中文引用格式： 葉暉，項(xiàng)東暉，曾松偉. 基于深度學(xué)習(xí)的桑葉病害識別方法研究[J]. 電子技術(shù)應(yīng)用，2025，51(3)：70-76.
英文引用格式： Ye Hui，Xiang Donghui，Zeng Songwei. Research on mulberry leaf disease recognition method based on deep learning[J]. Application of Electronic Technique，2025，51(3)：70-76.
引言
桑樹的種植在我國有著悠久的歷史和深厚的傳統(tǒng)文化底蘊(yùn)[1]。作為世界上最早種植桑樹和養(yǎng)蠶的國家之一，蠶桑產(chǎn)業(yè)在中國的發(fā)展可以追溯到幾千年前的古代。但桑樹的生長和產(chǎn)量受到多種因素的影響，其中病害是最主要的危害因素之一。據(jù)農(nóng)業(yè)農(nóng)村部辦公廳發(fā)布的《2023年“蟲口奪糧”保豐收行動方案》[2]，2022年全國桑樹病蟲害發(fā)生面積約為1.1億畝次，同比增加15%。2022年全國因桑樹病蟲害致糧食損失約為140萬噸，占桑葉總產(chǎn)的11.4%。因此，及時準(zhǔn)確地識別和防治桑樹病害，對于提高桑樹和蠶業(yè)的生產(chǎn)效率和經(jīng)濟(jì)效益具有重要意義。傳統(tǒng)的桑樹病害識別方法主要依靠人工觀察和判斷，需要專業(yè)知識和經(jīng)驗(yàn)，耗時耗力且容易出現(xiàn)誤判和漏判[3-5]。隨著計算機(jī)視覺和深度學(xué)習(xí)技術(shù)的發(fā)展，利用圖像處理和機(jī)器學(xué)習(xí)方法進(jìn)行桑樹病害識別成為一種新的可能。
近年來，大規(guī)模檢測模型在工業(yè)、農(nóng)業(yè)等復(fù)雜場景應(yīng)用中得到快速提升[6-8]。目標(biāo)檢測的算法模型在農(nóng)業(yè)中被廣泛應(yīng)用，如趙德安[9]等人于2019年提出了改進(jìn)的YOLOv3模型以識別復(fù)雜背景下的蘋果果實(shí)，其實(shí)驗(yàn)識別準(zhǔn)確率達(dá)97%，召回率為90%，相較于FasterRCNN的識別率高了5%。孫肖肖[10]等人于2019年提出使用大尺度識別替代YOLO的多尺度識別，在預(yù)處理階段提出結(jié)合超濾特征以及OSTU算法對復(fù)雜背景下的茶葉嫩芽圖像進(jìn)行圖像分割，識別率達(dá) 84.2%，召回率為 82%。Chen[11]等人在2022年提出了一種用于橡膠樹病害檢測的改進(jìn)型YOLOv5模型，該模型使用了新的InvolutionBottleneck模塊、SE模塊和EIOU損失函數(shù)以提升模型性能，該模型在59個作物病害類別上達(dá)到了平均94.24%的識別準(zhǔn)確率，每個樣本的平均推理時間為1.563 ms，模型大小僅為2 MB。
目前，基于圖像處理和機(jī)器學(xué)習(xí)方法的桑樹病害識別已經(jīng)有一些相關(guān)研究，但仍存在一些問題和挑戰(zhàn)。首先，由于桑樹病蟲害種類多、形態(tài)復(fù)雜、分布不均勻等原因，導(dǎo)致采集到的圖像數(shù)據(jù)量不足、質(zhì)量不高、類別不平衡等問題，給模型訓(xùn)練和測試帶來困難。其次，桑樹病害目標(biāo)體積可能過小，例如桑褐斑病中的褐斑點(diǎn)，同時圖像背景可能過于雜亂。為了解決上述問題和挑戰(zhàn)，本文提出了一種基于YOLOv8的桑樹病蟲害識別方法，通過引入可變形卷積和注意力機(jī)制以提高YOLOv8s模型應(yīng)對復(fù)雜背景和小體積目標(biāo)時的識別能力，改善對桑葉病害的識別能力，最終實(shí)現(xiàn)自然環(huán)境下的桑葉病害的準(zhǔn)確檢測，為桑葉病害識別的自動化、智能化提供理論依據(jù)。
本文詳細(xì)內(nèi)容請下載：
http://www.viuna.cn/resource/share/2000006362
作者信息：
葉暉1，項(xiàng)東暉2，曾松偉3
（1.浙江農(nóng)林大學(xué) 數(shù)學(xué)與計算機(jī)科學(xué)學(xué)院，浙江 杭州 311300；
2.浙江易港通電子商務(wù)有限公司，浙江 寧波 315200；
3.浙江農(nóng)林大學(xué) 光機(jī)電工程學(xué)院，浙江 杭州 311300）
