基于集成学习的茶树病虫害检测方法

摘要

[目的]茶树病虫害识别通常采用单一的检测模型，但其学习和感知能力不足以完成复杂茶园环境下的病虫害目标检测。针对现有目标检测算法难以在茶园复杂环境下对茶树叶枯病和绿盲蝽危害症状的识别问题，提出一种基于集成学习的茶树病虫害检测方法。[方法]采用YOLOv5弱监督模型，在YOLOv5的网络基础上引入全局注意力机制(global attention mechanism, GAM)和卷积注意力模块(convolutional block attention module, CBAM),将2个改进后的模型集成，并将预测结果使用加权边界框融合算法(weighted boxes fusion, WBF)处理融合框。[结果]与原始的YOLOv5模型相比，集成后模型对茶树叶枯病和绿盲蝽危害症状检测的平均精确率达72.2%,相比于引入GAM和CBAM后的模型，集成模型的平均准确率分别提升3.0%和3.7%。[结论]集成后的算法具有更强的特征提取能力，可以提取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复杂度。

关键词

茶树 / 病虫害检测 / 集成学习 / 机器学习