薛卫,易文鑫,康亚龙,徐阳春,董彩霞*

(1.南京农业大学人工智能学院,江苏 南京 210095;2.南京农业大学江苏省固体有机废弃物资源化高技术研究重点实验室/江苏省有机固体废弃物协同创新中心/教育部资源节约型肥料工程技术研究中心,江苏 南京 210095)

梨是世界第三大果树产业,仅次于柑橘和苹果。我国梨园面积和产量均居世界第一[1]。近年来,随着全球气候不稳定变化,我国南方的梅雨期加长,降雨量增大,导致梨主产区出现不同程度的早期落叶现象,尤其以长江流域以南的省份如福建、江西等砂梨(PyruspyrifoliaNakai)产区发生范围大,危害严重[2]。调查发现,南方梨树发生落叶的主要原因是炭疽病菌(Colletotrichum)侵染造成的,主要包括C.citricola、C.conoides、C.karsti、C.plurivorum、C.siamense和C.wuxiense共6种[3]。这些炭疽病菌在梨叶面定殖后可形成大量的黑色小斑点(直径小于1 mm或直径为1～2 mm)。在发病初期,直径小于1 mm的黑色小斑点不易被肉眼识别,随着侵染程度的加重,肉眼可见的黑色斑点越来越多,分布在整个叶面,叶片开始发黄,最终脱落。通常,梨叶片炭疽病发病程度的高低主要通过在显微镜下人工统计叶面黑色小斑点的数量进行评价[4-5],该过程费时费力、误差大,很容易错过防治的最佳时期。因此,快速、高效检测方法对及时诊断梨树炭疽病的危害程度并采取有效措施具有重要意义。

深度学习是近年来比较热门的图像识别方法,在农业病害[6]领域得到广泛的应用,例如烟叶病害识别[7]、苹果病害识别[8]与麦冬叶部病害识别[9]等。大部分病害检测针对整张叶片提取特征进而识别出病害,或者分割出叶片大块病斑,而梨叶炭疽病发病程度的高低则需要识别出叶片中每个细小病斑。……