自然场景下获取的黄瓜病害图像存在光照、 土壤等噪声, 严重影响黄瓜病害识别精度, 现有检测模型占用内存较大, 难以实现黄瓜病害的实时检测。 以自然环境中黄瓜霜霉病、 白粉病和炭疽病3种病害的可见光光谱图像为研究对象, 提出一种基于可见光谱和改进YOLOv5目标检测网络的黄瓜病害识别模型, 探索自然环境中黄瓜病害的准确实时检测并降低检测模型存储成本的方法。 为平衡检测精度和模型所需存储空间, 以轻量级网络结构YOLOv5s为基线模型, 引入SE注意力机制, 提取特征维度信息, 降低复杂背景对检测结果的影响, 提高模型的检测精度; 引入深度可分离卷积替换基线模型中的标准卷积, 减少模型参数带来的计算负担, 提高检测速度。 检测模型接收任意像素的可见光光谱图像并调整成640×640像素作为检测网络输入, 输出表示黄瓜病害发生区域及病害类别, 使用COCO数据集上预训练权重初始化网络权重。 实验结果表明, 改进后的YOLOv5s-SE-DW模型对黄瓜霜霉病、 白粉病和炭疽病的检测精度分别达到了78.0%, 80.9%和83.6%, mAP高达80.9%, 模型存储空间仅为9.45 MB, 浮点运算次数仅为11.8 G, 相比基线模型mAP提高了2.4%, 运算次数减少了4.6 G, 模型所需的存储空间降低了4.95 MB, 在减小模型所需内存的同时提升病害检测准确率; 进一步与经典两阶段目标检测网络Faster-RCNN和单阶段目标检测网络YOLOv3, YOLOv3-tiny, YOLOv3-SPP以及YOLOv4进行对比, 提出的YOLOv5s-SE-DW模型相比对比模型中表现最优的YOLOv4模型mAP提高了3.8%, 检测时间和存储空间大幅度降低。 综合结果表明, 所提出的YOLOv5s-SE-DW网络对于自然场景中的黄瓜病害检测具有良好的精度和实时性, 能够满足黄瓜实际种植环境中病害检测的需求, 为实际应用场景下黄瓜病害自动检测的实现提供参考。

病害严重影响作物品质, 并造成经济损失。 病斑分割是病害定量诊断的重要过程, 其分割结果可为后续的识别和严重度估算提供有效依据。 由于病斑具有不规则性和复杂性, 且自然环境下病斑可见光谱图像易受光照变化等影响, 传统的图像处理方法对病斑图像分割存在准确率低、 普适性低和鲁棒性不高等问题。 该工作提出了基于语义分割和可见光谱图像的作物叶部病害病斑分割方法。 首先, 以花生褐斑病、 烟草赤星病为研究对象, 使用尼康D300s单反相机共采集到165张可见光谱图像。 通过Matlab Image Labeler APP对病害可见光谱图像进行像素标记, 分别标记出褐斑病病斑、 赤星病病斑和背景区域。 其次, 对标记后的数据采用水平翻转、 垂直翻转、 改变亮度等图像扩充方式, 获得1 850份增强后样本数据集。 为了节约计算成本, 将数据集的像素分辨率调整为300×300。 最后, 基于FCN, SegNet和U-Net 3种语义分割网络, 构建4 种作物叶部病害病斑分割模型, 探索了数据增强、 病害类别对病斑分割模型的影响, 并采用4种分割指标评价模型效果。 结果表明: 仅对于病斑分割, 图像增强能够提高模型的分割精度, 增强后FCN模型的平均精度(MP)和平均交并比(MIoU)分别为95.71%和93.36%。 4个语义分割模型显著优于支持向量机(SVM), 其中FCN与U-Net, SegNet-2和SegNet-4分割模型相比, 能够有效避免光线变化等影响, 病斑分割精度(P)和交并比(IoU)分别达到99.25%和97.55%。 对于病斑分类分割实验, FCN对两种病害的分割精度Pd分别达到97.54%和90.41%, 对两种病害的交并比IOUd分别为95.61%和70.30%, 均优于其他3种分割模型。 FCN能够在分割病斑的同时也准确地识别病害类别, 有较好的泛化性和鲁棒性, 实现了自然场景下作物叶部病害病斑的识别与分割, 为计算混合病害严重度提供了技术参考。