基于改進版Faster-RCNN的復雜背景下桃樹黃葉病識別研究

張平川 胡彥軍 張燁 張彩虹 陳昭 陳旭

摘要：由于桃樹黃葉?。ㄒ韵潞喎QPTYLD）初期癥狀不明顯，現有的基于深度學習的桃樹病害識別技術，存在識別準確率不高、識別品種單一的問題，提出一種基于Faster-RCNN的PTYLD識別模型。為提高模型對PTYLD識別準確率和識別多樣性，提出使用RS-Loss函數代替RPN中的交叉熵函數、使用Soft-NMS算法代替原來的NMS算法，來改進Faster-RCNN。通過試驗對比初始版和改進版Faster-RCNN對PTYLD的識別效果。試驗結果顯示，改進后的Faster-RCNN對黃葉病識別的各類別平均準確率mAP達90.56%、召回率達94.16%、準確率達92.53%，能識別常見的五種PTYLD。

關鍵詞：桃樹黃葉??；Faster-RCNN；復雜背景；軟性非極大值抑制算法

中圖分類號：S436.61： TP391.4? ?文獻標識碼：A? 文章編號：2095-5553 （2024） 03-0219-08

Recognition of peach tree yellow leaf disease under complex background

based on improved Faster-RCNN

Zhang Pingchuan1， Hu Yanjun1， 2， 3， Zhang Ye 3，?Zhang Caihong1， Chen Zhao1， Chen Xu1

（1. School of Computer Science & Technology， Henan Institute of Science and Technology， Xinxiang， 453003， China;2. School of Applied Engineering， Henan University of Science and Technology， Sanmenxia， 472099， China;3. College of Mechanical and Engineering， Xinxiang University， Xinxiang， 453003， China）

Abstract：

Since the initial symptoms of Peach Tree Yellow Leaf Disease （PTYLD） are not readily apparent， the existing deep learning-based recognition techniques for this disease suffer from issues like inaccurate recognition and limited recognition species. To address this， a recognition model of PTYLD based on Faster-RCNN （Region-based Convolutional Neural Network） is proposed. In order to enhance the recognition accuracy and diversity of PTYLD， RS-Loss function is used to replace the cross-entropy function in the Region Proposal Network （RPN）， and the Soft-NMS algorithm is used to replace the original Non-Maximum Suppression （NMS） algorithm， so as to improve Faster-RCNN. The recognition effect ?of the initial and improved version of Faster-RCNN models on PTYLD is compared by experiments. The experimental results demonstrate that the improved Faster-RCNN achieves a mean average precision （mAP） of 90.56%， recall rate of 94.16%， an accuracy of 92.53% for each category of yellow leaf disease， ?and can identify five common PTYLD.

Keywords：peach tree yellow leaf disease； Faster-RCNN； complex background； Soft-NMS

0 引言

桃樹黃葉病是因樹體缺乏鐵元素引起的［1］，在中國黃淮流域多從4月中旬開始發病。發病后，從新梢上開始表現，嫩葉變黃而葉脈兩側仍綠，下部老葉表現較為正常。隨著新梢的生長，如果不及時發現和治療，病情逐漸加重。全樹新梢頂端嫩葉嚴重失綠，葉脈呈淺綠色，全葉變為黃白色，葉尖、葉緣出現茶褐色壞死斑，后脫落。缺鐵嚴重時，新梢節間短、發枝力弱、花芽不飽滿，嚴重影響產量和品質［2， 3］。

診斷植物病害有幾種方法：診斷植物病害的一種原始方法是根據農民的經驗進行觀察診斷，但不適合所有農民。第二種方法是使用光譜儀通過健康和患病葉片的光譜反射來診斷植物疾病，這種方法比人工診斷更準確［4］，但光譜儀價格昂貴。第三種方法是通過提取葉片DNA進行聚合酶鏈反應［5］或實時聚合酶鏈反應［6］，但對試驗條件和專業操作有極高的要求。為了確保植物病害診斷的簡單性、實時性、低成本和高準確性，很多學者提出基于圖像的植物病害計算機輔助診斷識別方法［7］。

