基于GC-Cascade R-CNN的梨叶病斑计数方法

为提高梨叶片病害发生程度诊断的效率和准确性,本文提出基于全局上下文级联R-CNN网络(Global context Cascade R-CNN,GC-Cascade R-CNN)的梨叶病斑计数方法.模型的主干特征提取网络嵌入全局上下文模块(Global context feature model,GC-Model),建立有效的长距离和通道依赖,增强目标特征信息.引人特征金字塔网络(Feature pyramid network,FPN)融合浅层细节特征和深层丰富语义特征.使用ROI Align替换ROI Pooling进行区域特征聚集,增强目标特征表达.最后利用多层级联网络对目标区域进行边框回归和分类,完成病斑计数任务.在梨叶病斑图像测试中,模型的各类病斑平均精确率均值(Mean average precision,mAP)达89.4％,检测单幅图像平均耗时为0.347 s.结果表明,模型能够有效地从梨叶片病害图像中检测出多类病斑目标,尤其对叶片炭疽病斑检测效果提升显著;不同种类梨叶片病害病斑计数值与真实值回归实验决定系数R2均大于0.92,表明模型病斑计数准确率较高.