在阅读本文前点个关注，每日分享有价值的信息，感谢支持

农业是经济发展的重要基础。目前，农业产出在很大程度上受到植物生长障碍造成的灾难的限制，这些灾害的特点是品种繁多、影响大且易于传播，并对农业生产造成重大损失。现代农业生产方法正逐渐接近无人驾驶机器的自动化，如农田自动灌溉技术、联合收割和农业机器人等设备，以提高生产作业的效率和产出。

随着科学技术的发展和生活的改善，人工智能逐渐进入人类生活，基于机器视觉算法的应用在生活中得到了广泛应用，如车辆检测，行人检测，安全生产和水果检测等实际应用，它们取代了传统的手动操作，大大提高了生产效率。

无损检测和早期识别植物生长障碍是精准农业和生态农业发展的关键。早期发现和预防可以有效减缓植物生长障碍的传播。因此，它需要采用适当的算法进行准确检测。

在许多农产品中，西红柿是唯一可以作为水果食用的蔬菜，其营养价值远高于水果。它的产量很高，种植面积也在增长，特别是在种植面积迅速增加的温室里。然而，西红柿在生长过程中容易受到疾病和害虫的影响，这严重影响了西红柿的产量和质量，并给农民造成了巨大的经济损失。

由于番茄病和害虫的多样性，疫情不确定，化学喷雾剂的类型多种多样，治疗成本往往高于预防成本。根据对种植者的实际调查，至于山东省寿光的番茄种植基地，在一季番茄生产期间，最多喷洒5种农业化学品，喷洒次数高达10次，用于疾病和虫害控制的化学杀虫剂高达1000吨。

农药滥用不仅破坏了农田的生态平衡，还增加了害虫的抵抗力和控制成本，导致农药控制的严重负面影响。因此，如果能对西红柿进行实时病虫害检测和早期识别和预警，就能及时准确地识别西红柿植物生长紊乱的发生，可以准确引导生产者进行植物保护和控制，在发生的早期阶段可以控制植物生长紊乱，可以达到提高西红柿产量和质量的生产目标，减少农药喷雾。因此，有必要研究番茄疾病和害虫的特征，并尽早识别和判断灾难。

番茄疾病和害虫的传统识别和预警判断主要基于植物保护专家和经验丰富的番茄生产商根据番茄的生长状况进行的实地调查。只有依靠人力资源来识别植物生长紊乱的信息是劳动密集型、耗时和缓慢的，并且可能会出现一些偏差，从而阻碍了疾病和害虫的及时治疗。

因此，今天的农业生产迫切需要一个新的系统，将生产者从低效、复杂的疾病和害虫识别过程中解放出来。近年来，由于深度学习相关理论的快速发展和计算能力的提高，深度卷积网络在计算机视觉方面取得了巨大成功。在物体检测方面，基于深度学习的方法的准确性大大超过了基于HOG和SIFT等手动设计特征的传统方法。

对象检测是在图像中绘制一系列感兴趣的对象，然后选择带有矩形的目标框，并用类别标记它。基于深度学习的对象检测主要包括两种类型，一种是基于区域生成的卷积网络结构，代表性网络是R-CNN[22]，更快的R-CNN；另一种是将对象位置的检测视为回归问题，直接使用CNN网络结构来处理整个图像，同时预测对象的类别和位置，代表性网络是：SSD，YOLO，YOLO9000。

目前，大多数研究都集中在基于深度学习的作物疾病和害虫的图像分类上。基于深度学习的作物疾病和害虫物体检测的研究很少。基于深度学习的番茄病虫害的现有对象检测方法大多使用基于区域建议的算法进行检测，与传统方法相比，准确性大大提高，但对象检测过程需要很长时间，在自然条件下很难实时检测和定位番茄病虫害。

现在可以使用物联网和番茄温室中的摄像机设备实时收集疾病和害虫的图像，然后通过互联网将其传输到远程计算机，然后使用计算机自动识别疾病和害虫的类型。然而，识别结果与获得的图像质量密切相关。疾病获取受到相机质量、光线、拍摄水平等的影响。

如果病变太小，图像模糊，有斑点、阴影等，会严重影响正确的识别。由于番茄疾病和害虫图像在真实自然条件下的复杂多样性，特别是物联网视频设备收集的疾病和害虫图像是巨大的、高度冗余和嘈杂的，现有方法的特征提取能力不适合在自然条件下检测番茄疾病和害虫。之前的研究显示，在受控实验室条件下的准确性很高，但在复杂的光线和复杂的背景下，物体检测结果并不理想，并面临许多挑战。

我们之前的工作在自然条件下检测番茄常见灰叶斑病方面取得了良好效果。陈等人现场收集了8616张图片，其中包含五种西红柿疾病。通过结合Retinex（BWTR）的二进制小波变换，对图像进行了去噪和增强。双通道剩余注意力网络模型（B-ARNet）用于识别图像的准确率约为89%。

Pattnaik等人提出了一个预先训练的深度CNN框架，用于番茄植物害虫分类的转移学习，并使用DenseNet 169模型实现了88.83%的最高分类准确率。然而，在实际生产中，西红柿可能同时患有各种疾病或害虫。

为了解决上述问题，本研究以番茄的9种常见病虫害为研究对象，使用机器视觉对象检测方法进行病虫害检测，并基于深度学习的YOLOv3对象检测算法，通过改进YOLOv3算法，获得更好的检测网络模型，实现自然条件下番茄病虫害的早期检测。

首先，鉴于自然条件下番茄病虫害图像的复杂背景，使用扩张的卷积层取代了骨干网络中的卷积层，从而保持高分辨率和接收场，并提高小尺寸物体检测能力。其次，在检测网络中，根据多个网格预测的候选框的交集并比（IoU）大小和线性衰减置信分使用非最大抑制（NMS）算法，删除具有较大IoU和较低置信分的预测框，将置信得分较高的预测框保留为对象检测框。

