）和召回率（Rec）有關(guān)。精確率和召回率的計(jì)算公式如式（6）和式（7）所示：

其中：Tp為被正確劃分為正樣本的數(shù)量；Fp為被錯(cuò)誤劃分為正樣本的數(shù)量；FN為被錯(cuò)誤劃分為負(fù)樣的數(shù)量。

根據(jù)上述公式繪制精確率-召回率曲線，曲線的橫軸召回率反映了模型對(duì)正樣本的覆蓋能力，縱軸精確率反映了模型的預(yù)測(cè)樣本的精確度。平均精度是對(duì)精確率-召回率曲線進(jìn)行積分，積分公式如式（8）所示。平均精度體現(xiàn)模型檢測(cè)效果，其值越大，效果越好，反之越差。

此外，本文采用FLOPs，即浮點(diǎn)運(yùn)算次數(shù)，來(lái)衡量模型的復(fù)雜度。

2.4 不同模型檢測(cè)性能對(duì)比

為驗(yàn)證本研究提出模型的有效性，選取YOLOv3［25］和Mask R_CNN［26］2 種模型，在其他條件和參數(shù)設(shè)置均保持一致的前提下，采用平均精度、平均精度均值（mean Average Precision，mAP）、平均處理時(shí)間、參數(shù)量和FLOPs 作為評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比實(shí)驗(yàn)。參數(shù)量和FLOPs 反應(yīng)了模型的空間復(fù)雜度和計(jì)算復(fù)雜度。

由表3 可知，從檢測(cè)精度來(lái)看，本模型對(duì)5 種病害的檢測(cè)精度均達(dá)到最高，其mAP 為82.48%，與YOLOv3和Mask R_CNN 相比，mAP 分別提升了14.12、5.06 個(gè)百分點(diǎn)。YOLOv3 模型的檢測(cè)精度最低，這是因?yàn)閅OLOv3 模型沒(méi)有候選區(qū)域網(wǎng)絡(luò)，其檢測(cè)流程為直接通過(guò)生成與特征圖大小相同的預(yù)測(cè)圖進(jìn)行回歸分類(lèi)，以得到目標(biāo)檢測(cè)位置。雖然YOLOv3 模型同樣采用特征金字塔結(jié)構(gòu)，但對(duì)于本實(shí)驗(yàn)中蘋(píng)果葉片病害背景復(fù)雜、病斑較小的特點(diǎn)，不具有良好的適用性。Mask R_CNN模型在候選區(qū)域網(wǎng)絡(luò)采用ROI Align 代替ROI Pooling，避免了量化操作，但其仍存在區(qū)域劃分?jǐn)?shù)量難以自適應(yīng)的問(wèn)題，因此該模型的候選框位置仍存在極大的像素偏差。Mask R_CNN 模型對(duì)于斑點(diǎn)落葉病、褐斑病和灰斑病檢測(cè)精度較低，本研究提出的蘋(píng)果葉片病害檢測(cè)模型與其相比，在這3 類(lèi)病害檢測(cè)中精度分別提升了7.19、6.86 和5.79 個(gè)百分點(diǎn)。

表3 不同模型的檢測(cè)性能對(duì)比Table 3 Comparison of detection performance of different models

從表3 中其他其余指標(biāo)可知，YOLOv3 的平均處理時(shí)間最短，所提模型次之，Mask R_CNN 的平均處理時(shí)間最長(zhǎng)。雖然YOLOv3 的平均處理時(shí)間最短，但無(wú)法保證預(yù)測(cè)的準(zhǔn)確性，尤其是在對(duì)1 張圖像中含有多種病害的圖像檢測(cè)時(shí)，存在著大量漏檢情況。與此同時(shí)，YOLOv3 模型的參數(shù)量與FLOPs 最高，說(shuō)明模型的空間復(fù)雜度和運(yùn)算復(fù)雜度很高。所提模型在保證預(yù)測(cè)準(zhǔn)確性的前提下，將平均處理時(shí)間控制在可接受的范圍內(nèi)，確保了檢測(cè)的實(shí)時(shí)性。此外，所提模型的參數(shù)量和FLOPs 均為最低，在3 種模型中性能最優(yōu)。因此，綜合檢測(cè)精度、模型空間復(fù)雜度、時(shí)間復(fù)雜度和實(shí)時(shí)性等多方面考慮，所提模型可以更好地對(duì)5 種蘋(píng)果葉片病害進(jìn)行檢測(cè)。

2.5 特征提取網(wǎng)絡(luò)比較

在目標(biāo)檢測(cè)領(lǐng)域，將Faster R_CNN 中的VGG16 替換成殘差網(wǎng)絡(luò)（Residual Network，ResNet）可以提高模型性能［27］。為確定蘋(píng)果葉片病害檢測(cè)模型中ResNet的最佳層數(shù)，選取ResNet18、ResNet50 和ResNet101 3 種結(jié)構(gòu)，在其他條件和參數(shù)設(shè)置均保持一致的前提下，將5 種蘋(píng)果葉片病害的平均精度均值作為評(píng)價(jià)指標(biāo)進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表4 所示。