基于圖像的計算機植物病害診斷可以看作是一個圖像分類問題，通?？梢苑譃閷χ参锊『D片的特征進行提取，然后進行分類［8］。例如，Zhang等［9］使用CNN（Convolutional Neural Network）、Alexnet、SVM（Support Vector Machine支持向量機）對桃樹黃單胞菌病害進行識別，由于研究使用的是純色背景數據集，導致訓練的模型泛化性和魯棒性都比較差。Ren等［10］提出Faster-RCNN算法，將Fast-RCNN與RPN相結合，提高了檢測速度與精度。Chen等［11］將Faster-RCNN與多部件方法結合提高了模型的檢測速度。王宜全等［12］利用Faster-RCNN對植保無人機噴藥進行了研究，有效減少了無人機由于偏離航道而產生的誤噴現象。李林升等［13］針對初始版Faster-RCNN的RPN網絡只有一個3×3的滑動窗口導致提取特征受限的問題，采取增加1×1，5×5兩個滑動窗口的方法，提高了感受的范圍與強度。但這種增加滑動窗口的同時，也增加了大量的候選框，導致計算量顯著增加，同時也降低了網絡的檢測速度。

以上大部分研究采用初始版Faster-RCNN網絡，其中RPN使用交叉熵函數存在以下兩方面的缺陷：第一，該函數由于采用類間競爭機制，比較擅長于學習類間的信息，僅對正樣本標簽預測概率的準確性給予關注，而忽略了負樣本標簽的差異，從而導致學習到的特征比較散；第二，交叉熵損失函數通常是多個子任務的加權和，由于子任務和階段的多樣性以及每個任務重要性的不平衡，此類任務中，超參數往往較多，導致需要耗費大量的時間和資源來調這些超參數，并且最終可能僅得到次優模型。初始版Faster-RCNN采用NMS算法，該算法對于重疊閾值設定敏感，設定過低會導致漏檢，設定過高會導致誤檢。

本文針對不同品種桃樹葉片特征相差較大情況下，在前期的試驗中存在檢測耗時長、準確率低、漏檢誤檢等情況。本文對Faster-RCNN網絡進行兩方面改進：使用RS-Loss函數［14］代替交叉熵函數、使用Soft-NMS算法［15］代替NMS算法。同時，為滿足自然生長場景下黃葉病自動識別的應用需求，建立復雜背景和純色背景兩種數據集。

1 改進Faster-RCNN

Faster-RCNN是在Fast-RCNN［16］基礎上進行了優化改進，引入了RPN替換Fast-RCNN的選擇性搜索（select search）算法［17］。RPN將區域建議提取集成到深度卷積神經網絡，在每個位置同時預測目標邊界框和類別置信度分數。Faster-RCNN可實現端到端的目標檢測框架，提高檢測精度和速度，生成建議框僅需10ms。Faster-RCNN網絡由特征提取層、RPN、RoI Pooling層、分類和回歸層等4部分組成，其結構如圖1所示。特征提取層可以采用RESNET50［18］或VGG-16［19］網絡。

1.1 標準 RPN

RPN接受特征提取網絡傳過來的特征圖，使用3×3的滑動窗口對特征圖進行操作。對于每個滑動窗口，生成一組特定的錨框。這些錨框有3種不同的長寬比（1∶1、1∶2、2∶1）和3種不同尺寸（128、256、512）。所以特征圖中每個像素共有9種錨框，在特征圖大小為W×H的情況下，則錨框的總數量W×H×9。如圖2為尺寸600×900的圖像，在其坐標為（450， 350）處的像素點產生了9個錨框。

在圖2中，三種不同尺寸（128、256、512）的錨框。每種尺寸的錨框都有三個，這三個錨框的高度寬度比例分別為1∶1、1∶2和2∶1?，F在特征圖的每個位置設置了9個錨框，但可能有很多錨框里沒有任何物體，因此，模型需要學習哪些錨框可能有目標物體。有目標物體的錨框可以被歸類為前景，其他的則是背景。同時，模型需要學習前景錨框的偏移量，以適應物體。

