基于改進(jìn)Faster RCNN的茶葉葉部病害識(shí)別

關(guān)鍵詞 目標(biāo)檢測(cè)； 茶葉葉部病害； FPN 網(wǎng)絡(luò)； Rank and Sort Loss； 區(qū)域建議網(wǎng)絡(luò)

我國(guó)是世界上茶葉種植面積最大的國(guó)家，然而，在茶葉生產(chǎn)過(guò)程中病害感染問(wèn)題尤為嚴(yán)重，其中危害葉片的病害居多。這些病害會(huì)直接影響茶葉的產(chǎn)量和品質(zhì)，給茶農(nóng)帶來(lái)嚴(yán)重的經(jīng)濟(jì)損失。傳統(tǒng)檢測(cè)茶葉病害的技術(shù)不僅費(fèi)時(shí)、費(fèi)力，而且效率低下、費(fèi)用高昂。因此，研究實(shí)現(xiàn)茶葉病害準(zhǔn)確高效的分類與識(shí)別方法至關(guān)重要［1］。

近年來(lái)，利用深度學(xué)習(xí)技術(shù)對(duì)病害進(jìn)行智能識(shí)別很好地彌補(bǔ)了傳統(tǒng)圖像處理方法和機(jī)器學(xué)習(xí)技術(shù)在病害識(shí)別方面的不足［2-3］。深度學(xué)習(xí)方法分為基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）的傳統(tǒng)分類網(wǎng)絡(luò)方法和目標(biāo)檢測(cè)方法。CNN可以通過(guò)自動(dòng)提取圖像特征從而實(shí)現(xiàn)對(duì)植物病害的分類識(shí)別。Hu 等［4］利用改進(jìn)后的CIFAR10-quick 模型實(shí)現(xiàn)對(duì)茶葉健康葉片、葉枯病、芽枯病和圓赤星病的分類識(shí)別，平均識(shí)別準(zhǔn)確率為92.5%。Suresh 等［5］使用3 種不同的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)葡萄黑腐病、葉枯病和黑麻疹病進(jìn)行識(shí)別。孫云云等［6］采用經(jīng)典分類網(wǎng)絡(luò)模型AlexNet 對(duì)茶輪斑病、炭疽病和云紋葉枯病的識(shí)別準(zhǔn)確率分別達(dá)到90%、85% 和90%。李子茂等［7］將SENet 模塊融入DenseNet 網(wǎng)絡(luò)結(jié)構(gòu)中，引入Focal Loss 函數(shù)替換原DenseNet 中的損失函數(shù)，對(duì)茶白星病、輪斑病、茶煤病、圓赤星病和葉枯病的識(shí)別準(zhǔn)確率達(dá)到92.66%。以上均是基于傳統(tǒng)分類網(wǎng)絡(luò)的植物病害識(shí)別方法，傳統(tǒng)分類網(wǎng)絡(luò)主要用于對(duì)輸入圖像進(jìn)行分類，確定圖像屬于預(yù)定義類別中的哪一類，通常僅輸出一個(gè)類別標(biāo)簽，且不能對(duì)目標(biāo)物體進(jìn)行定位。

