基于改进Faster R-CNN的荔枝病虫害检测

谢家兴; 廖飞; 王卫星; 高鹏; 胡凯; 吴佩文; 邓钲奇; 刘洪山

doi:10.13300/j.cnki.hnlkxb.2025.01.007

您当前的位置：

首页 >

文章列表页 >

基于改进Faster R-CNN的荔枝病虫害检测

园艺·林学 | 更新时间：2026-11-05

- 基于改进Faster R-CNN的荔枝病虫害检测
- Detecting diseases and insect pests in litchi based on improved Faster R-CNN
- 华中农业大学学报 2025年44卷第1期页码：62-73
- 作者机构：
  
  1.华南农业大学电子工程学院（人工智能学院），广州 510642
  2.广东省农情信息监测工程技术中心，广州 510642
  3.华南农业大学珠江学院，广州 510900
- 作者简介：
  
  谢家兴，E-mail：xjx1998@scau.edu.cn
  刘洪山，E-mail：hugouliu@scau.edu.cn
- 基金信息：
  
  教育部产学合作协同育人项目(230702595161723);国家现代农业产业技术体系专项(CARS-32-09);华南农业大学新农村发展研究院农业科技合作共建项目(2021XNYNYKJHZGJ032);广东省重点领域研发计划项目(2023B0202090001);广东省现代农业产业技术体系创新团队建设专项(2023KJ108);广东省科技创新战略专项资金项目(pdjh2023a0074);大学生创新创业训练计划项目(S202410564127)
- DOI：10.13300/j.cnki.hnlkxb.2025.01.007
  中图分类号： TP391.4;S436.629
- 收稿：2024-09-11，
  
  纸质出版：2025-01-15
- 稿件说明：
移动端阅览
谢家兴，廖飞，王卫星，等.基于改进Faster R-CNN的荔枝病虫害检测［J］.华中农业大学学报，2025，44（1）：62‐73.

XIE Jiaxing,LIAO Fei,WANG Weixing,et al.Detecting diseases and insect pests in litchi based on improved Faster R-CNN[J].Journal of Huazhong Agricultural University,2025,44(01):62-73.
谢家兴，廖飞，王卫星，等.基于改进Faster R-CNN的荔枝病虫害检测［J］.华中农业大学学报，2025，44（1）：62‐73. DOI： 10.13300/j.cnki.hnlkxb.2025.01.007.

XIE Jiaxing,LIAO Fei,WANG Weixing,et al.Detecting diseases and insect pests in litchi based on improved Faster R-CNN[J].Journal of Huazhong Agricultural University,2025,44(01):62-73. DOI： 10.13300/j.cnki.hnlkxb.2025.01.007.

摘要

针对荔枝园复杂背景下荔枝小目标病虫害检测困难的问题，提出一种基于改进Faster R-CNN的荔枝病虫害检测方法。以Faster R-CNN为基础，使用特征提取能力更优秀的Swin Transformer代替原有主干网络VGG16；通过特征金字塔网络（feature pyramid network， FPN）提升Faster R-CNN模型的多尺度特征融合能力，均衡提高每一类荔枝病虫害的识别精确率；引入感兴趣区域对齐（region of interest align， ROI Align）策略提升模型的候选框定位精度，进一步提升模型的整体检测效果。结果显示，改进后的模型平均精度均值达到92.76%，相较原始Faster R-CNN检测器提升了30.08百分点，在5类荔枝病虫害图像（藻斑病、炭疽病、煤烟病、毛毡病、叶瘿蚊）中的检测精度分别为93.05%、94.81%、96.57%、87.03%和92.34%，平均精度均值比SSD512、RetinaNet、EfficientDet-d0和YOLOv5s模型分别提高了20.50、5.70、13.08和3.26百分点。结果表明，改进后的Faster R-CNN模型能准确检测复杂背景下的荔枝病虫害目标，具有较高的应用价值，能为农作物病虫害快速、准确识别研究提供参考。

Abstract

A method of detecting diseases and insect pests in litchi based on improved Faster R-CNN was proposed to solve the problems of detecting small targets of diseases and pests in complex backgrounds of litchi orchards. Swin Transformer with superior capabilities of extracting feature was used to replace the original backbone network VGG16 based on Faster R-CNN. The feature pyramid network （FPN） was used to enhance capability of the multi-scale feature fusion in the Faster R-CNN model， thereby improving the precision of identifying each type of diseases and insect pests in litchi in a balanced manner. The ROI Align strategy was introduced to refine the precision of the candidate box localization in the model， leading to the enhancement in the performance of overall detection in the model. The result showed that the average accuracy of the improved model was 92.76%， 30.08 percentage points higher than that of the original Faster R-CNN detector. The precision of detecting images of five types of diseases and insect pests including algal leaf spot， anthracnose， sooty mold， felt disease， and leaf gall in litchi was 93.05%， 94.81%， 96.57%， 87.03%， and 92.34%， respectively. The average precision was improved by 20.50， 5.70， 13.08， and 3.26 percentage points compared with that of SSD512， RetinaNet， EfficientDet-d0， and YOLOv5s model， respectively. It is indicated that the improved Faster R-CNN model can accurately detect diseases and insect pests in litchi with complex backgrounds， and has high value of application. It will provide a reference for studying the rapid and accurate identification of diseases and insect pests in crops.