錨框的定位和分類是由邊界框調節器和邊界框分類器完成的。邊界框分類器計算每個錨框有目標物體的概率，根據此概率將錨框劃分為前景或背景［20］。邊界箱回歸器根據x，y，w，h的值計算相對于前景錨框的偏移量，其中（x，y）是框的中心坐標，w和h是寬度和高度。由于RPN是一個模型，每個模型都有一個成本函數來訓練，所以RPN也是如此。RPN的損失函數可以表示為式（1）。

L（{pk}，{tk}）=1Ncls∑Lcls（pk，p*k）+λ1Nreg∑p*kLreg（t，t*k）（1）

式中：k——錨框的序列號；pk——每一個錨框的類別真值；Pk*——每一個錨框的類別預測值；tk——每一個錨框的偏移量真值；tk*——每一個Anchor的偏移量預測值；Lcls——分類損失；Lreg——回歸損失；Ncls、Nreg——標準化值，Ncls=256，Nreg=2 400；λ——權重平衡參數，本文λ取1。

試驗顯示，λ值對準確率的提高并不明顯，λ值從0.1到100，對試驗結果的提高不到1%。

式（1）的第一項是有無目標物體的分類損失，第二項是僅當存在目標物體時邊界框的回歸損失。

使用交叉熵函數表示分類損失Lcls，具體計算如式（2）所示。

Lcls（pk，p*k）=－log［p*kpk+（1－p*k）（1－pk）］（2）

使用soomth L1 loss表示Lreg，計算如式（3）和式（4）所示。

Lreg（tk，t*k）=∑k∈{x，y，w，h}smoothL1（tk－t*k）（3）

soomthL1（x）=0.5x2if|x|<1|x|－0.5otherwise（4）

式中：x——真實值和預測值的差值。

1.2 RPN損失函數改進

RPN中使用交叉熵函數即式（2），交叉熵函數由于采用了類間競爭機制，比較擅長于學習類間的信息，但是只關心對于正樣本標簽預測的準確性，而忽略了負樣本標簽的差異，從而導致學習到的特征比較分散。

標準RPN屬于多重任務，其中包括分類、邊框回歸等多個子任務，因此這類任務的交叉熵損失函數通常是多個子任務的加權和。由于子任務和階段的多樣性以及每個任務重要性的不平衡，造成此類任務中超參數往往較多。這些超參數雖平衡不同任務重要性來使得模型獲得更好性能，但由于調這些超參數需要大量的耗費時間和資源，并且最終可能僅產生了次優的模型，沒有達到最優的模型。

為解決上述問題，本文采用Oksuz等［14］提出的?RS-Loss函數代替RPN中交叉熵損失函數，以便簡化模型訓練的復雜性，使模型可以達到更好的性能。RS-Loss總共由Rank和Sor兩部分組成。Rank將每個正樣本排在所有負樣本之上，Sort根據IoU來對正樣本進行排序。RS-Loss不僅將正負樣本進行排序，還在正樣本間進行排序，這一特性使得在訓練過程中可以有效解決極端的類別不均衡問題，而不需要采用啟發式的采樣。此外，除學習率，RS-Loss不需要任何超參數調優，因為在RS-Loss中沒有需要調優的任務平衡系數。

當前Rank誤差記作lR（i），當前Sort誤差記作lS（i），目標Rank誤差記作l*R（i），目標Sort誤差記作l*S（i），當全部正樣本排在負樣本之上時，NFP（i）=0，所以l*R（i）=0。Rank Loss為當前Rank誤差lR（i）減去目標Rank誤差l*R（i），即lR（i）-l*R（i），Sort Loss為當前Sort誤差lS（i）減去目標Sort誤差l*S（i），即lS（i）-l*S（i），將兩式相加可得（lR（i）+lS（i））-（l*R（i）+l*S（i））。令（lR（i）+lS（i））為當前RS誤差記作lRS（i），令（l*R（i）+l*S（i））為目標誤差記作l*RS（i）。最終RS-Loss函數可表述為式（5）。

