结合注意力机制与双向特征融合的叶片病害检测方法

传统的Mask R-CNN网络检测目标时会出现特征丢失和特征混淆的情况,且对于密集的小目标容易出现漏检、错检等问题。针对这一问题,提出一种结合注意力机制和双向特征融合的叶片病害检测方法。首先,构建数据集时给叶片图片加入高斯噪声斯和椒盐噪声两种人工噪声,模仿自然界的复杂噪声,提升数据的多样性;其次,结合PAFPN结构与CBAM注意力机制,生成的CBAM-PAFPN结构,替代Mask R-CNN网络FPN结构,优化Mask R-CNN网络的特征提取方式;最后,将原网络NMS筛选候选框的方式替换为Soft-NMS。结果表明:对于无噪声的数据集,mAP值提升0.46%,Recall值提升2.24%;平均错检率为1.34%,降低3.28%,约为原网络的1/4,平均漏检率为0.12%,降低2.19%,约为原网络的1/20。改进后的网络在检测和定位精度上都有所提升,为有效检测不同大小、不同密集度的叶片病害提供技术支持。