隨著基于CNN 的目標(biāo)檢測(cè)方法的興起，傳統(tǒng)分類網(wǎng)絡(luò)方法的不足得以改善。目標(biāo)檢測(cè)方法對(duì)輸入圖像中的目標(biāo)物體既可以分類也可以定位，其輸出是一組邊界框和相應(yīng)的類別標(biāo)簽，每個(gè)邊界框描述了圖像中一個(gè)檢測(cè)到的物體的位置，允許在一張圖像中檢測(cè)和定位多個(gè)物體，每個(gè)物體都有相應(yīng)的類別標(biāo)簽和邊界框。目標(biāo)檢測(cè)網(wǎng)絡(luò)分為2 類：第一類是以YOLO（you only look once）［8-10］系列和SSD（sin?gle shot multibox detector）［11］為代表的單階段檢測(cè)算法，這類算法通常采用單一的神經(jīng)網(wǎng)絡(luò)直接輸出圖像中目標(biāo)的類別和位置。Wang 等［12］基于SSD 網(wǎng)絡(luò)提出DBA SSD 算法，融合了改進(jìn)后的VGG 網(wǎng)絡(luò)和通道注意力機(jī)制，實(shí)現(xiàn)對(duì)PlantVillage 數(shù)據(jù)集中14 種植物葉片的病害識(shí)別和程度分類。顧偉等［13］利用改進(jìn)的SSD 算法對(duì)破損棉籽和無(wú)損棉籽識(shí)別準(zhǔn)確率達(dá)到96.1%。邸潔等［14］采用Tiny-YOLO 網(wǎng)絡(luò)實(shí)現(xiàn)對(duì)蘋果葉部病害快速有效的檢測(cè)。第二類是以RCNN系列（region-based convolutional neural net?work）［15-16］為代表的二階段檢測(cè)算法。第一階段是生成圖像中可能包含物體的候選區(qū)域，第二階段是生成的候選區(qū)域被送入一個(gè)分類器進(jìn)行目標(biāo)的精確分類。由于有2 個(gè)明顯的階段，模型可以專注于不同的任務(wù)，使得整個(gè)系統(tǒng)更加靈活和可優(yōu)化，有較為精確的目標(biāo)定位和分類能力。Zhang 等［17］用深度殘差網(wǎng)絡(luò)作為Faster RCNN 的特征提取網(wǎng)絡(luò)，采用Kmeans聚類算法對(duì)邊界框進(jìn)行聚類，改進(jìn)后的算法對(duì)番茄的健康葉片和4 種病害的識(shí)別準(zhǔn)確率比原來(lái)提高了2.71%。Zhang 等［18］提出了一種結(jié)合Mixup 數(shù)據(jù)增強(qiáng)、ResNet50 特征提取網(wǎng)絡(luò)和Soft-NMS （nonmaximumsuppression）算法的Faster RCNN 草莓識(shí)別方法，對(duì)成熟草莓和未成熟草莓的識(shí)別精度分別達(dá)到95.12% 和88.79%。以上試驗(yàn)中對(duì)蔬菜水果和糧食作物的識(shí)別定位大多基于實(shí)驗(yàn)室背景，對(duì)復(fù)雜背景下病害的識(shí)別定位研究相對(duì)較少。復(fù)雜的茶園環(huán)境，包括雜草、樹枝、土壤等干擾物，以及病害的不同規(guī)模和病斑的不同尺度等因素，對(duì)準(zhǔn)確高效檢測(cè)茶葉病害提出一定挑戰(zhàn)。

目前對(duì)于茶園復(fù)雜背景下的茶葉葉部病害檢測(cè)研究較少，且茶葉葉部病害的病斑尺度差異較大。為解決茶園復(fù)雜背景下茶葉葉部病害識(shí)別較為困難的問(wèn)題，實(shí)現(xiàn)復(fù)雜背景下茶葉葉部病害的精準(zhǔn)識(shí)別，本研究選擇結(jié)構(gòu)復(fù)雜但精準(zhǔn)度較好的Faster RCNN算法作為基礎(chǔ)網(wǎng)絡(luò)，融合FPN 網(wǎng)絡(luò)、優(yōu)化損失函數(shù)，旨在進(jìn)一步提高網(wǎng)絡(luò)對(duì)茶葉葉部病害的識(shí)別精度，弱化茶園復(fù)雜環(huán)境對(duì)病害識(shí)別的干擾，為茶園茶葉葉部病害的快速診斷提供精確信息。

1 材料與方法

1.1 數(shù)據(jù)采集

本研究所用的茶葉病害圖片均采集自廣東省農(nóng)業(yè)技術(shù)推廣中心茶園，拍攝于2021 年10 月至2023 年9 月茶葉病害高發(fā)季節(jié)。在數(shù)據(jù)采集過(guò)程中，使用Redmi K30 Pro 手機(jī)（6 400 萬(wàn)像素），圖像以JPG 格式保存。為保證圖像樣本的多樣性與豐富程度，模擬實(shí)際茶園復(fù)雜環(huán)境中可能遇到的各種情況，在不同天氣（晴天、陰天和雨后）、不同角度（背陽(yáng)和向陽(yáng)等）條件下進(jìn)行拍攝，拍攝距離為15～25 cm。