LRS：=1｜P｜∑i∈P［lRS（i）-l*RS（i）］（5）

式中：P——正樣本集合；i——樣本編號；lRS（i）——當前rank誤差和當前sort誤差的總和。

采用式（6）計算lRS（i），l*RS（i）是目標rank error和目標sort error的總和，計算如式（7）所示。

lRS（i）：=NFP（i）rank（i）lR（i）： Current Ranking Error+∑j∈PH（xij）（1-yj）rank+（i）lS（i）： Current Sorrting Error（6）

l*RS（i）=l*R（i）+∑j∈PH（xij）［yj≥yi］（1-yi）∑j∈PH（xij）［yj≥yi］l*S（i）： Target Sorting Error（7）

NFP（i）=∑j∈NH（xij）（8）

rank（i）=∑j∈P∪NH（xij）（9）

rank+（i）=∑j∈PH（xij）（10）

式中：j——樣本編號；N——所有負樣本的集合；NFP（i）——全部負樣本中大于等于該正樣本分類得分的數量；rank（i）——全部樣本中大于等于該正樣本分類得分的數量；rank+（i）——全部正樣本中大于等于該正樣本分類得分的數量；xij——樣本j與樣本i的分類得分之差；H（x）——單元階躍函數，可表述為式（11）；Y——預測框與真實框的交并比（IoU）的值。

當yj大于等于yi為真時，［yj≥yi］=1，否則［yj≥yi］=0。

H（x）=1x≥00x<0（11）

本文用RS-Loss函數代替分類損失中的交叉熵損失函數。改進后，模型回歸損失的加權參數為RS-Loss除以回歸損失。這種加權參數顯著地減少了超參數的數量，訓練模型時超參數不需要反復調節，只需調整學習率便可以提高模型性能。同時這種加權參數避免了進行多任務權重或系數調整以及某一個損失占據主導地位的情況。

1.3 NMS算法改進

NMS算法是各類目標檢測算法中必要處理步驟。其思想是搜索局部最大值，抑制非極大值。在進行黃葉病檢測過程中，在同一片葉子上會產生大量的候選框，這些候選框之間可能會相互重疊，每個框有一個置信度得分（confidence score），如圖3（a）所示。NMS首先將候選框按置信度進行排序，選擇置信度最高的邊界框添加到最終的輸出列表中，然后將其從邊界框列表中刪除。其次，計算所有邊界框的面積，計算置信度最高的邊界框與每一個候選框的IoU（intersection-over-union，即兩個邊界框的交集部分除以它們的并集），若該邊界框的IoU值大于閾值，則刪除該邊界框。最后，重復以上操作直至邊界框列表為空，選擇出最優框的目標，如圖3（b）所示。

NMS算法是一個不連續二值權重函數的特例，即式（12）所示。

Sk=SkIoU（M，bk）Nt（12）

式中：Sk——第k個預測框對應的置信度得分；M——最高得分的候選框；bk——待檢測框；Nt——超參數設定的重疊閾值；IoU——bk和M的交集與并集的比。

由以上分析可知，NMS算法對于重疊閾值Nt設定敏感，其值設定過低會導致漏檢，設定過高會導致誤檢。如圖4所示，三片葉子的得分分別為0.81、0.92和0.87，若按照NMS算法處理，首先會選中得分為0.92的框，然后得分為0.87的候選框會由于IoU過高而刪除。由于NMS算法只保留了最高分數的預測框，容易造成漏檢，本例中得分最高的最前面的葉子被檢出了，而被遮擋的葉子被漏檢了。

為解決漏檢誤檢問題，本文采用Soft-NMS算法替換NMS算法。soft-NMS吸取NMS的教訓，在算法執行過程中不是簡單刪除IoU大于閾值的檢測框，而是降低其得分。soft-NMS算法流程同NMS相同，但其對置信度得分使用函數運算以降低其置信度得分，而不是刪除。Soft-NMS算法采用中的線性加權函數如式（13）所示。

