基于DeepLabv3—Faster R—CNN的水稻叶片病害检测方法#br#

来源：中国农机化学报杂志2025年第4期北京时间：

作者：刘宇平, 刘程飞, 赵平伟

单位：（1. 山西工程科技职业大学计算机工程学院，山西晋中，030619； 2. 太原理工大学信息与计算机学院，太原市，030024； 3. 山西农业大学信息科学与工程学院，山西晋中，030800）

摘要：在农业生产中需要尽早准确地检测和识别水稻叶片病害。为减小水稻叶片病害识别中背景噪声的影响并提高病害检测的准确度，提出一种基于DeepLabv3—Faster R—CNN网络的水稻叶片病害检测方法。待检测的水稻叶片图像首先经过DeepLabv3网络进行图像分割，获得背景和叶片分割的初步结果，再把经过背景分割的叶片图像中叶片部分还原进行检测，从而规避背景部分噪声对检测结果的影响。检测部分主要由Faster R—CNN网络实现，结合特征金字塔和CBAM方法，提高模型对多尺度水稻叶片病害目标的检测能力。通过公开数据集训练模型，得到该方法对白叶枯病、稻瘟病、褐斑病和黄矮病的平均检测准确率达到98.1%。

关键词：水稻叶片,病害检测,深度学习,图像分割,目标检测

基金资助：国家自然科学基金资助项目（31671571）