基于多尺度卷积神经网络特征融合的植株叶片检测技术
【摘 要】植株叶片检测是植株科学培育和精准农业过程中重要的环节之一。传统植株叶片检测的做法对操作人员的专业知识提出了较高要求，且人工成本高、耗时周期长。基于此，提出基于多尺度卷积神经网络特征融合（MCFF）的植株叶片检测技术。从深度学习技术辅助植株培育的需求出发，基于多尺度卷积神经网络特征融合，针对莲座模式植物、拟南芥和烟草3种不同类型、不同分辨率的植株进行叶片计数检测。经过与其他主流算法的比较，发现MCFF具备较高的检测精确度，平均精度均值（mAP）为0.662，实现了高度竞争的性能（AP=0.946），各项指标接近实用水平。
【关键词】深度学习 ; 目标检测 ; 多尺度卷积神经网络特征融合 ; 植株叶片检测技术
1.引言
植株叶片检测是植物培育和精准农业中重要的环节。叶片是植株制造有机物的主要场所，叶片的生长状态与植株产量和品质密切相关。植株叶片的检测通过对植株叶片的数量、形状、表型特征等方面进行检测，对植株的生长状况进行科学系统的评估。根据植株叶片的检测结果，农林工作者可以判断植株类型、评估植株发育阶段，定位病害区域并及时进行防治处理。其中，植株叶片数量的检测数据为评估植株生长发育状况提供了有效的支持，进而对科学调控植株生育期的营养具有非常重要的指导意义。根据植株不同的生育时期对养分的不同需求，科学地进行水肥管理，实行精准农业，可以提升植株生长品质，降低种植成本。同时，通过检测样本植株的叶片，得出普适的生长规律，实现植株科学种植和精准农业，对于提高植株的品质和产量以及未来农业发展都具有重要意义。
传统的植株检测方法主要由农林工作者依据个人专业知识和经验