Sk=SkIoU（M，bk）Nt（13）

圖5為NMS算法與Soft-NMS算法識別效果對比圖。傳統Faster R-CNN中的NMS算法只選取重疊度區域中較高得分的候選框，造成了部分目標候選框的漏檢。而改進后的Soft-NMS算法保留了重疊區域中得分較低的候選框，降低了PTYLD目標識別的漏檢率。

改進前后Faster-RCNN結構如圖6所示。

2 數據集

為了驗證復雜背景數據集和純色背景數據集所訓練出來模型的性能差異，制作了黃葉病復雜背景和純色背景兩種數據集。

2.1 復雜背景數據集

健康葉子數據集中由173張來自PlantVillage［21］上的一個開放圖像數據庫（Hughes and Salathé，2015）。其余529張健康葉子圖片來自河南科技學院農業信息技術實習基地——河南省新鄉某蘋果樹種植專業合作社。由于不同品種的桃樹葉子有一定差異，為了提高模型的泛化性和魯棒性。共采集了水蜜桃、黃桃、油桃、蟠桃、壽星桃等五種不同品種的桃樹健康葉子。健康桃樹葉數據集共有702張圖片。

果園的桃樹葉子由于大多數情況桃樹均處于健康狀態，因此要采集黃葉病的桃樹葉有很大難度。經過大量的調查找到了一部分患有黃葉病的桃樹葉子。黃葉病數據集通過以下兩種方式獲?。旱谝?，通過互聯網獲取了黃葉病的一些圖片，共獲取黃葉病初期照片200張；第二，對不同品種患有黃葉病的桃樹進行圖像采集，共取得圖片600張，選取332張黃葉病初期的照片組成數據集。因此初期黃葉病圖片原始數據集共532張，通過增強數據集達到1064張。最終形成了由1766張圖片組成的復雜背景黃葉病數據集（以下簡稱復雜背景數據集），如圖7所示。

將以上數據集分為訓練集、驗證集和測試集。按照機器學習對數據集分配的經驗將三者按照7∶2∶1的標準進行劃分，如表1所示。

2.2 純色背景數據集

本數據集共有853張圖片，健康桃樹樹葉353張，黃葉病病葉500張。其中健康桃葉圖片353張來自PlantVillage上的一個開放存取圖像存儲庫，黃葉病病葉圖片來自悅農果園。通過使用小米note3手機現場拍攝病葉照片，然后進行單葉片截取。純色背景黃葉病數據集（以下簡稱純色背景數據集）如圖8所示。

3 試驗與分析

3.1 試驗環境

試驗環境由計算機硬件和開發平臺兩部分組成，試驗環境由計算機硬件和開發平臺兩部分組成，操作系統采用Windows10 （64bit）professional edition；CPU采用AMD Ryzen 7 5800X 8-core CPU；內存16 GB；GPU采用NVIDIA GeForce RTX3060；深度學習框架采用Pytorch 1.10.0；編程語言為Python 3.7；CUDA版本為10.2。

3.2 基于原版Faster-RCNN的純色背景與復雜背景對比試驗分析

本文制作的黃葉病數據集分為純色背景和復雜背景兩種數據集。使用原版Faster-RCNN神經網絡，進行了訓練試驗，訓練迭代了1000次，訓練結果顯示，純色背景數據集在訓練階段loss下降非?？?，利用復雜背景數據進行驗證時loss卻不能正常下降如圖9（a）所示。在使用復雜背景數據集進行模型訓練，訓練出的模型有較好的表現，如圖9（b）所示。在訓練集和驗證集上loss都能較好的下降。

由圖9（a）可看出，loss在訓練集上得到很好的下降，但在驗證集上不能很好的下降。其主要原因是，訓練集數據全部采用純色背景圖片，驗證集數據采用了復雜背景圖片。表明了純色背景數據集訓練的模型存在著泛化性差的問題［22， 23］。由圖9（b）可以看出loss無論是在訓練集還是在驗證集上都能較好的下降，說明復雜背景數據集訓練的模型有著較強的泛化性。因此本文建議在制作數據集時應避免使用純色背景數據集。

