基于改进SOLO v2的番茄叶部病害检测方法

为实现对多种番茄叶部病害的精确检测，提出了一种基于改进SOLO v2的番茄叶部病害实例分割方法。该方法以SOLO v2模型为主体框架，将ResNet-101作为骨干网络融合特征金字塔网络（Feature pyramid networks，FPN），引入可变形卷积对卷积结构进行优化，并将损失因子δ融入掩膜损失函数中，在语义分支与掩膜分支上对实例进行检测与分割。通过对模型的改进，实现了对形状复杂多变的番茄叶片的精确检测与分割，并提升了模型的泛化能力与鲁棒性。基于Plant Village数据集的试验结果表明，ResNet-101比ResNet-50在SOLO v2上的性能表现更好。在相同骨干网络下，SOLO v2模型的单幅图像处理时间比Mask R-CNN减少了72.0%，平均精度均值（Mean average precision，mAP）提升了3.2个百分点，改进后的模型在训练过程中收敛效果有所提升，受叶片形状多变的影响较小，最终的平均精度均值达到了42.3%，单幅图像处理时间仅需0.083s，在提升检测精度的同时保证了运行的实时性。该研究较好地解决了番茄病叶识别与分割难的问题，为农业自动化生产中番茄疾病情况与症状分析提供了参考。

Tomato Leaf Disease Detection Method Based on Improved SOLO v2