基于SSD的蘋果葉片病害檢測方法

江鵬　陳躍翰

摘要：本文使用深度學習目標檢測SSD算法對三種常見的蘋果葉片病蟲害一褐斑病、花葉病、鐵銹病進行識別檢測，實驗結果顯示該種方法的綜合檢測性能達到79.63%mAP，為蘋果葉片病害的早期診斷提供了一種高性能的解決方案。

[關鍵詞]蘋果葉片病害深度學習目標檢測SSD

1引言

在蘋果生產過程中，各種疾病的大量發生造成了巨大的經濟損失。及時有效地檢測蘋果葉片病害對保證蘋果產業的健康發展至關重要，已成為農業信息領域的研究熱點。傳統上通過專家的目視觀察來診斷植物病害。然而，這種方法依賴于主觀感知，存在出錯的風險。

近年來，深度學習和卷積網絡在計算機視覺方面取得了重大突破，許多相關的理論和實踐成果層出不窮。目前基于深度學習的圖像識別技術在農作物病害檢測方面的研究和應用并不鮮見。然而，基于深度學習的目標檢測技術在農業領域的應用卻很少見。因此，本文采用基于卷積神經網絡的SSD目標檢測算法對蘋果葉片病害進行檢測。該方法能夠自動識別病蘋果圖像的特征，并能高精度地檢測出本次研究中所用的三種常見的蘋果葉片病害。此外，該方法可以處理實際的野外條件下拍攝到的蘋果葉片病害圖像。

2蘋果葉片病害檢測模型

SSD是一種單階段的目標檢測方法，可以直接預測目標的類型和相應的邊界框的坐標，不需要生成區域建議。SSD的檢測速度遠遠快于FasterR-CNN，而兩種方法的檢測精度基本相同。因此，本文將SSD算法作為對蘋果葉片病害進行目標檢測的算法。

3實驗方法與結果

3.1數據采集

除了人工采集的圖像，數據集中的其他圖像由陜西省白水縣西北農林科技大學蘋果實驗站提供。最終共獲得1248幅蘋果葉片病害圖像，這些圖像對應于三類病害：褐斑病、花葉病和鐵銹病。這三類病害是導致蘋果行業的產量大幅下降的主要病害。

在采集到的3種常見蘋果葉片病害的ALDD數據集上，對該模型進行了評價。實驗中，75%的數據集用于訓練，25%的數據集用于測試。

3.2圖像標注

圖像標注階段使用了一種利用Python開發的提供圖像標注的算法，對圖片中的病變區域進行旋轉，并用相應的類別進行標記。程序將為每個帶注釋的圖像生成對應的XML文件，其中包含圖像中每個病灶邊界框的坐標值和疾病的類別等信息。

以褐斑病為例，圖1（a）顯示了一個帶標注的圖像。紅色和藍色的框表示患病的蘋果葉的感染區域。圖1（b）以XML文檔的形式顯示了圖像的對應描述。

3.3實驗配置

本實驗在Ubuntu服務器上進行，使用Intel⑧Xeon（R）CPUE5-2650v3@2.30GHz*40，同時使用NVIDIAGTX1080TiGPU加速。NVIDIAGTX1080Ti有3584個CUDA核心和11GB內存。核心頻率高達1480mhz，浮點性能為10.5TFLOPS。在Caffe深度學習框架中實現了基于CNN的模型。

3.4結果與分析

3.4.1不同圖像分辨率的比較

在目標檢測算法的評價中，平均精度均值（mAP）是本文的主要評價指標。為了比較不同的圖像分辨率對于識別結果的影響，采用了300x300和512x512這兩種分辨率的圖像對模型進行訓練以實現蘋果葉片病害檢測。使用相同的特征提取器VGGNet，SSD512的識別準確率略大于SSD300，但提升效果并不顯著。在實驗中，花葉病被認為是最復雜的類別。這是因為該類疾病的性狀在類內的巨大差異：病斑可大可小，且易于與環境混淆。

該方法不僅可以在一張圖像上檢測出單個對象，而且可以同時檢測多個對象，這顯示了其強大的檢測性能。

4結語

本文運用SSD算法實現了蘋果葉片病害實時檢測方法。該方法基于深度學習，利用1248張病葉圖像的數據集對SSD模型進行了檢測蘋果葉片病害的訓練。實驗結果表明，模型的綜合檢測性能達到79.63%mAP。這表明所訓練模型可以自動提取蘋果病害圖像的鑒別特征，高精度地檢測出三種常見的蘋果葉片病害類型。

參考文獻

[1]霍迎秋，唐晶磊，尹秀珍等。基于壓縮感知理論的蘋果病害識別方法[J].農業機械學報，2013，44（10）：228-232.

[2]王梅嘉，何東健，任嘉琛。基于Android平臺的蘋果葉病害遠程識別系統[J].計算機工程與設計，2015，36（09）：2586-2590.