表4 特征提取網(wǎng)絡(luò)比較Table 4 Comparison of feature extraction network

由表4 可知，ResNet101 的平均精度均值在3 種模型中最佳，其mAP 達(dá)到77.39%；ResNet50 次之，mAP 為76.47%；ResNet18 最差，mAP 為72.54%。值得注意的是，從ResNet18 到ResNet50，mAP 提升幅度最大，達(dá)到了3.93 個(gè)百分點(diǎn)；但從ResNet50 到ResNet101，在所需空間增加82.08 MB，網(wǎng)絡(luò)參數(shù)增加20.87×106的情況 下，mAP 提升幅 度較小，僅 為0.92 個(gè)百分點(diǎn)。這是因?yàn)殡m然ResNet101 在銹病和花葉病的檢測(cè)精度提高，但對(duì)其他病害的檢測(cè)精度均無(wú)明顯變化。考慮后期該模型將移植于移動(dòng)端，本研究選擇ResNet50 作為Faster R_CNN 蘋(píng)果葉片病害檢測(cè)模型的特征提取網(wǎng)絡(luò)。

2.6 FPN 和PrPOI Pooling 影響對(duì) 比

為增強(qiáng)實(shí)驗(yàn)結(jié)果的準(zhǔn)確性，驗(yàn)證本研究提出的改進(jìn)點(diǎn)對(duì)于模型檢測(cè)性能的影響，將FPN 和PrROI Pooling 與Faster R_CNN 模型分別組合進(jìn)行對(duì)比實(shí)驗(yàn)，4 組模型如下：

1）模型1：Faster R_CNN。

2）模型2：Faster R_CNN+FPN。

3）模型3：Faster R_CNN+PrROI Pooling。

4）模型4：Faster R_CNN+FPN+PrROI Pooling。

由表5 可知，與模型1 相比，引入FPN 的模型2在除花葉病之外的4 種病害檢測(cè)精度均有顯提升，其中斑點(diǎn)落葉病、灰斑病和褐斑病檢測(cè)精度提升明顯，分別提升了9.25、9.19 和6.19 個(gè)百分點(diǎn)。這是因?yàn)檫@4 種病害葉片病斑較小，通過(guò)結(jié)合淺層特征與深層特征可以有效提高模型對(duì)其的檢測(cè)精度。模型2對(duì)于花葉病的檢測(cè)精度低于模型1，這是因?yàn)樘O(píng)果花葉病在葉片上往往呈現(xiàn)出大片病斑區(qū)域，只使用深層特征更有利于該病害的檢測(cè)。從檢測(cè)時(shí)間角度分析，模型2 的平均處理時(shí)間比模型1 減少了59 ms，這是因?yàn)榧尤隖PN 模塊使原本的特征維度由1 024 維降至256 維。加入PrROI Pooling 的模型3 在5 種病害檢測(cè)精度上均有提升，這說(shuō)明模型1 中ROI Pooling的2 次量化操作，使得候選區(qū)域網(wǎng)絡(luò)回歸生成的候選框位置與真實(shí)位置存在極大的像素偏差，從而造成模型檢測(cè)精度的下降。而實(shí)驗(yàn)結(jié)果也充分證明PrROI Pooling 可彌補(bǔ)該精度損失。但由于PrROI Pooling 通過(guò)雙線性插值和二重積分以得到候選框的位置，比2 次量化操作更為復(fù)雜，因此模型3 的平均處理時(shí)間高于模型1。

表5 FPN 和PrPOI Pooling 模型對(duì)檢測(cè)精度的影響Table 5 The impact of FPN and PrPOI Pooling model on detection precision

對(duì)于同時(shí)加入FPN 和PrROI Pooling 的模型4，mAP 達(dá)到了82.48%，相比于模型1、模型2 和模型3分別提升了6.01、0.96 和2.88 個(gè)百分點(diǎn)。這說(shuō)明本文所提模型4，結(jié)合了FPN 和PrROI Pooling 的優(yōu)勢(shì)，在縮短平均處理時(shí)間的同時(shí)，大幅提升了對(duì)5 種蘋(píng)果葉片病害的檢測(cè)精度。

3 結(jié)束語(yǔ)

本文提出一種基于Faster R_CNN 的蘋(píng)果葉片病害檢測(cè)模型，利用特征金字塔網(wǎng)絡(luò)提升模型的特征提取能力，使用PrROI Pooling 避免ROI Pooling 2 次量化操作對(duì)病斑較小的蘋(píng)果葉片病害造成嚴(yán)重檢測(cè)偏差。實(shí)驗(yàn)結(jié)果表明，本文模型對(duì)5 種蘋(píng)果葉片病害檢測(cè)的平均精度均值達(dá)82.48%，在蘋(píng)果葉片病害檢測(cè)方面具有實(shí)用性。但在實(shí)際應(yīng)用中，僅能對(duì)5 種病害進(jìn)行檢測(cè)遠(yuǎn)遠(yuǎn)不夠，下一步將采集更多種類(lèi)蘋(píng)果葉片病害圖像，擴(kuò)大模型可檢測(cè)病害種類(lèi)的范圍。