基于改进YoloV3卷积神经网络的番茄病虫害检测

 ABSTRACT

        番茄在生长过程中受到各种病虫害的影响。如果控制不及时，就会导致减产甚至歉收。如何有效地控制病虫害，帮助菜农提高番茄的产量是非常重要的，而准确地识别病虫害是最重要的。与传统的模式识别方法相比，基于深度学习的病虫害识别方法可以直接输入原始图像。代替了传统方法中繁琐的图像预处理、特征提取、特征分类等步骤，采用端到端的结构，简化了识别过程，解决了手工设计的特征提取器难以获得最接近对象自然属性的特征表达式的问题。基于深度学习的对象检测应用，不仅可以节省时间和精力，还可以实现实时判断，大大减少病虫害造成的巨大损失，具有重要的研究价值和意义。基于基于深度学习对象检测的检测理论最新研究成果，结合番茄病虫害图像的特点，构建真实自然环境下番茄病虫害数据集，利用图像金字塔优化Yolo V3模型的特征层，实现多尺度特征检测，提高Yolo V3模型的检测精度和速度，准确、快速地检测出番茄病虫害的位置和类别。通过上述研究，突破了自然环境下番茄病虫害图像识别的关键技术，为植物病虫害检测的智能识别和工程应用提供了参考.

Keywords: deep learning, K-means, multiscale training, small object, object detection

INTRODUCTION

        经济和社会的不断发展带来了全球性的气候和环境问题。病虫害的发生严重影响着人们的生活。植物病虫害的发病率和发生率越来越高，也越来越复杂(联合国粮食及农业组织)。因此，研究植物病虫害的防治以及病虫害的诊断和防治措施具有十分重要的意义

        西红柿起源于南美洲。番茄是重要的经济作物之一，它不仅含有丰富的维生素，而且还可以作为水果食用。近年来，随着西餐的普及，番茄酱越来越受欢迎。人们对番茄的需求越来越大，番茄已逐渐成为人们日常生活中的重要食品。因此，番茄在农业蔬菜生产和蔬菜贸易中具有极其重要的作用。番茄作为世界上种植最广泛的蔬菜之一，不仅产量高，适应性广，而且营养价值高。但与其他作物一样，番茄在生长过程中也受到各种病虫害的影响。番茄病害包括番茄病毒病、番茄线虫病、番茄缺乏病、番茄生理病害、番茄细菌性病害和番茄真菌病害。主要害虫有潜叶螨、温室粉虱、苜蓿夜蛾、烟草青虫、棉铃虫和多食狼蛛等。番茄病虫害非常受当地环境的影响,品种、栽培、管理因素,所以番茄病虫害的类型在不同地区是不同的。中国是世界上最大的蔬菜生产和出口国家之一。山东寿光番茄产业的发展在世界上具有很强的比较优势。设施和露天番茄的种植面积逐渐增加。如果田间管理不当，会增加病虫害侵染的概率，导致病虫害暴发，对番茄产量和品质产生重大影响。田间调查发现，山东省寿光市常见的番茄病害主要有早疫病、晚疫病、曲叶黄病毒、褐斑病、煤污染、灰霉病、叶霉病、脐腐病、曲叶病、花叶病等;常见的番茄害虫主要有潜叶螨和温室粉虱。根据offield调查数据的统计分析,可以看出,番茄病虫害的发病率在不同农户在球场千差万别,在该地区的产量损失1% - -5%有轻度发作和超过30%有严重发作。目前，虽然有许多研究报道了不同地区番茄病虫害的感染和检测，但对山东省寿光市常见的番茄主要病虫害的检测缺乏系统报道。因此,它是非常必要的,山东省为研究对象,并收集和整理相关数据有针对性的早期预警和预防提供理论依据和控制在这个领域

        番茄病虫害在不同地区的发生严重影响番茄生产。如果控制不及时，就会导致减产甚至歉收。防治病虫害是减少蔬菜产量损失、减少农药用量、生产无公害蔬菜的最佳途径。当植物生长到已经出现病虫害症状的程度时，即使人们能够作出准确的诊断和适当的治疗，也是一种被动的补救措施。虽然这也是非常必要的，但是在这个时候，农药和农药的应用控制效果差，容易造成环境污染，导致蔬菜中农药残留过多，同时导致对病虫害的抵抗力越来越强，这使得作物抗病工作越来越困难，这是一个不理想的结果。因此，对病虫害的早期预测和预防十分重要。番茄研究(Diaz-Pendon et al.， 2010;Gilbertson和Batuman, 2013)显示了植物是如何容易受到疾病和害虫的影响。如何有效地防治病虫害，帮助菜农提高番茄产量，最重要的是对病虫害进行准确的识别。因此，番茄病虫害的鉴定是对科技人员最严峻的挑战。

        传统的人工检测病虫害的方法完全依赖于种植者的观察经验，或请专家指导。这种方法不仅速度慢，而且效率低、成本高、主观性强、准确性低、及时性差。随着互联网的不断发展,应用f i n o r m t i o n t e c h n o y l o g p r o v i d e s n e w m e t h o d s n d r f i d e s o作物病虫害'identification。采用高效的图像识别技术可以提高图像识别效率，降低成本，提高识别精度。因此，国内外专家学者做了大量的研究，其中深度学习成为研究的焦点。将深度学习应用于农作物病虫害识别，可以大大减少工作量，缩短识别时间。复杂的网络结构和庞大的数据样本是深度学习最大的特点。深度学习技术的出现为图像识别提供了强有力的技术支持

        其中，卷积神经网络(convolutional neural network, CNN)是深度学习的典型模型。基于CNN的病虫害检测方法可以自动提取原始图像中的特征，克服了传统方法人工特征提取的主观性和局限性。端到端的结构简化了识别过程，解决了人工设计的特征提取器无法得到最接近对象自然属性的特征表达式的问题。基于CNN的目标检测的应用，不仅可以节省时间和精力，还可以实现实时判断，大大减少病虫害造成的巨大损失，具有重要的研究价值和意义。基于检测理论的最新研究成果CNN对象检测和番茄病虫害图像的特点,本研究将建立数据集下的番茄病虫害真实的自然环境,优化Yolo V3意思的功能层模型通过使用图像金字塔来实现多尺度特征检测提高Yolo V3模型的检测精度和速度，准确、快速地检测出番茄病虫害的位置和类别。通过上述研究，突破了自然环境下番茄病虫害图像识别的关键技术，为植物病虫害检测的智能识别和工程应用提供了参考

        本文采集了真实自然环境下番茄病虫害图像数据，并进行了相应的数据处理，构建番茄病虫害检测数据集。以YOLO v3模型为主体，采用图像金字塔结构融合不同层次的特征，得到不同尺度的特征地图，进行位置和类别预测。然后对对象盒的维度进行聚类，增加锚盒的数量，使模型能够获得更多的对象边缘信息。最后，在训练过程中，使用多尺寸图像进行训练，使模型能够适应不同分辨率的图像。实验表明，改进的YOLO v3算法在保证检测精度的同时提高了检测速度。

RELATED WORK

Comparison Between Traditional Machine Learning Technology and Deep Learning Technology

        在深度学习技术发展之前，植物病虫害的图像识别是通过传统技术实现的。随着深度学习技术的发展，研究者们开始将深度学习应用到病虫害图像识别中，并在近