基于改进YOLOv4的葡萄叶片病害检测

针对葡萄叶片病害检测漏检率高,检测效果不佳的问题,提出了一种基于YOLOv4模型改进的葡萄叶片病害识别算法YOLOv4-PSA-CA.改进算法引入PSA(Pyramid Split Attention)模块取代YOLO4网络中原有的3×3的卷积,实现多尺度特征提取;将CA(Coordinate Attention)模块嵌入颈部网络中,获取更丰富的跨通道信息和位置信息.为了验证改进算法的有效性,选取葡萄叶片常见的4种病害作为检测对象制作数据集,改进的YOLOv4算法在此数据集上平均准确率均值(mAP)达到84.07%,比原YOLOv4算法mAP提升了4.04%.实验结果表明,改进算法能够在实验环境和自然环境下对葡萄叶片病害进行有效检测,为葡萄病害及时精准防控提供了依据.

基于显著性目标检测的葡萄叶片病害分割

为提高葡萄叶片病害图像中病斑分割性能,提出了一种基于显著性目标检测的病斑分割方法。采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图,通过多种分辨率的网格结构提取图像局部和全局信息,并将它们融合成预测特征;再对病害叶片的显著性图用自适应阈值法分割出叶片上的病害区域,并用形态学方法进行后处理。结果表明,在测试集A上,所建立的方法对病斑分割性能指标马修斯相关系数(MCC)为0.625,略低于对比算法全卷积神经网络(FCN)的0.689,但在衡量泛化性能的测试集B上,所建立方法的MCC为0.338,远高于FCN的0.072,说明所建立方法在分割精度和泛化性方面具有较好的平衡性。