基于SSD的苹果叶片病害检测方法

江鹏　陈跃翰

摘要：本文使用深度学习目标检测SSD算法对三种常见的苹果叶片病虫害一褐斑病、花叶病、铁锈病进行识别检测，实验结果显示该种方法的综合检测性能达到79.63%mAP，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。

[关键词]苹果叶片病害深度学习目标检测SSD

1引言

在苹果生产过程中，各种疾病的大量发生造成了巨大的经济损失。及时有效地检测苹果叶片病害对保证苹果产业的健康发展至关重要，已成为农业信息领域的研究热点。传统上通过专家的目视观察来诊断植物病害。然而，这种方法依赖于主观感知，存在出错的风险。

近年来，深度学习和卷积网络在计算机视觉方面取得了重大突破，许多相关的理论和实践成果层出不穷。目前基于深度学习的图像识别技术在农作物病害检测方面的研究和应用并不鲜见。然而，基于深度学习的目标检测技术在农业领域的应用却很少见。因此，本文采用基于卷积神经网络的SSD目标检测算法对苹果叶片病害进行检测。该方法能够自动识别病苹果图像的特征，并能高精度地检测出本次研究中所用的三种常见的苹果叶片病害。此外，该方法可以处理实际的野外条件下拍摄到的苹果叶片病害图像。

2苹果叶片病害检测模型

SSD是一种单阶段的目标检测方法，可以直接预测目标的类型和相应的边界框的坐标，不需要生成区域建议。SSD的检测速度远远快于FasterR-CNN，而两种方法的检测精度基本相同。因此，本文将SSD算法作为对苹果叶片病害进行目标检测的算法。

3实验方法与结果

3.1数据采集

除了人工采集的图像，数据集中的其他图像由陕西省白水县西北农林科技大学苹果实验站提供。最终共获得1248幅苹果叶片病害图像，这些图像对应于三类病害：褐斑病、花叶病和铁锈病。这三类病害是导致苹果行业的产量大幅下降的主要病害。

在采集到的3种常见苹果叶片病害的ALDD数据集上，对该模型进行了评价。实验中，75%的数据集用于训练，25%的数据集用于测试。

3.2图像标注

图像标注阶段使用了一种利用Python开发的提供图像标注的算法，对图片中的病变区域进行旋转，并用相应的类别进行标记。程序将为每个带注释的图像生成对应的XML文件，其中包含图像中每个病灶边界框的坐标值和疾病的类别等信息。

以褐斑病为例，图1（a）显示了一个带标注的图像。红色和蓝色的框表示患病的苹果叶的感染区域。图1（b）以XML文档的形式显示了图像的对应描述。

3.3实验配置

本实验在Ubuntu服务器上进行，使用Intel⑧Xeon（R）CPUE5-2650v3@2.30GHz*40，同时使用NVIDIAGTX1080TiGPU加速。NVIDIAGTX1080Ti有3584个CUDA核心和11GB内存。核心频率高达1480mhz，浮点性能为10.5TFLOPS。在Caffe深度学习框架中实现了基于CNN的模型。

3.4结果与分析

3.4.1不同图像分辨率的比较

在目标检测算法的评价中，平均精度均值（mAP）是本文的主要评价指标。为了比较不同的图像分辨率对于识别结果的影响，采用了300x300和512x512这两种分辨率的图像对模型进行训练以实现苹果叶片病害检测。使用相同的特征提取器VGGNet，SSD512的识别准确率略大于SSD300，但提升效果并不顯著。在实验中，花叶病被认为是最复杂的类别。这是因为该类疾病的性状在类内的巨大差异：病斑可大可小，且易于与环境混淆。

该方法不仅可以在一张图像上检测出单个对象，而且可以同时检测多个对象，这显示了其强大的检测性能。

4结语

本文运用SSD算法实现了苹果叶片病害实时检测方法。该方法基于深度学习，利用1248张病叶图像的数据集对SSD模型进行了检测苹果叶片病害的训练。实验结果表明，模型的综合检测性能达到79.63%mAP。这表明所训练模型可以自动提取苹果病害图像的鉴别特征，高精度地检测出三种常见的苹果叶片病害类型。

参考文献

[1]霍迎秋，唐晶磊，尹秀珍等。基于压缩感知理论的苹果病害识别方法[J].农业机械学报，2013，44（10）：228-232.

[2]王梅嘉，何东健，任嘉琛。基于Android平台的苹果叶病害远程识别系统[J].计算机工程与设计，2015，36（09）：2586-2590.