為了更直觀比較兩種數據集所訓練出來的模型差異，本文選用mAP［24］（mean Average Precision，即各類別AP的平均值）、Recall（召回率）、Accuracy三個常用指標作為衡量模型的性能的評價指標。表2為純色背景和復雜背景數據集訓練結果，表明復雜背景數據集訓練的權重文件較純色背景數據集有著更好地識別效果。

3.3 基于復雜背景對比試驗分析

本文使用復雜的背景數據集訓練了四種類型的 Faster-RCNN神經網絡，分別是Original版本、Softer-NMS函數、RS-Loss函數和Softer-NMS+RS損失函數。訓練迭代了3000次，訓練集損失變化如圖10所示?？梢钥闯?，采用Softer-NMS+RS-Loss函數的Faster R-CNN具有最低的損失值，且訓練過程中收斂較快。

同時本文對四種Faster-RCNN網絡的mAP、Recall、Accuracy三個常用指標值進行了對比，試驗的結果如表4所示。

由表4可見，不同的網絡對黃葉病的檢測精確度不同，采用Softer-NMS+RS-Loss函數的Faster-RCNN網絡的三個評價指標得分最高，相較于初始版本三個指標幾乎均提高20%，驗證了本文所提改進方法對黃葉病檢測精確度提升的有效性。

為比較采用Softer-NMS+RS-Loss函數的Faster-RCNN與初始版Faster-RCNN圖像識別效果，本實驗采用這兩種神經網絡訓練出的最優權重文件對黃葉病圖片進行識別如圖11所示。由此看出在識別明顯的黃葉病方面，兩種神經網絡效果一樣，但對于不太明顯的黃葉病癥狀采用Softer-NMS+RS-Loss函數的Faster-RCNN有較好的表現。

4 結論

針對復雜背景下PTYLD初期檢測難度較大，本文提出了一種改進版的Faster-RCNN神經網絡，實現了PTYLD準確識別，所提方法具有以下優點。

1） 本文提出的采用RS-Loss+Soft-NMS的Faster-RCNN對PTYLD初期癥狀的識別準確率顯著提高，mAP達90.56%、召回率達94.16%、Accuracy達92.53%，解決了PTYLD初期癥狀不易識別的難題。

2） 采用Soft-NMS算法替換原模型中的NMS算法，保留了重疊區域中得分較低的候選框，降低了PTYLD目標識別的漏檢率。

3） 本文所提的PTYLD的機器識別算法，是智慧果園研究的一項重要技術，對果園的智能化管理有著重要的實際意義。

參 考 文 獻

［1］張苗. 冀中地區桃樹缺鐵黃化發生規律及其防治技術［D］. 保定： 河北農業大學， 2019.Zhang Miao. Occurrence and control techniques of iron deficiency chlorosis of peach trees in central Hebei ［D］. Baoding： Hebei Agricultural University， 2019.

［2］劉現國， 李淑恒. 桃樹缺鐵黃葉病的發生與防治［J］. 種子科技， 2016， 34（8）： 83.

［3］鄭科， 王萬魁， 尉青. 山西運城地區黃葉病形成的原因與防治方法［J］. 果農之友， 2021（9）： 37-38.

［4］Sasaki Y， Okamoto T， Imou K， et al. Automatic diagnosis of plant disease-spectral reflectance of healthy and diseased leaves ［J］. IFAC Proceedings Volumes， 1998， 31（5）： 145-150.

［5］Henson J M， French R. The polymerase chain reaction and plant disease diagnosis ［J］. Annual Review of Phytopathology， 1993， 31（1）： 81-109.

［6］Koo C， Malapi-Wight M， Kim H S， et al. Development of a real-time microchip PCR system for portable plant disease diagnosis ［J］. PloS one， 2013， 8（12）： e82704.

