複雑なフィールド環境における深層学習に基づく北部トウモロコシ葉枯れ病の検出

北部トウモロコシ葉枯れ病は、トウモロコシの健康を脅かす主要な病気の一つです。フィールドの複雑な背景と異なる光強度が、病気の検出をより困難にしています。畳み込みニューラルネットワークに基づいたマルチスケール特徴融合インスタンス検出法が提案され、トウモロコシの葉枯れ病を検出します。提案された技術は、データセットの前処理部分、ファインチューニングネットワーク、検出モジュールの3つの主要なステップを組み込んでいます。最初のステップでは、改善されたレティネックスを使用してデータセットを処理し、高強度の光によって引き起こされる検出効果の低下という問題を成功裏に解決します。2番目のステップでは、改善されたRPNが病葉のアンカーボックスを調整するために利用されます。改善されたRPNネットワークは、ネガティブアンカーを特定して削除し、分類器の探索空間を縮小し、検出ネットワークへの初期情報を提供します。この論文では、ファインチューニングネットワークと検出モジュールを接続するための伝送モジュールを設計しています。一方で、伝送モジュールは低レベルと高レベルの特徴を融合させ、小さなターゲット病の検出精度を向上させます。他方で、伝送モジュールはファインチューニングネットワークに関連する特徴マップを検出モジュールに変換し、検出モジュールとファインチューニングネットワーク間での特徴共有を実現します。3番目のステップでは、検出モジュールが最適化されたアンカーを入力として受け取り、病葉の検出に焦点を当てます。伝送モジュールの特徴を共有することにより、候補領域を層ごとに使用して検出する際の時間のかかるプロセスが排除されます。したがって、全体モデルの効率は1段階モデルの効率に達しました。モデルの検出効果をさらに最適化するために、損失関数を一般化された交差率（GIoU）に置き換えました。60000回の反復後、最高の平均平均精度（mAP）は91.83%に達します。実験結果は、改善されたモデルがより高い精度と秒あたりフレーム数（FPS）を持ついくつかの既存の方法を上回ることを示しています。