关键词

Keywords

references

陈剑文．荔枝栽培管理及病虫害防治方法［J］．吉林农业，2018（19）：86．CHEN J W．Litchi cultivation management and pest control methods［J］．Agriculture of Jilin，2018（19）：86 （in Chinese）．

钟谋．荔枝和龙眼病虫害综合防治技术［J］．乡村科技，2018，9（7）：101-102．ZHONG M．Integrated pest control techniques for litchi and longan［J］．Rural science and technology，2018，9（7）：101-102 （in Chinese）．

张敏，曾雯雯，陆耀．荔枝种植中优质高效栽培技术研究［J］．现代农机，2022（5）：104-106．ZHANG M，ZENG W W，LU Y．Study on high-quality and efficient cultivation techniques in litchi planting［J］．Modern agricultural machinery，2022（5）：104-106 （in Chinese）．

黄康泉．荔枝主要病虫害的为害症状及防治方法［J］．现代园艺，2021，44（22）：40-41．HUANG K Q．Damage symptoms and control methods of main diseases and insect pests in litchi［J］．Contemporary horticulture，2021，44（22）：40-41 （in Chinese）．

全林发，董易之，徐淑，等．荔枝园荔枝蒂蛀虫常规爆发期的种群空间分布格局［J］．环境昆虫学报，2021，43（4）：950-958．QUAN L F，DONG Y Z，XU S，et al．Spatial distribution patterns of Conopomorpha sinensis Bradley during its conventional population outbreak in litchi orchard［J］．Journal of environmental entomology，2021，43（4）：950-958 （in Chines e）．

邵明月，张建华，冯全，等．深度学习在植物叶部病害检测与识别的研究进展［J］．智慧农业，2022，4（1）：29-46．SHAO M Y，ZHANG J H，FENG Q，et al．Research progress of deep learning in detection and recognition of plant leaf diseases［J］．Smart agriculture，2022，4（1）：29-46 （in Chinese with English abstract）．

WAHEED A，GOYAL M，GUPTA D，et al．An optimized dense convolutional neural network model for disease recognition and classification in corn leaf［J/OL］．Computers and electronics in agriculture，2020，175：105456［2024-09-11］．https：//doi.org/10.1016/j.compag.2020.105456.

CHEN J，LIU Q，GAO L W．Visual tea leaf disease recognition using a convolutional neural network model［J/OL］．Symmetry，2019，11（3）：343［2024-09-11］．https：//doi.org/10.3390/sym11030343.

谢家兴，陈斌瀚，彭家骏，等．基于改进ShuffleNet V2的荔枝叶片病虫害图像识别［J］．果树学报，2023，40（5）：1024-1035．XIE J X，CHEN B H，PENG J J，et al．Image recognition of leaf pests and diseases based on improved ShuffleNet V2 in litchi［J］．Journal of fruit science，2023，40（5）：1024-1035 （in Chinese with English abstract）．

徐会杰，黄仪龙，刘曼．基于改进YOLOv3模型的玉米叶片病虫害检测与识别研究［J］．南京农业大学学报，2022，45（6）：1276-1285．XU H J，HUANG Y L，LIU M．Research on pest detection and identification of corn leaf based on improved YOLOv3 model［J］．Journal of Nanjing Agricultural University，2022，45（6）：1276-1285 （in Chinese with English abstract）．

王卫星，刘泽乾，高鹏，等．基于改进YOLOv4的荔枝病虫害检测模型［J］．农业机械学报，2023，54（5）：227-235．WANG W X，LIU Z Q，GAO P，et al．Detection of litchi diseases and insect pests based on improved YOLOv4 model［J］．Transactions of the CSAM，2023，54（5）：227-235 （in Chinese with English abstract）．

何颖，陈丁号，彭琳．基于改进YOLOv5模型的经济林木虫害目标检测算法研究［J］．中国农机化学报，2022，43（4）：106-115．HE Y，CHEN D H，PENG L．Research on object detection algorithm of economic forestry pests based on improved YOLOv5［J］．Journal of Chinese agricultural mechanization，2022，43（4）：106-115 （in Chinese with English abstract）．

XIAO J Y，KANG G B，WANG L H，et al．Real-time lightweight detection of lychee diseases with enhanced YOLOv7 and edge computing［J/OL］．Agronomy，2023，13（12）：2866［2024-09-11］．https：//doi.org/10.3390/agronomy13122866.

