Хэбэйский агроуниверситет: YOLOv3-SPP в тесте нашла чёрную гниль с точностью 86,69%

Чёрная гниль — одна из самых распространённых болезней винограда в мире: грибковое поражение оставляет на листьях чёрные пятна, мелкие относительно размера листа. Ранние стадии болезней винограда видны именно на листьях. По данным авторов, сейчас болезнь определяют в основном вручную: фермеры опираются на опыт, а такой способ требует много труда и зависит от субъективных факторов. Существующие нейросети пропускают мелкие пятна и дают низкую полноту, особенно когда пятно занимает меньше 32 × 32 пикселей или разрешение снимка невысокое. Исследователи Колледжа машиностроения и электротехники Хэбэйского сельскохозяйственного университета (Баодин, Китай) поставили задачу повысить точность обнаружения таких мелких пятен.

Метод сочетает суперразрешение снимков и свёрточную нейросеть. Сначала исходный снимок 256 × 256 пикселей увеличивается до 512 × 512 билинейной интерполяцией, которая усиливает локальные детали. Затем снимок подаётся в доработанную сеть YOLOv3-SPP: функция потерь IOU исходной YOLOv3 заменена на GIOU, перед выходом признаков добавлен модуль пространственной пирамидальной агрегации (SPP), для быстрой сходимости использованы официальные предобученные веса YOLOv3. Авторы сравнили билинейную интерполяцию с интерполяцией по ближайшему соседу и сетью EDSR: билинейный метод дал наибольшую точность при меньших вычислительных затратах.

Модель обучали на 1 072 снимках листьев с чёрной гнилью из открытого набора Plant Village (200 эпох, PyTorch, видеокарта GeForce GTX 1070Ti). На тестовом наборе Plant Village из 108 снимков с 1 532 пятнами точность составила 95,79%, полнота — 94,52%. Дополнительно модель проверили на 108 снимках листьев из садов с 1 275 пятнами: точность 86,69%, полнота 82,27% против 84,68% и 80,63% без суперразрешения. На снимках с простым фоном точность выросла до 94,05%, со сложным фоном (плоды, ветви, почва) — 76,39%. Работа опубликована в Frontiers in Plant Science 29 июня 2021 года при поддержке Национального фонда естественных наук Китая и программы провинции Хэбэй.