采集的病害類別包括白星病、藻斑病、炭疽病和煤煙病。藻斑病和白星病病斑小且密集，炭疽病和煤煙病病斑大且稀疏。各目標(biāo)所在環(huán)境均為茶園自然生態(tài)環(huán)境，采集到的數(shù)據(jù)中含有茶樹枝干、雜草以及土壤等干擾因子，這些病害數(shù)據(jù)能夠反映茶樹病害真實(shí)的生存環(huán)境，很好地表述了茶樹生長(zhǎng)環(huán)境的多樣性和復(fù)雜性，適用于復(fù)雜背景下茶樹病害目標(biāo)檢測(cè)任務(wù)。采集的茶葉葉部病害樣例如圖1所示。

1.2 數(shù)據(jù)集標(biāo)注與分類

茶園采集的茶病害數(shù)據(jù)經(jīng)過(guò)茶病害專家的對(duì)比確認(rèn)，人工篩選和裁剪后得到分辨率為3 472 像素×3 472 像素的2 694 張茶病害樣本，其中白星病、藻斑病、炭疽病、煤煙病的數(shù)量分別是537、684、672 和801張。采用LabelImg 圖像標(biāo)注工具對(duì)圖像中的病斑進(jìn)行標(biāo)注，LabelImg 可直接將人工標(biāo)注的信息轉(zhuǎn)化為Faster RCNN 模型訓(xùn)練所需要的包含病害類型、位置坐標(biāo)等信息的xml 文件；選擇PASCAL VOC 格式進(jìn)行類別標(biāo)注。數(shù)據(jù)集以8∶1∶1 的比例隨機(jī)劃分為訓(xùn)練集、驗(yàn)證集和測(cè)試集。訓(xùn)練集用于訓(xùn)練模型及確定模型權(quán)重，驗(yàn)證集用于確定網(wǎng)絡(luò)結(jié)構(gòu)以及調(diào)整模型的超參數(shù)，測(cè)試集用于評(píng)估訓(xùn)練結(jié)束后模型的性能。數(shù)據(jù)集的劃分情況如表1 所示。

1.3 Faster RCNN算法

Faster RCNN 算法是在 RCNN 算法和 FastRCNN 算法基礎(chǔ)上進(jìn)行一系列改進(jìn)得到的二階段模型，是目標(biāo)檢測(cè)算法典型代表之一。

Faster RCNN 算法包含4 個(gè)模塊：特征提取網(wǎng)絡(luò)（feature extraction network，F(xiàn)EN）、區(qū)域生成網(wǎng)絡(luò)（re?gion proposal network，RPN）、ROI （region of inter?est） pooling 和RCNN 模塊（region convolutional neu?ral network）。輸入模型中的圖像首先經(jīng)過(guò)特征提取網(wǎng)絡(luò)得到一系列特征圖；然后將特征圖傳入?yún)^(qū)域建議網(wǎng)絡(luò)即RPN 中進(jìn)行訓(xùn)練，通過(guò)分類層和邊框回歸生成區(qū)域建議框，獲取目標(biāo)對(duì)象的大致位置；接著將RPN 中生成的區(qū)域建議框和特征圖池轉(zhuǎn)化成固定長(zhǎng)度的數(shù)據(jù)傳入全連接層。最后利用Softmax 分類器計(jì)算出具體類別，同時(shí)再做1 次邊框回歸獲得檢測(cè)框最終的精確位置。Faster RCNN 算法整體網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。

1.4 Faster RCNN算法優(yōu)化

1）區(qū)域建議框優(yōu)化。錨框機(jī)制是RPN 網(wǎng)絡(luò)的核心，錨框是一個(gè)矩形區(qū)域，合適的錨框可以更多地檢測(cè)出待測(cè)目標(biāo)。在 Faster RCNN 的默認(rèn)配置中，使用3 個(gè)不同的面積尺度（128 像素×128 像素、256 像素×256 像素和512 像素×512 像素）和3 個(gè)長(zhǎng)寬比組合（1∶1、1∶2 和2∶1）生成9 個(gè)錨框。原始面積尺度和長(zhǎng)寬比被設(shè)計(jì)用于PASCAL VOC 數(shù)據(jù)集中的20 種不同物體的檢測(cè)，發(fā)現(xiàn)并不適合茶葉病斑的檢測(cè)，因此，本研究針對(duì)茶葉病斑的特點(diǎn)優(yōu)化面積尺度和長(zhǎng)寬比。

