在现代农业中，病虫害的早期识别对于确保作物健康和提升产量具有重要意义。我校洪绍勇副教授带领的研究团队在《Scientific Reports》上发表了一项创新性研究成果，该论文的第一作者是吴宪传老师。论文标题为“Image segmentation for pest detection of crop leaves by improvement of regional convolutional neural network”，该期刊是SCIE收录的Q1区期刊，属于中科院二区。《Scientific Reports》是Nature集团于2011年创立的开放获取期刊，发表自然科学、心理学、医学和工程学等多个学科的原创研究。
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（RBD）方法的区域卷积神经网络（R-CNN）架构（见图1），通过层次掩模（HM）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（TbHM）来调整容错机制，从而提高了模型的鲁棒性。
图1 基于R-CNN架构的图像分割方法流程图
本文的主要贡献包括：
1.创新的R-CNN架构：研究设计了一种结合径向双对称发散（RBD）
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。
2.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。
图2 基于TbHM-R-CNN模型特定设计的区域分割图像分类器
3.模型性能的显著提升：研究结果揭示，通过构建TbHM-R-CNN模型（见图2），我们实现了96.2%的分类准确率、97.5%的召回率和0.982的F1分数，这些指标均显著优于现有技术。而HM-R-CNN模型（见图3）的表现紧随其后，同样展现出优异的性能。
图3 用于害虫检测的HM-R-CNN分类器
4.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著进展，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品品质检测方法研究（2023ZDZX4069）》研究成果。
