基于改进卷积神经网络的深度学习方法实时检测苹果叶片病害
ABSTRACT
苹果叶斑病、褐斑病、花叶病、灰斑病和锈病是五种常见的病害，严重影响苹果产量。然而，现有的研究缺乏一种准确、快速的苹果病害检测方法，以保证苹果产业的健康发展。本文提出了一种基于改进卷积神经网络(cnn)的深度学习方法，用于实时检测苹果叶片病害。本文首先通过数据增强和图像标注技术构建了苹果叶病害数据集(ALDD)，该数据集由实验室图像和真实野外条件下的复杂图像组成。在此基础上，通过引入GoogLeNet Inception结构和Rainbow级联，提出了一种新的基于深度cnn的苹果叶片病害检测模型。最后，在holout测试数据集下，使用26377张患病苹果叶片的图像数据集，训练INAR-SSD (SSD with Inception module and Rainbow concentation)模型来检测这5种常见的苹果叶片疾病。实验结果表明，INAR-SSD模型在ALDD上实现了78.80% mAP的检测性能，具有23.13 FPS的高检测速度。结果表明，新型INAR-SSD模型为苹果叶片病害的早期诊断提供了一种高性能的解决方案，能够对这些病害进行实时检测，准确率更高，检测速度更快。
INDEX TERMSApple leaf diseases, real-time detection, deep learning, convolutional neural networks, feature fusion.
I. INTRODUCTION
苹果具有很高的营养和药用价值，是世界上产量最高的水果之一。然而，在苹果生产过程中，各种病害发生频繁且规模大，造成了巨大的经济损失。因此，及
