基于深度学习的实时番茄植物疾病和害虫识别的鲁棒检测器

植物疾病和害虫是农业部门面临的主要挑战。准确且快速地检测植物中的疾病和害虫有助于制定早期治疗技术，同时大幅减少经济损失。深度神经网络的最新进展使研究人员能够显著提高物体检测和识别系统的准确性。本文提出了一种基于深度学习的方法，通过不同分辨率的相机设备捕获的图像来检测番茄植物中的疾病和害虫。我们的目标是找到更适合我们任务的深度学习架构。因此，我们考虑三种主要的检测器家族：更快的区域卷积神经网络（Faster R-CNN），区域全卷积网络（R-FCN），和单次多框检测器（SSD），出于本工作的目的，这些被称为“深度学习元架构”。我们将每种元架构与“深度特征提取器”结合，如VGG网络和残差网络（ResNet）。我们展示了深度元架构和特征提取器的性能，并进一步提出了一种局部和全局类别标注及数据增强的方法，以提高准确性并减少训练过程中的误报数量。我们在大型番茄疾病和害虫数据集上对系统进行了端到端的训练和测试，该数据集包含带有疾病和害虫的挑战性图像，包括多种类内和类间的变化，例如感染状态和植物中的位置。实验结果表明，我们提出的系统能够有效识别九种不同类型的疾病和害虫，并能够应对植物周围复杂场景的挑战。