本研究對(duì)象中的藻斑病和白星病病斑直徑大多不超過(guò)5 mm，且多采集于尺寸較小的鐵觀音葉片，區(qū)域建議框的尺度相對(duì)于病斑較大，在檢測(cè)過(guò)程中，小病斑將會(huì)無(wú)法被檢測(cè)到。因此，本研究對(duì)原始Faster RCNN 區(qū)域建議框進(jìn)行優(yōu)化，剔除［256，512］這2 個(gè)邊框尺度，增加［4，8，16，32，64］5 個(gè)邊框尺度，最終生成如圖3 所示的18 個(gè)錨框。

2）融合FPN 網(wǎng)絡(luò)。在傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中，通常通過(guò)堆疊多個(gè)卷積層來(lái)提取圖像特征。然而，在物體檢測(cè)任務(wù)中，不同尺度的目標(biāo)可能需要不同層次的特征進(jìn)行檢測(cè)。本研究中藻斑病和白星病的病斑非常小，而炭疽病和煤煙病病斑相對(duì)較大（大多超過(guò)葉片的1/4），多尺度問(wèn)題明顯。Lin 等［19］提出特征金字塔網(wǎng)絡(luò)（feature pyramid networks，F(xiàn)PN），F(xiàn)PN 允許網(wǎng)絡(luò)在不同尺度上同時(shí)利用語(yǔ)義信息，使得檢測(cè)器更好地識(shí)別不同尺度的物體。陳柯屹等［20］提出改進(jìn)型Faster RCNN 算法，將特征金字塔網(wǎng)絡(luò)和導(dǎo)向錨框定位（guided anchoring，GA）機(jī)制相融合，實(shí)現(xiàn)對(duì)田間棉花頂芽的識(shí)別，解決了棉花頂芽因其小體積特性所帶來(lái)識(shí)別困難問(wèn)題。

特征金字塔結(jié)構(gòu)簡(jiǎn)圖如圖4 所示，由自下而上、自上而下和中間橫向連接的3 條線路組成。自下而上部分由一個(gè)主干網(wǎng)絡(luò)構(gòu)成，產(chǎn)生一系列具有不同尺度和分辨率的特征圖。高層特征圖語(yǔ)義信息豐富、分辨率低、含小目標(biāo)的信息少，低層特征圖語(yǔ)義信息比較少、分辨率高、含小目標(biāo)的信息多［21］。自上而下部分從高層特征圖開始，上面的特征圖通過(guò)采用簡(jiǎn)單的最近鄰插值的方法進(jìn)行2 倍上采樣，和下面同樣經(jīng)過(guò)2 倍上采樣的特征圖進(jìn)行特征融合逐層向下傳遞，生成一系列可以在不同層級(jí)上檢測(cè)不同尺寸物體的特征金字塔。預(yù)測(cè)是在每個(gè)融合后的特征層上單獨(dú)進(jìn)行的，保證了小目標(biāo)的特征與信息，使網(wǎng)絡(luò)檢測(cè)效果大大提升。

為了提高 Faster RCNN 對(duì)藻斑病和白星病2 種小病斑的檢測(cè)精度以及解決病斑的多尺度問(wèn)題，本研究在特征提取網(wǎng)絡(luò)ResNet50 的基礎(chǔ)上，融合FPN網(wǎng)絡(luò)結(jié)構(gòu)（圖5），將ResNet50 中高低層的特征結(jié)構(gòu)圖進(jìn)行疊加融合，得到融合后P2～P6 這5 個(gè)特征圖。5 個(gè)特征圖通過(guò)在每個(gè)空間位置使用多個(gè)預(yù)定義的錨框，形成一組候選框，對(duì)每個(gè)錨框，在回歸層中預(yù)測(cè)框的坐標(biāo)，在分類層中預(yù)測(cè)框中是否包含目標(biāo)。這些候選框隨后會(huì)被送入到R-CNN 中進(jìn)行目標(biāo)的準(zhǔn)確分類和定位，實(shí)現(xiàn)對(duì)圖像中的病害病斑的檢測(cè)識(shí)別。

