一种基于集成学习的苹果叶片病害检测方法

由于苹果树叶片病害图像背景复杂、病斑形态多样，苹果树叶片病害的检测一直是一项具有挑战性的任务。传统的苹果树叶片病害检测方法严重依赖于果农经验和特定领域的专家，步骤复杂且低效，并很容易导致病害的误判和漏判。为解决该问题，基于深度学习技术对苹果树叶片病害特征进行自适应学习和提取，提出一种基于集成学习的苹果树叶片病害检测方法。该算法基于不同的模型，在处理不同的数据集上呈现出各自的特性，充分利用了模型间的优势互补，使用非极大值抑制算法将YOLOv5和EfficientDet模型进行集成，进一步提高模型特征提取能力并且增强了模型的检测能力。结果表明，该方法在不增加延迟的情况下，能有效提高3种苹果树叶片病害的检测效果，平均精度可达73.4%,相比于单个YOLOv5和EfficientDet模型分别提高了3.0%、4.8%。集成后的算法具有更好的特征提取能力，可以提取到更多的病害特征信息，并且较好地平衡了模型的识别精度与模型复杂度，可为田间环境下苹果树叶片病害识别提供参考。