基于YOLOv3的多类烟草叶部病害检测研究

作者：刘延鑫; 王俊峰; 杜传印; 丁睿柔; 高强; 宗浩; 姜红花^*

来源：中国烟草科学, 2022, 43(02): 94-100.

DOI：10.13496/j.issn.1007-5119.2022.02.015

• YOLOv3
• 烟草病害
• 病害检测
• 特征融合
• 深度学习

烟草叶部病害种类繁多，病理复杂，严重影响烟草产量及品质，烟草病害精准检测是烟草病害及时防治的前提。传统检测方式精准性差、效率低，基于深度学习的算法可提高烟草病害检测准确性。本文以5种较为常见的烟草病害（普通花叶病、黄瓜花叶病毒病、赤星病、烟草野火病、气候性斑点病）为研究对象，构建基于YOLOv3的烟草病害检测模型，实现烟草多类病害的精准快速检测。使用Darknet53特征网络提取烟叶病害特征并将不同尺度病害特征融合，并用K-means++算法对融合后特征进行分类和位置预测，通过非极大值抑制算法（NMS）去除冗余框，得到病害区域预测框。用田间实际采集的烟草病害数据集，对构建的YOLOv3病害检测模型与SSD(Single Shot multibox Detector)模型对比测试。结果表明，YOLOv3的mIoU为0.81，明显优于SSD的0.73，且YOLOv3模型的mAP为0.77，也高于SSD的0.69。本研究构建的YOLOv3烟草病害检测模型能有效定位烟叶病害区域，实现多类烟草病害的检测，为精准病害防治提供参考。

• 单位
  山东农业大学; 山东临沂烟草有限公司; 山东潍坊烟草有限公司