GHOURY S， SUNGUR C， DURDU A. Real-time diseases detection of grape and grape leaves using Faster R-CNN and SSD mobilenet architectures［C］//International Conference on Advanced Technologies， Computer Engineering and Science （ICATCES 2019）， Apr 26-28， 2019 ， Alanya， Turkey. ［S.l.：s.n.］，2019：39-44.

姜晟，曹亚芃，刘梓伊，等．基于改进Faster RCNN的茶叶叶部病害识别［J］．华中农业大学学报，2024，43（5）：41-50．JIANG S，CAO Y P，LIU Z Y，et al．Recognition of tea leaf disease based on improved Faster RCNN［J］．Journal of Huazhong Agricultural University，2024，43（5）：41-50 （in Chinese with English abstract）．

蒲攀，张越，刘勇，等．Transformer优化及其在苹果病虫命名实体识别中的应用［J］．农业机械学报，2023，54（6）：264-271．PU P，ZHANG Y，LIU Y，et al．Transformer optimization and application in named entity recognition of apple diseases and pests［J］．Transactions of the CSAM，2023，54（6）：264-271 （in Chinese with English abstract）．

杨信廷，刘彤，韩佳伟，等．基于Swin Transformer与GRU的低温贮藏番茄成熟度识别与时序预测研究［J］．农业机械学报，2024，55（3）：213-220．YANG X T，LIU T，HAN J W，et al．Low temperature storage tomato maturity recognition and time series prediction based on swin transformer-GRU［J］．Transactions of the CSAM，2024，55（3）：213-220 （in Chinese with English abstract）．

王杨，李迎春，许佳炜，等．基于改进Vision Transformer网络的农作物病害识别方法［J］．小型微型计算机系统，2024，45（4）：887-893．WANG Y，LI Y C，XU J W，et al．Crop disease recognition method based on improved Vision Transformer network［J］．Journal of Chinese computer systems，2024，45（4）：887-893 （in Chinese with English abstract）．

YAO Z Y，AI J B，LI B X，et al．Efficient DETR：improving end-to-end object detector with dense prior［DB/OL］．ArXiv， 2021：2104.01318［2024-09-11］. https：//doi.org/10.48550/arXiv.2104.01318.

GIRSHICK R，DONAHUE J，DARRELL T，et al．Rich feature hierarchies for accurate object detection and semantic segmentation［C］//2014 IEEE Conference on Computer Vision and Pattern Recognition， June 23-28，2014 ，Columbus，USA．Santiago：IEEE，2014：580-587．

GIRSHICK R．Fast R-CNN［C］//2015 IEEE International Conference on Computer Vision （ICCV）， December 7-13，2015 ，Santiago，Chile．Santiago：IEEE，2015：1440-1448．

SIMONYAN K，ZISSERMAN A. Very deep convolutional networks for large-scale image recognition ［DB/OL］. ArXiv，2014：1409.1556［2024-09-11］. https：//doi.org/10.48550/arXiv.1409.1556.

VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［C］//31st International Conference on Neural Information Processing Systems， December 4-9，2017 ，Long Beach，USA.Long Beach：Curran Associates Inc.，2017：6000-6010.

DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16×16 words： transformers for image recognition at scale［DB/OL］．ArXiv， 2020 ：2010.11929［2024-09-11］. https：//doi.org/10.48550/arXiv.2010.11929.

LIU Z，LIN Y T，CAO Y，et al．Swin transformer：hierarchical vision transformer using shifted windows［C］//2021 IEEE/CVF International Conference on Computer Vision （ICCV）， October 10-17，2021 ，Montreal，Canada．Montreal：IEEE，2021：9992-10002．

LIN T Y，DOLLÁR P，GIRSHICK R，et al．Feature pyramid networks for object detection［C］//2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）， July 21-26，2017 ，Honolulu，USA．Honolulu：IEEE，2017：936-944．

HE K， GKIOXARI G， DOLLÁR P， et al. Mask R-CNN［C］//2017 IEEE International Conference On Computer Vision，October 22-29，2017.Venice，Italy.Venice：IEEE， 2017：2961-2969.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

复合菌剂对猪粪水重金属的钝化效果及沙地燕麦的吸收特征

生物质灰添加量对自蔓延合成基质块性能的影响

农业生物质增值化利用技术与装备团队

畜禽养殖废弃物资源化利用技术及环境评估研究进展

猪场沼液UF-NF-RO浓缩液水培生菜的研究