在现代农业生产中，病虫害的早期检测对于保障作物健康和提高产量至关重要。近日，我校洪绍勇副教授领导的研究团队在《Scientific Reports》期刊上发表了一项突破性研究成果，论文的第一作者为吴宪传老师。该论文题为“Image segmentation for pest detection of crop leaves by improvement of regional convolutional neural network”，该期刊属于SCIE检索期刊，是JCR Q1分区，中科院二区。
本文针对现有病虫害检测技术的局限性，如效率低下、存储需求高和精确度有限，提出了一种基于深度学习的图像分割技术。研究团队设计了一种结合径向双对称发散（搁叠顿）方法的区域卷积神经网络（搁-颁狈狈）架构，通过层次掩模（贬惭）技术增强了图像分割的效率，并引入了基于阈值的层次掩模（罢产贬惭）来调整容错机制，从而提高了模型的鲁棒性。
本文的主要贡献包括：
创新的搁-颁狈狈架构：研究设计了一种结合径向双对称发散（搁叠顿）方法的区域卷积神经网络（R-CNN）架构，通过层次掩模（HM）技术提高了图像分割的效率和准确性。
容错机制的引入：为了处理错误标记的数据，研究引入了基于阈值的层次掩模（TbHM），增强了模型的鲁棒性，并通过调整容错机制提高了病虫害检测的准确性。
模型性能的显着提升：通过建立贬惭-搁-颁狈狈和罢产贬惭-搁-颁狈狈模型，研究实现了高达96.2%的分类准确率、97.5%的召回率和0.982的F1分数，显着优于现有技术。
农业病虫害检测的实际应用：该研究提供了一种快速、高效的农作物病虫害检测方法，对农业信息技术领域和实际的病虫害管理具有重要的实际应用价值。
这项研究在提高农作物病虫害检测的效率和准确性方面取得了显着进展，并为未来的农业信息技术研究和应用提供了新的方向。本论文为2023年广东省普通高校重点领域专项课题《基于近红外光谱结合机器学习的农产物品质检测方法研究（2023窜顿窜齿4069）》研究成果。
（图文/人工智能学院 责任编辑/党晋云）
