基于SSD的马铃薯叶片图像病斑分割算法研究

为解决传统特征分割对光照不匀、噪声差异图像的叶片病斑提取适应性问题，提出一种基于SSD神经网络的深度学习方法。先通过多尺度卷积提取深度特征，产生病斑边界候选框集合，再利用非极大值抑制获取病斑叶片区域。之后对于获得的病斑区域利用SVM进行像素分割得到病斑精准边界。对马铃薯叶片图像进行实验验证，获得了图像中病斑的准确边界，病斑区域定位准确率达85%以上，在该基础之上的边界分割准确率可达到80%。相比其他病斑分割方法，该方法利用化整体分割为局部分割的思想，实现了复杂背景下的马铃薯病斑的有效分割，为下一步马铃薯病斑识别打下基础。

在农业领域，基于图像的自动检测技术代替科技人员人工检测，及时客观获取虫害状态，降低损失越来越受到重视。基于图像的农作物病虫害识别和检测，需要在图像中定位出叶片区域，并在该区域中分割出病斑部分，提取特征进行分析[1] [2]。因此复杂背景中叶片位置定位和病斑边界分割是重要内容。

夏永泉等人[3]利用颜色空间信息，对单一背景下的叶片图像进行处理[15]。张建华等人[4]对棉花病害图像用分水岭方法实现单一背景下的病斑分割。白文斌[5]等人研究了对于特定背景下高粱病斑图像病斑分割。侯兆静等人[6]研究了葡萄叶分割方法，利用高斯混合方法实现叶片提取。以上大部分是对单一背景下的图像进行处理或直接仅对叶片处理。近几年随着深度学习的发展，Sharada Prasana Mohanty 等人[7]对大量植物图像进行分类，准确率达到一定水平，只是在自然环境下实验效果差强人意。目前物联网技术的发展， 使得计算机技术与无线传输技术结合， 以及随着智能手机在农村的普及以及4G 网络的推行， 通过将拍摄的田间图片上传到系统得到病害识别结果， 对大面积作物进行远程智能监测监控成为可能[8]。

而在这些作物叶片病虫害识别方法中最核心的问题是病害叶片病斑的检测及其分割。但是由于自然环境中光照不均匀，目前病斑分割算法[9] [13] [14] [19]存在以下问题：1) 在自然环境下，摄像头拍摄的叶片图像呈现多片和重叠状态，存在多片健康叶片和病斑叶片，影响分割效果。2) 自然光照在一天之中存在强弱变化，对拍摄的图片质量造成影响，容易产生误分割。3) 由于土地和植物病斑颜色接近，必然会对基于颜色的病斑分割方法造成误分割。目前的分割技术需要人为干预才能达到较好的分割效果。

在机器学习领域，深度学习在许多研究领域有了最新的成果，尤其是目标分类和目标检测方面[10] [16] [17]。在深度学习之前，传统的目标检测方法[13] [18]大致为区域选择、提取特征、分类回归，人工提取的特征存在一定的局限性，深度学习的优势在于能够直接利用原始数据而无需使用手工设计特征， 其在学术研究和工业领域取得了一定的成果得益于两个原因，一是每天产生的大量的数据为模型训练提供了样本， 二是计算机算力突破性的提高， GPU 和TPU 的超强计算能力能够实现训练更深层次网络结构并实现并行计算。

本文试图解决在复杂背景下病斑分割难的问题， 提出采用深度学习进行病斑分割方法， 以实现植物病斑的自动提取，为此研究引入目标检测定位。在目标检测研究领域，基于深度学习的SSD