3）損失函數(shù)優(yōu)化。茶葉病害數(shù)據(jù)集中，白星病數(shù)據(jù)量相對(duì)其他3 種病害較為有限，導(dǎo)致數(shù)據(jù)分布呈現(xiàn)不平衡情況，進(jìn)而影響模型的檢測(cè)性能。為了解決這一問(wèn)題，本研究對(duì)損失函數(shù)部分進(jìn)行優(yōu)化改進(jìn)，引入了Oksuz 等［22］提出的 Rank amp; Sort （RS） Loss，以減少類別不平衡性，簡(jiǎn)化模型訓(xùn)練的復(fù)雜性，提高網(wǎng)絡(luò)模型性能。

Faster RCNN 算法的損失主要包含RPN 和FastRCNN 2 個(gè)部分。由于在多任務(wù)訓(xùn)練中，損失部分的超參數(shù)和任務(wù)數(shù)量成正比，因此模型訓(xùn)練過(guò)程中損失部分會(huì)產(chǎn)生較多的超參數(shù)，需要不斷調(diào)整參數(shù)來(lái)獲得較好的模型性能。采用RS Loss 后，由于其內(nèi)置免調(diào)優(yōu)任務(wù)平衡系數(shù)，替代原有損失函數(shù)后無(wú)需進(jìn)行任何超參數(shù)調(diào)優(yōu)，可以有效減少調(diào)參過(guò)程中時(shí)間和資源的浪費(fèi)。

RS Loss 由Ranking 和Sorting 2 部分組成。Ranking 階段通過(guò)分類得分將正負(fù)樣本區(qū)分開，確保所有正樣本均排在負(fù)樣本之上；Sorting 階段則基于預(yù)測(cè)框和真實(shí)框之間的交并比，將正樣本進(jìn)行排序分類，使得在訓(xùn)練時(shí)不同正樣本具有不同的優(yōu)先級(jí)。這種方法的好處有：通過(guò)在訓(xùn)練期間對(duì)正樣本進(jìn)行優(yōu)先級(jí)排序，RS Loss 訓(xùn)練的檢測(cè)器不需要額外的輔助信號(hào)；由于RS Loss 基于排序的性質(zhì)，這一特性使得其在訓(xùn)練過(guò)程中可以有效處理不平衡的數(shù)據(jù)，無(wú)需加入樣本均衡策略。

1.5 試驗(yàn)環(huán)境與參數(shù)設(shè)置

本試驗(yàn)所使用的硬件配置為8 GB RAM、Intel（R）Core（TM）i7-5500U 和2 塊NVIDIA GeForceGTX 3090 Ti GPU 的臺(tái)式計(jì)算機(jī)；采用基于CUDA10.1 和CUDNN 8.0.5 的PyTorch1.10.0 深度學(xué)習(xí)框架，代碼運(yùn)行環(huán)境為Python3.7；采用Adam 優(yōu)化算法，基礎(chǔ)學(xué)習(xí)率、衰減系數(shù)、動(dòng)量、權(quán)值衰減、批量大小參數(shù)的設(shè)置分別為0.01、0.02、0.9、0.000 1、16。

1.6 模型評(píng)估方法

本研究使用單個(gè)類別識(shí)別的精確度（precision，P）、召回率（recall，R）、平均精度（average precision，PA）、平均精度均值（mean average precision，PmA）、檢測(cè)速度和模型大小作為網(wǎng)絡(luò)模型性能的評(píng)價(jià)指標(biāo)，計(jì)算公式如式（1）～（4）所示。

式（1）～（4）中，TP 是表示正確分類的正樣本數(shù)量，F(xiàn)N表示被錯(cuò)誤的標(biāo)記為負(fù)樣本的正樣本數(shù)量，F(xiàn)P表示被錯(cuò)誤的標(biāo)記為正樣本的負(fù)樣本數(shù)量；PA 是以召回率為橫坐標(biāo)、精確率為縱坐標(biāo)繪制P-R 曲線，曲線與坐標(biāo)軸圍成的面積；i 為類別編號(hào)，i 的取值為1～4；n 為檢測(cè)類別數(shù)（n=4）。