模糊的番茄病和害虫物体被保留下来，以解决相互模糊的番茄疾病和害虫物体的检测问题。第三，为了减少模型体积和模型参数，利用卷积分解的想法使网络重量轻。最后，针对在检测过程中未检测到小尺寸番茄病和害虫，提出了一种基于平衡系数的损失功能改进方法，以平衡样本的难度，以获得更好的结果。

一、材料和方法1、研究中使用的数据集

为了验证本研究中提出的番茄病虫害物体检测方法的有效性，并确保及时检测病虫害发生的早期阶段，使用山东省寿光市番茄温室的视频监测系统实时监测番茄的生长状态。温室尺寸为南北跨度8米，东西长80米。视频监控系统如图所示。

2、硬件环境

视频监控系统由三台网络摄像机、两台交换机、两台无线发送和接收网络桥梁、一台网络录像机、一台流媒体服务器和一台无线路由器、一台中央管理服务器（包含智能分析模块）、一台视频存储服务器、几条网络线路和一台用于测试的手机组成。

3、软件环境

实时视频监控模块。该模块主要旨在为用户提供实时视频信息，用户可以查看实时实时视频和历史视频数据。视频采集模块。该模块是系统的核心模块，提供监控视频数据的实时智能采集。

视频监控摄像头可以执行23倍的光学变焦。单叶和单果的生长状态可以在500米内观察到，这便于经理远程观察西红柿的生长。为了减少视频采集的工作量，我们试图在疾病的高攻击期收集，以多个角度拍摄视频，并且可以随时查询和下载数据。

二、改进的YOLOv3模型的原理和问题1、改进的YOLOv3模型的原理

使用深度卷积神经网络提取图像中番茄病和害虫物体的特征，并通过回归实现物体的检测和定位。算法的主要流程如图所示。3.首先，特征提取网络由残余模块构建，以获得图像对象特征金字塔；然后，不同深度的特征由特征融合机制融合，对象的位置信息通过融合特征图上的回归预测，信度评分由Sigmiod函数预测；最后，输出由NMS（非最大抑制）过滤。

2、YOLOv3模型的问题

YOLO系列物体检测网络是单级物体检测网络中最具代表性的网络结构。YOLOv3是YOLO系列最新改进的网络，因为检测精度可以与两个目标检测网络相媲美，并能实现实时检测速度，因此已成为最流行的物体检测算法之一。考虑到番茄病虫害的对象检测在实际应用中需要考虑到检测的准确性和速度，本研究以YOLOv3为主体，并根据番茄病虫害对象检测的应用场景改进算法，以完成番茄病虫病虫的位置和分类识别。

YOLOv3网络经过多次改进，在检测准确性和检测速度之间取得了良好的平衡，由于其易于实现，已成为许多对象检测任务的首选算法。然而，作为一个单一的物体检测网络，仍然存在大定位错误、前景不平衡和背景复杂性的问题。

三、优化的线性衰减NMS

阻塞问题是限制检测精度提高的主要因素之一。由于要检测到的物体之间的距离很近，很容易发生错过检测或错误检测。在测试期间，检测算法在每个可疑物体周围生成一组候选框。如果没有闭塞现象，则对这组候选框执行NMS。冗余候选框可以有效地过滤掉，从而产生最终得分最高的预测框。

然而，当两个或多个对象相互闭合时，它会导致最后一组几个候选框被融合成一组，此时算法无法判断候选框是来自同一个对象还是多个不同的对象，这将导致错过检测或错误检测。为了提高闭塞背景下的检测精度，我们应该尝试使不同对象生成的候选框可以区分，并单独筛选它们。

如数据所示，b是来自番茄疾病和害虫数据集的两张图像。A叶预测框的置信度得分为0.8，B叶预测框为0.6，A叶掩盖了B叶。A和B叶预测框的并集上的交集是IoU>0.5。NMS算法用于处理冗余预测框。当IoU>0.5时，由于YOLOv3的设定阈值为0.5，保留置信度分数较高的A叶，B叶预测框的置信度分数设置为0，因此无法检测到B叶的结果。

四、结论

物体检测是计算机视觉领域的一个重要研究方向。现有的算法很难在自然环境中取得令人满意的结果。为了克服疾病和害虫的多样性、光和叶子遮挡的变化对检测准确性的影响，本研究提出了改进的YOLOv3检测算法，该算法提高了骨干网络、NMS算法和损失功能，从而提高了疾病和害虫的识别能力。结果表明，这种方法的平均识别准确率为91.81%。此外，该算法可以在真实自然场景中在未经编辑的视频上成功运行。因此，该方法可以大大提高小物体和叶子遮挡的检测效果，并在不同的背景条件下达到良好的识别效果，表明该方法对于检测自然环境中的番茄病虫害是可行的。

参考文献：

1、Evaluating performances of the first automatic system for paddy irrigation in Europe. Masseroni D, Moller P, Tyrell R, Romani M, Lasagna A, Sali G, et al.

2、An optimization model for combined selecting, planting and harvesting sugarcane varieties.Florentino HDO, Jones DF, Irawan CA, Ouelhadj D, Cantane DR.

3、An autonomous strawberry-harvesting robot: design, development, integration, and field evaluation. J Field Robot. Xiong Y, Ge Y, Grimstad L, From PJ.

4、Sinet: a scale-insensitive convolutional neural network for fast vehicle detection. Hu X, Xu X, Xiao Y, Chen H, He S, Qin J, et al.

5、Video-based vehicle detection and classification system for real-time traffic data collection using uncalibrated video cameras. Zhang G, Avery RP, Wang Y, et al.