摘要
我国是黄花菜种质资源最丰富，种植面积最大的国家，面积约121.15万亩。近年来黄花菜行业发展迅猛，大同市政府更是将黄花菜确立为云州区的支柱产业。但由于病虫害频频发生，黄花菜的品质和产量受到严重影响。据统计，近几年黄花菜因病虫害年均损失率高达20%，解决黄花菜病虫害问题刻不容缓。传统的人工检测方法存在主观性强、可靠性弱等诸多问题，已不能满足当下农业生产的需要。随着智慧农业的出现，深度学习逐渐被用于农业病虫害检测当中。为了解决上述问题，本文提出了一种基于FasterR-CNN算法的病害识别研究，从病害数据集构建和分析不同网络模型对病害识别的能力为研究方向，展开了对于黄花菜叶斑病和锈病分类模型的训练工作。研究的主要内容和结论如下： 1、以山西省大同市云州区唐家堡村周边的黄花菜种植基地为主要调查地点，山西省晋中市太谷区申奉村和山西农业大学园艺站为次要调查地点。在病害调查过程中，使用5点取样法明确了所选试验区域中叶斑病和锈病患病数量较高，叶枯病、黄叶病、炭疽病次之。因此，将黄花菜叶斑病和锈病作为本试验研究的黄花菜主要病害，开展接下来的研究工作。 2、在调查地点进行黄花菜叶斑病和锈病样本的实地采集，再利用Python爬虫爬取互联网上的病害图像数据来增加数据集的多样性。将经数据增强后的病害数据集交由黄花菜病害专家诊断后利用LabelImg标注软件对病害数据集进行标注，完成黄花菜病害数据集的构建。 3、针对FasterR-CNN主干特征提取网络结构进行优化，并用优化后的VGG16和ResNet50网络进行对比试验，提高了模型的识别率。 4、使用优化后的FasterR-CNN预训练模型对本研究构建的黄花菜病害数据集进行对比训练，得出改良后的ResNet50网络识别率最高，达到了90.1%，同比改良后的VGG16提升了5.6%，对叶斑病和锈病的识别率分别达到了89.1%、91.1%。结果证明本试验研究的黄花菜病害识别模型能够挖掘出病害图像的深层次特征，在黄花菜病害分类应用上具有很好的表征能力，对于黄花菜的病害把控是有帮助、有意义的。 利用这一技术对黄花菜病害进行检测，提高了对黄花菜发病早期的防治能力，也为黄花菜其余病害识别提供了技术基础，促进了深度学习技术在农业病害防治应用上的发展。
NETL