2 結(jié)果與分析

2.1 不同特征提取網(wǎng)絡(luò)和不同區(qū)域建議框尺度下目標(biāo)檢測(cè)性能比較

采用不同特征提取網(wǎng)絡(luò)VGG-16、MobileNetV2和ResNet50 對(duì)病害進(jìn)行目標(biāo)檢測(cè)識(shí)別，由表2 可知，同一區(qū)域建議框尺寸［128，256，512］下，以VGG-16為特征提取網(wǎng)絡(luò)的Faster RCNN 算法中PmA最低，檢測(cè)速度最慢，并且具有最大的模型尺寸；以ResNet50為特征提取網(wǎng)絡(luò)的Faster RCNN 算法中PmA 為70.19%，比VGG-16 和MobileNetV2 分別提高7.49、2.47 百分點(diǎn)，但對(duì)小病斑為代表的白星病和藻斑病識(shí)別精度較低，分別為41.40% 和51.25%（表3），推測(cè)原因可能是區(qū)域建議框尺度較大，不適合茶葉病害中小病斑的檢測(cè)識(shí)別，同時(shí)藻斑病和白星病的病斑圖像經(jīng)過(guò)模型訓(xùn)練過(guò)程中卷積和池化操作之后，語(yǔ)義信息匱乏，導(dǎo)致小病斑無(wú)法被檢測(cè)識(shí)別。因此，對(duì)區(qū)域建議框進(jìn)行優(yōu)化，優(yōu)化后的尺寸為［4，8，16，32，64，128］。邊框尺度優(yōu)化后，每種病害的檢測(cè)精度均有所提升，藻斑病和白星病PA值提升較為明顯。以ResNet50 為特征提取網(wǎng)絡(luò)的Faster RCNN 算法中，藻斑病和白星病PA 值分別提高了3.77、6.74 百分點(diǎn)（表3），PmA提高了3.4 百分點(diǎn)，但檢測(cè)速度和模型大小基本無(wú)變化（表2）。以上結(jié)果表明，修改后的邊框尺度比原始邊框尺度更契合病斑尺度，定位更加準(zhǔn)確，可提高模型精度，但提高的精度有限。

由于ResNet50 的目標(biāo)檢測(cè)識(shí)別性能比VGG-16和MobileNetV2 更好，所以在特征提取網(wǎng)絡(luò)為ResNet50 的基礎(chǔ)上結(jié)合FPN 網(wǎng)絡(luò)。由表2、表3 可知，藻斑病和白星病的PA值提升非常明顯，分別提高26.12、25.24 百分點(diǎn)，PmA提高12.09 百分點(diǎn)。FPN 通過(guò)將深層卷積層的高級(jí)特征和淺層卷積層的低級(jí)特征進(jìn)行融合，在每個(gè)融合后的特征層上單獨(dú)預(yù)測(cè)，大大豐富所提取的特征信息，很好地解決了病斑多尺度問(wèn)題且提高了識(shí)別精度。在融入FPN 網(wǎng)絡(luò)的基礎(chǔ)上，引入RS Loss，PmA 提高2.27 百分點(diǎn)，檢測(cè)速度提升了13.7%。RS Loss 損失函數(shù)中基于排名的性質(zhì)可以減小數(shù)據(jù)類別不平衡給網(wǎng)絡(luò)訓(xùn)練帶來(lái)的影響，提高網(wǎng)絡(luò)模型的魯棒性和識(shí)別精度。以上結(jié)果表明，區(qū)域建議框尺寸的改進(jìn)、FPN 網(wǎng)絡(luò)和RSLoss 對(duì)茶葉葉部病害識(shí)別的性能提升具有重要作用。

