基于CCNet和Faster RCNN模型的水稻叶片病害检测

来源：江苏农业科学杂志2025年第第15期北京时间：

作者：丁士宁;张克旺;姜明富

单位：1.信阳农林学院，河南信阳 464000； 2.澳门理工大学应用科学学院，澳门 999078

摘要：为了准确检测水稻叶片病害，将深度学习模型CCNet和Faster R-CNN应用到水稻叶片病害检测上。首先收集3种不同类型的水稻叶片病害图像数据共计950张，从而构建水稻叶片病害数据集。为增强模型的泛化能力，在数据集划分训练集、验证集和测试集之后，对所有图像进行数据增强，扩展后的数据集图像数量达到7 600张。数据集构建完成后，使用CCNet模型对图像进行分割，从而将水稻叶片与其背景分离，避免背景对病害检测的干扰。进而使用Faster R-CNN模型检测病害种类和病害位置，同时为了增强检测精度，向Faster R-CNN模型引入特征金字塔网络，并且使用ROI Align层替换ROI Pooling层。经试验验证，本研究模型在所用水稻数据集上的平均精度均值指标达到了73.1%，相比于原Faster R-CNN模型提高了3.4百分点。对比试验结果表明，本研究模型的平均精度均值比SSD300、SSD512、Retinanet模型分别高13.0、5.1、6.9百分点，该模型的检测精度最高。试验结果验证了所提模型的有效性，表明该模型能够准确识别水稻白叶枯病、胡麻叶斑病和叶瘟病。

关键词：水稻叶片病害;Faster R-CNN模型;CCNet模型;特征金字塔网络;ROI Align层