研究概况
对影响咖啡作物的病虫害的自动诊断是咖啡农民面临的一个重要问题。传统的计算机视觉和模式识别方法在解决这类具有挑战性的问题上存在局限性。然而，在过去的几年里，人们对深度学习的兴趣越来越大，特别是从智能手机获取的植物现场图像中检测/识别生物胁迫，因为它们受光照变化、复杂的背景、图像噪声等影响。在这项工作中，我们提出了一个集成的框架，通过使用不同的卷积神经网络(CNN)，从包含咖啡树部分的智能手机收集的现场图像中自动检测/识别病变。在第一阶段，我们使用一个Mask R-CNN网络进行实例分割;第二阶段采用UNet和PSPNet网络进行语义分割，第三阶段采用ResNet进行分类。对于Mask R-CNN网络，在实例分割任务中，我们获得了73.90%的准确率和71.90%的召回率。对于UNet和PSPNet网络，我们分别获得了94.25%和93.54%的平均交点和并集。结果是有希望的，表明适合在一个嵌入式移动平台上实现整个框架，以用于现实世界。
1. Introduction
咖啡作物面临的一些主要问题是影响咖啡树的害虫和病原体，造成损失和生产力下降(Ventura等人，2017年)。通常，专家负责决定是否需要使用化学品(杀菌剂和杀虫剂)。然而，在过去几年里，结合人工智能技术和智能手机应用的自动化解决方案已被用于自动化作物保护(Esgario等人，2020年)。在各种方法中，深度学习算法在使用卷积神经网络(CNN)的图像识别任务中获得了良好的结果(Goodfellow et al.， 2016)。根据Barbedo(2018)的说法，cnn是自动检测/分类咖啡病虫害的好工具。然而，在场域图像的分类和自动检测方面存在一些问题。Barbedo(2016)定义了与这类图像相关的两种挑战?
