基于改进DETR的水稻叶片病害检测研究.pdfVIP

摘要

水稻是人类重要的粮食作物之一，占中国粮食农作物种植总面积的35.6%，

也是病虫害比较严重的农作物之一。因此，如何实现准确地检测水稻病害类型

并预警对于提高粮食安全方面具有重要的意义。然而，依据传统的使用人眼识

别再通过经验判断病害类型方式不仅主观性强，且还需要花费大量时间成本和

人力成本去田间进行观察。此外，依靠器械识别病害方法自动化水平不足，使

用数理统计方法受地理和时间限制的影响，这些弊端限制了其在实时病害识别

上的应用。随着计算机图像算力的显著增强，将深度学习目标检测方法应用于

农作物病害识别已成为研究者关注的焦点。针对真实的田间环境下水稻叶片病

害识别自动化程度不高问题和病害数据难以获取问题，本研究主要研究内容为

如下：

（1）针对当前水稻病害图像数据量不足和病害图像种类较少等挑战，首先

通过改进生成对抗网络模型，对原始图像数据进行数据增广。从而在提升数据

量方面提升检测模型的精度。

（2）针对现有检测模型骨干网络在特征提取上的不足，本研究提出了一种

结合了通道和空间注意力机制的多尺度特征提取残差网络。通过深入分析，发

现是由于卷积过程中丢失了局部和长距离特征信息，因此设计的骨干网络模型

借鉴了多尺度Res2Net网络，并融合了能够捕获上下文信息的注意力机制。通

过实验对比验证了所改进的方法能够有效地缓解在卷积过程中特征信息丢失问

题，并能明显提升网络特征提取能力，从而提升平均检测精度，尤其提升小目

标检测精度。

（3）基于稻田病害检测的现实要求：对精度敏感但对检测速度不敏感。在

原始DetectionTransformer（DETR）的网络结构上添加改进的多尺度特征金字

塔结构DHLC-FPN作为颈部，解决在骨干网络特征提取时图像信息和位置信息

丢失问题，且能改进多尺度之间存在着训练失衡问题。实验数据显示，本文改

进的特征金字塔结构能够有效地提升模型不同尺度信息提取能力，同时提出的

检测方法在精度和速度方面均优于同类方法。

（4）在上述两个研究工作的基础上同时将改进的CBAM-Res2Net骨干网

络和改进的多尺度特征提取金字塔结构融入DETR端到端网络结构中，通过对

比实验和消融实现证明，实验证明所提出的算法在模型整体精度有着可观的提

升，且高于目前主流模型的检测精度，尤其是在小目标检测精度上。

关键词：水稻病害检测，目标检测，DETR，特征金字塔网络，生成对抗网络

ABSTRACT

Riceisoneofthemostcrucialcerealcropsforhumanconsumption,accounting

for35.6%ofthetotalplantingareaofgrainsinChina,andisalsoamongthe

agriculturalcropsthatareseverelyaffectedbypestsanddiseases.Therefore,

accuratelyidentifyingthetypesofricediseasesisofgreatsignificanceforenhancing

foodsecurity.However,traditionalmethodsrelyingonvisualrecognitionfollowed

byexperientialjudgmentarenotonlysubjectivebutalsotime-consumingandlabor-

intensive,requiringdirectobservationinthefield.Moreover,theautomationlevel

ofequipment-basedrecognitionmethodsisinsufficient,andmathematical-statistical

methodsareconstrainedbygeographicalandtemporallimitations,limiting