基于深度学习的柑橘黄龙病识别方法

柑橘黄龙病识别方法"/>

基于深度学习的柑橘黄龙病识别方法

前言：

柑橘是全球种植面积最大和总产量最高的水果之一，也是我国产量最高的水果之一。其中广西的柑橘产量位居全国第一，远超其他省份。黄龙病是柑橘产业的毁灭性病害，从20世纪80年代中期开始，柑橘黄龙病已在我国广东、广西、福建、海南和台湾的柑橘产区广泛蔓延，我国栽培柑橘的19个省、区中，已有11个遭受危害。感染黄龙病的柑橘植株出现症状时，果树长势会快速衰退，树叶出现斑驳、黄化，植株矮小，果实着色不正常，呈现“红鼻子果”，导致品质变差。黄龙病传染能力强，能够迅速感染其他柑橘植株，对柑橘种植造成严重影响。柑橘黄龙病主要通过木虱传播，由于木虱只能短距离飞行，因此黄龙病属于短距离传染疾病。尽早挖除病株并对传播病菌的害虫加以防治是最有效的方法，因此，快速、及早地发现病株是防治黄龙病的最根本前提。

基于深度学习的柑橘黄龙病识别方法

介绍：

误区：

改进★★★：

深度学习实现步骤：

介绍：

        当我们刚开始接触深度学习的时候，我们的知识面可能比较..emm，少，所以导致我们做出了非常多无效的行为。所以这里我先简单介绍一下深度学习在CV方面的应用方向：！！！

大致有：

目标检测、语义分割、实例分割、全景分割、图像分类、图像识别等等

误区：

        当第一次接触农业病虫害识别时，初学者因为知识面的原因会选择将一张有多个叶片的植株投入神经网络进行训练，但其实，这样子做是十分低效的！

改进★★★：

        正确做法，应当是目标检测+图像分类！我使用yolox目标检测模型对植株进行叶片检测，之后将每一片叶子分割出来，相同的放在一组然后才投入图像分类。

同样的模型与数据集情况下，利用改进的办法准确率提高了23个百分点！

深度学习实现步骤：

        1、假设现在有18种不同的柑橘叶片，其中17种属于患有不同黄龙病的柑橘叶片。每张图片中当且仅当包含着18种叶片的一种，且数量不止一个，而是一片。

        2、方法：轻量级目标检测模型yolo系列+轻量级图像分类模型mobilenetV2 or efficientNetV2-s / 轻量级目标检测模型yolo系列+ 图像细分类模型。

        3、分类目标：有细微模样差别的的同种叶片。

        4、对于目标检测模型：使用了yolox模型并且训练了自己的数据集，目的在于检测出一张图片中每一片叶子的位置信息bbox，并且切割出来，方便之后进行图像识别。(如下图，从一张图片分割87张叶片图片，再将它们投入图像分类模型训练。)

        5.对于图像分类模型，由于是有细微模样差别的的同种叶片，理论来讲应该是使用图像细粒度分类模型，但介于数据集目前只有二类，目前暂时只使用了一般图像分类模型进行了二分类，其中共使用了vit\mobilenetv2\efficientNetV2等图像分类模型，在二分类中均达到了接近百分之一百的准确率（99.89%）。

        6.识别一张图像过程：以上图为例：分割出87张图片，对每一张图片中的叶片进行识别，最后统计出86张是正常的，1张是有病的，那么打印出该植株共包含87张叶片，其中86片叶子是健康的，1片叶子是患了XX黄龙病的。