2.2 改進(jìn)前后Faster RCNN 對(duì)茶病害檢測(cè)效果對(duì)比

為驗(yàn)證提出的改進(jìn)方法對(duì)藻斑病、白星病、炭疽病和煤煙病實(shí)際檢測(cè)的有效性，本研究將改進(jìn)后的Faster RCNN 算法與Faster RCNN（VGG-16）算法基于相同測(cè)試集評(píng)估識(shí)別效果。由圖6 可知，藻斑病樣本中含有較多小病斑，F(xiàn)aster RCNN 模型漏檢了3處病斑，其中包括稍微模糊的病斑和目標(biāo)很小的病斑，同時(shí)有一處病斑生成的預(yù)測(cè)框與真實(shí)病害區(qū)域產(chǎn)生嚴(yán)重偏差。改進(jìn)后的Faster RCNN，因改進(jìn)了錨框以適合小尺寸病斑的檢測(cè)，同時(shí)結(jié)合了FPN 網(wǎng)絡(luò)，有效地檢測(cè)出這些小目標(biāo)。

白星病樣本中含有雨后殘留在葉片上的水珠，水珠在兩葉片陰影處，與白星病邊緣病斑顏色相近，且水珠輪廓與病斑輪廓相似，對(duì)模型檢測(cè)造成影響而發(fā)生了誤檢現(xiàn)象。而改進(jìn)Faster RCNN 算法抑制了水珠對(duì)該病害的影響，實(shí)現(xiàn)對(duì)白星病的精準(zhǔn)檢測(cè)。

對(duì)于炭疽病和煤煙病，因大量枯枝落葉土壤等復(fù)雜背景影響，F(xiàn)aster RCNN 模型對(duì)病斑識(shí)別定位不太準(zhǔn)確，生成的預(yù)測(cè)框與真實(shí)病害區(qū)域存在一定偏差，改進(jìn)Faster RCNN 算法則生成更接近這2 種病斑的矩形預(yù)測(cè)框。Faster RCNN 和改進(jìn)Faster RCNN算法對(duì)每種茶葉病害檢測(cè)效果對(duì)比結(jié)果說(shuō)明區(qū)域建議框尺寸改進(jìn)、FPN 網(wǎng)絡(luò)和RS Loss 共同作用下的有效性。

2.3 不同算法對(duì)茶葉病害識(shí)別有效性檢測(cè)

為驗(yàn)證提出的改進(jìn)方法在茶園復(fù)雜背景下對(duì)茶葉病害識(shí)別的有效性，本研究將改進(jìn)后的FasterRCNN 算法與Faster RCNN（VGG16）、RetinaNet、SSD512 和YOLOv5 算法進(jìn)行對(duì)比。由表4 可知，改進(jìn)Faster RCNN 算法模型PmA 為88.06%，較FasterRCNN、RetinaNet、SSD512、YOLOv5 模型分別提高25.36、15.27、3.5 和0.18 百分點(diǎn)；改進(jìn)Faster RCNN模型以19.1 幀/s 的檢測(cè)速度優(yōu)于Faster RCNN、Ret?inaNet、SSD512 這3 種模型；改進(jìn)Faster RCNN 算法模型大小為116.0 MB，較Faster RCNN 模型減少77.7%。以上結(jié)果表明，改進(jìn)后的Faster RCNN 算法是一個(gè)有效的茶葉病害檢測(cè)算法，能夠?qū)崿F(xiàn)復(fù)雜背景下茶葉病害的實(shí)時(shí)性檢測(cè)。

由圖7 可知，F(xiàn)aster RCNN 算法對(duì)藻斑病和白星病2 種病害的檢測(cè)效果較差，檢測(cè)精度分別只有34.56%、42.68%，改進(jìn)Faster RCNN 算法對(duì)藻斑病和白星病的檢測(cè)精度分別為75.54%、86.84%，較Faster RCNN 算法分別提高40.98、44.16 百分點(diǎn)，提升效果顯著。改進(jìn)Faster RCNN 算法對(duì)藻斑病、白星病、炭疽病的識(shí)別平均精度均高于FasterRCNN、RetinaNet 和SSD512 這3 種算法，對(duì)煤煙病的識(shí)別平均精度為99.45%，略低于SSD512 算法的99.81%。改進(jìn)Faster RCNN 算法對(duì)藻斑病、炭疽病、煤煙病的識(shí)別平均精度比YOLOv5 算法分別高0.33、0.5 和0.2 百分點(diǎn)。總體來(lái)看，改進(jìn)FasterRCNN 算法更適合完成在復(fù)雜背景下對(duì)茶葉葉部病害的識(shí)別任務(wù)。

