基于深度学习的番茄叶片病害识别与分割方法研究.pdf
摘要
番茄生长过程中易受多种叶部病害的侵袭，这些病害不仅显著降低番茄的产量
和品质，还会增加农业生产的成本。因此，准确快速识别番茄叶片病害及病害程度
对番茄病害精准防治及减少经济损失具有重要的意义。本文选取番茄早疫病、番茄
晚疫病、番茄斑枯病及番茄叶霉病四种常见番茄叶部病害为研究对象，主要研究基
于深度学习的番茄叶片病害识别及番茄叶片病害图像语义分割，并在此基础上对番
茄叶片病害严重程度进行分级，为实现番茄叶片病害的智能化识别检测提供技术支
持。本文的主要研究内容如下：
（1）基于改进YOLOv7的番茄叶片病害识别研究。针对细小和复杂病害特征
的捕捉能力不足的问题，本文将YOLOv7网络模型的主干网络中的卷积部分替换为
动态蛇形卷积；针对识别关键病害特征时的聚焦与辨识力不足的问题，在YOLOv7
网络中的APPCSPC模块中集成Biformer注意力机制；针对在细节上采样和特征重
组过程中精度不足和特征丢失问题，采用内容感知特征重组模块替换传统上采样。
在番茄叶片病害数据集上进行试验，试验结果表明，改进后的YOLOv7网络模型
mAP为94.28%，相较于原模型提升了6.18%，能够实现对小目标病害的有效识别。
（2）基于改进U-Net的番茄叶片病害分割研究。为了精确分割番茄叶片病害区
域进而对病害严重程度分级，本文设计了一种基于改进U-Net模型的语义分割网络。
针对原始U-Net模型在深层特征提取能力较低的问题，将其下采样部分替换为残差
卷积。针对原始U-Net模型在细节捕捉能力上的不足，特别是难以准确聚焦于病斑
区域的问题，在跳跃连接阶段嵌入CBAM注意力机制。试验结果表明，改进后的
U-Net模型的mIoU和mPA分别为87.16%和92.25%，比原始模型分别提高了4.88%
和5.4%。
（3）番茄叶片病害识别系统设计与开发。为了使番茄叶片病害识别结果可视化，
并便于用户操作，基于Python设计开发了一个包含数据上传、病害识别及历史记录
等功能的系统。用户可上传番茄叶片图像至系统，该系统通过其病害识别模块处理
图像，并输出病害类型及严重程度，有效提升了病害管理的高效性和准确性。
关键词：深度学习；病害识别；病斑分割；注意力机制；番茄病害
I
目录
第一章绪论1
1.1研究背景与意义1
1.2国内外研究现状2
1.2.1植物病害识别研究现状2
1.2.2植物病害分割研究现状4
1.3研究内容6
1.4论文组织结构7
第二章相关技术及理论8
2.1卷积神经网络概述8
2.1.1基本网络结构8
2.1.2卷积神经网络特点13
2.1.3模型训练过程14
2.2目标检测算法15
2.2.1FasterR-CNN15
2.2.2SSD16
2.2.3YOLO17
2.3图像分割算法17
2.3.1基于阈值的图像分割方法18
2.3.2基于区域的图像分割方法18
2.3.3基于深度学习的图像分割方法18
2.3.4本章小结19
第三章基于改进YOLOv7的番茄叶片病害识别20
3.1番茄叶片常见病害20
3.2数据集构建22
3.2.1图像获取22
3.2.2图像预处理23
3.2.3数据集划分24
3.3目标检测模型的选取24