［7］Kailey K S， Sahdra G S. Content-based image retrieval（CBIR） for identifying image based plant disease ［J］. International Journal of Computer Technology and Applications， 2012， 3（3）.

［8］Yan Z， Zhan Y， Peng Z， et al. Multi-instance deep learning： Discover discriminative local anatomies for bodypart recognition ［J］. IEEE Transactions on Medical Imaging， 2016， 35（5）： 1332-1343.

［9］Zhang K， Xu Z， Dong S， et al. Identification of peach leaf disease infected by Xanthomonas campestris with deep learning ［J］. Engineering in Agriculture， Environment and Food， 2019， 12（4）： 388-396.

［10］Ren S Q， He K M， Girshick R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis amp; Machine Intelligence， 2015， 39（6）： 1137-1149.

［11］Chen C K， Li Y. Aeroplane detection in static aerodrome based on Faster RCNN and multi-part model ［J］. Journal of Computer Applications， 2017， 37（Z2）： 85-88.

［12］王宜全， 吳揚東， 祁兵. 基于Faster RCNN的間作類農田無人機噴霧方法研究［J］. 中國農機化學報， 2019， 40（6）： 76-81.Wang Yiquan， Wu Yangdong， Qi Bing. Study on UAV spray method of intercropping farmland based on Faster RCNN［J］. Journal of Chinese Agricultural Mechanization， 2019， 40（6）： 76-81.

［13］李林升， 曾平平. 改進深度學習框架Faster-RCNN的蘋果目標檢測［J］. 機械設計與研究， 2019， 35（5）： 24-27.

［14］Oksuz K， Cam B C， Akbas E， et al. Rank & sort loss for object detection and instance segmentation ［C］. 2021 IEEE/CVF Inter-national Conference on Computer Vision（ICCV）， 2021： 2989-2998.

［15］Bodla N， Singh B， Chellappa R， et al. Soft-NMS—improving object detection with one line of code ［C］. Proceedings of the IEEE International Conference on Computer Vision， 2017： 5561-5569.

［16］ Zhang Y， Song C， Zhang D. Small-scale aircraft detection in remote sensing images based on Faster-RCNN ［J］. Multimedia Tools and Applications， 2022， 81（13）： 18091-18103.

［17］Uijlings J R R， Van De Sande K E A， Gevers T， et al. Selective search for object recognition ［J］. International Journal of Computer Vision， 2013， 104： 154-171.

［18］He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［C］. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition， Las Vegas， NV， USA， 2016： 770-778.

［19］Simonyan K， Zisserman A. Very deep convolutional networks for large-scale image recognition ［J］. Computer Science， 2014， 42（5）： 324-328.

［20］方帥， 金忍， 于磊， 等. 一種基于RGBD圖像的似物性采樣算法［J］. 圖學學報， 2015， 36（6）： 931-936.

［21］Hughes D P， Salathe M. An open access repository of images on plant health to enable the development of mobile disease diagnostics ［M］. arXiv： Computers and Society， 2015.

［22］Ge Zhao， Wu Hao， Zhao Can， et al. High-accuracy event classification of distributed optical fiber vibration sensing based on time-space analysis ［J］. Sensors， 2022， 22（5）.

［23］Peng X， Wang F Y， Li L. Towards better generalization of deep neural networks via non-typicality sampling scheme ［J］. IEEE Transactions on Neural Networks and Learning Systems， 2022， 34（10）： 7910-7920.

［24］Seyed-Salehi M， Kim B H， Yang S Y， et al. Effect of Cr elimination on flow behavior and processing map of newly developed ECO-7175 aluminum alloy during hot compression ［J］. Transactions of Nonferrous Metals Society of China， 2022， 32（5）： 1442-1459.

基金項目：河南省科技廳科技攻關項目（222102210116、212102310553）

第一作者：張平川，男，1968年生，河南新鄉人，博士，副教授；研究方向為智慧農業。E-mail： 362764053@qq.com

通訊作者：胡彥軍，男，1981年生，河南鄭州人，碩士，副教授；研究方向為計算機視覺、農業信息化。E-mail： 13622572@qq.com