基于叶绿素荧光成像及YOLO v7-DLM的绿豆叶片患病等级检测方法  

Detection method of mung bean leaf disease grade based on chlorophyll fluorescence imaging and YOLO v7-DLM

作　　者：李洁[1,2] 高尚兵 余骥远[1,2] 张浩淼 陈新 李士丛[2] 蒋东山 袁星星 刘金洋[2] 梁文香 Li Jie

机构地区：[1]淮阴工学院,江苏淮安223001 [2]江苏省农业科学院经济作物研究所,江苏南京210014

出　　处：《江苏农业科学》2025年第5期184-195,共12页Jiangsu Agricultural Sciences

基　　金：国家食用豆产业技术体系岗位科学家项目(编号:CARS-09-G13);江苏省种业“揭榜挂帅”项目(编号:JBGS〔2021〕004);江苏省研究生科研与实践创新计划(编号:SJCX23_1859)。

摘　　要：叶绿素能够准确反映作物疾病进程和等级,通过监测叶绿素能够帮助人们快速评估作物病情;构建精准高效的绿豆叶斑病检测模型对于准确筛选抗病品种和定位抗病基因具有重要意义。针对不同患病等级叶片的病斑大小不一、特征不明显的病斑容易被忽略等问题,本研究提出一种基于叶绿素荧光成像及YOLO v7-DLM的绿豆叶斑病检测方法。首先设计了阶梯式空间金字塔池化模块,通过多层次特征提取和融合提高了网络学习能力,可以解决特征不明显的病斑易被忽略的问题;其次引入了坐标注意力机制模块,通过分析全局特征图来识别病变区域的关键特征,并据此调整局部特征响应的权重,实现对病变区域的聚焦和对关键特征的选择性增强;最后引入边界框定位损失函数Focal-EIoU Loss,更有效地指导模型学习更准确的边界框位置,提高检测精度。试验数据集由绿豆叶斑病的叶绿素荧光图像构成,其中包含5种抗性类型的绿豆叶斑病图像。本研究提出的YOLO v7-DLM模型在自建数据集上的识别精度和全类平均正确率分别达到65.3%、73.2%,比原YOLO v7模型分别提高了4.5、6.0百分点。该方法可以有效地检测和识别叶片的患病等级,提高检测的鲁棒性,提升模型对特征不明显病斑的提取能力,具有良好的应用前景,对进一步开展绿豆抗病育种工作具有重要意义。

关 键 词：绿豆叶斑病检测 阶梯式空间金字塔池化 坐标注意力机制 EIoU 叶绿素荧光图像 

分 类 号：TP391.41[自动化与计算机技术—计算机应用技术] S126[自动化与计算机技术—计算机科学与技术]