為了更加清晰地比較出各類算法對(duì)病斑的實(shí)際檢測(cè)效果，在測(cè)試集中選取4 種病害樣本進(jìn)行評(píng)估。由圖8 可知，對(duì)藻斑病的識(shí)別，SSD 和RetinaNet模型都出現(xiàn)了漏檢情況，SSD 的漏檢情況相對(duì)于RetinaNet 更顯著。相比之下，YOLOv5 模型和改進(jìn)后的Faster RCNN 能夠有效地檢測(cè)出小目標(biāo)，YO?LOv5 模型僅漏檢掉一個(gè)在陽(yáng)光照射下特征不明顯的病斑，改進(jìn)后的Faster RCNN 對(duì)藻斑病的識(shí)別置信度大于YOLOv5 模型。對(duì)于白星病，SSD 和Reti?naNet 模型檢測(cè)結(jié)果與真實(shí)病害區(qū)域存在一定的偏差。在煤煙病的檢測(cè)中，SSD 和RetinaNet 模型的檢測(cè)存在著與白星病類似的問(wèn)題，即生成的預(yù)測(cè)框與真實(shí)的病害區(qū)域之間存在偏差。改進(jìn)Faster RCNN模型成功避免了定位偏差的問(wèn)題，確保了對(duì)病害的準(zhǔn)確定位。

3 討論

本研究針對(duì)茶園復(fù)雜環(huán)境下茶葉葉部病害的檢測(cè)識(shí)別難題，提出一種基于改進(jìn)Faster RCNN 算法的茶葉葉部病害識(shí)別方法。通過(guò)改進(jìn)區(qū)域建議框的邊框尺度，將融合FPN 的ResNet50 網(wǎng)絡(luò)作為特征提取網(wǎng)絡(luò)，采用Rank amp; Sort（ RS） Loss 函數(shù)代替 FasterRCNN 中的損失函數(shù)，改善小目標(biāo)漏檢問(wèn)題和病斑的多尺度問(wèn)題，弱化茶園復(fù)雜環(huán)境的干擾，提高識(shí)別精度。為驗(yàn)證本研究改進(jìn)方法的有效性，在同一實(shí)驗(yàn)平臺(tái)使用相同數(shù)據(jù)集進(jìn)行對(duì)比試驗(yàn)。結(jié)果顯示，改進(jìn)Faster RCNN 算法的PmA、檢測(cè)速度和模型大小等指標(biāo)均優(yōu)于Faster RCNN 算法。與Faster RCNN相比，改進(jìn)Faster RCNN 算法對(duì)藻斑病、白星病、炭疽病和煤煙病的PA值分別提高40.98、44.16、13.9 和2.43 百分點(diǎn)，模型大小降低了77.7%，檢測(cè)速度提高了44.7%，模型性能得到有效提升。與SSD 和Reti?naNet 算法相比，改進(jìn)Faster RCNN 模型在識(shí)別精度和檢測(cè)速度上具有一定的優(yōu)勢(shì)。

本研究基于改進(jìn)的Faster RCNN 算法實(shí)現(xiàn)了茶園復(fù)雜背景下4 種茶葉葉部病害的精準(zhǔn)高效識(shí)別，對(duì)茶園病害的防治具有一定意義。然而，本研究所使用的數(shù)據(jù)集中茶葉病害的種類相對(duì)較少，同時(shí)，有一些病害在顏色和特征上相近，甚至可能出現(xiàn)在同一葉片中，呈現(xiàn)出一種復(fù)雜的病害組合情況。在后續(xù)的研究中，將拓展茶葉病害的種類，深入研究茶葉的復(fù)雜多病害問(wèn)題；將進(jìn)一步提高模型的泛用性和魯棒性，設(shè)計(jì)輕量化以嵌入到不同的移動(dòng)式設(shè)備應(yīng)用于茶園，為茶葉種植產(chǎn)業(yè)的智能化管理提供參考。