在現代農業生産中，病蟲害的早期檢測對于保障作物健康和提高産量至關重要。近日，我校洪紹勇副教授領導的研究團隊在《Scientific Reports》期刊上發表了一項突破性研究成果，論文的第一作者為吳憲傳老師。該論文題為“Image segmentation for pest detection of crop leaves by improvement of regional convolutional neural network”，該期刊屬于SCIE檢索期刊，是JCR Q1分區，中科院二區。

本文針對現有病蟲害檢測技術的局限性，如效率低下、存儲需求高和精确度有限，提出了一種基于深度學習的圖像分割技術。研究團隊設計了一種結合徑向雙對稱發散（RBD）方法的區域卷積神經網絡（R-CNN）架構，通過層次掩模（HM）技術增強了圖像分割的效率，并引入了基于阈值的層次掩模（TbHM）來調整容錯機制，從而提高了模型的魯棒性。

本文的主要貢獻包括：

創新的R-CNN架構：研究設計了一種結合徑向雙對稱發散（RBD）方法的區域卷積神經網絡（R-CNN）架構，通過層次掩模（HM）技術提高了圖像分割的效率和準确性。

容錯機制的引入：為了處理錯誤标記的數據，研究引入了基于阈值的層次掩模（TbHM），增強了模型的魯棒性，并通過調整容錯機制提高了病蟲害檢測的準确性。

模型性能的顯著提升：通過建立HM-R-CNN和TbHM-R-CNN模型，研究實現了高達96.2%的分類準确率、97.5%的召回率和0.982的F1分數，顯著優于現有技術。

農業病蟲害檢測的實際應用：該研究提供了一種快速、高效的農作物病蟲害檢測方法，對農業信息技術領域和實際的病蟲害管理具有重要的實際應用價值。

這項研究在提高農作物病蟲害檢測的效率和準确性方面取得了顯著進展，并為未來的農業信息技術研究和應用提供了新的方向。本論文為2023年廣東省普通高校重點領域專項課題《基于近紅外光譜結合機器學習的農産品品質檢測方法研究（2023ZDZX4069）》研究成果。

（圖文/人工智能學院 責任編輯/黨晉雲）