农业机械学报

作者：江永成，吕蕴娴，胡根生

单位：安徽大学,安徽大学,安徽大学,

关键词：茶叶枯病;深度学习;半监督;目标检测;无人机遥感

基金：国家自然科学基金项目（32372632）和安徽省高等学校自然科学研究重大项目（KJ2020ZD03）

从茶树低分辨率图像中准确检测茶叶枯病是一项重要且具有挑战性的任务。由于无人机遥感图像中茶叶枯病病斑密集、病斑面积较小且边缘模糊，现有方法检测精度较低，且通常依赖全监督学习，需要大量的专业标注，耗时耗力。因此，提出了一种基于无人机遥感图像的茶叶枯病病斑模糊密集小目标半监督检测方法（SSTLBdet）。该方法通过迭代标注，充分利用有限的标签信息，筛选出更多具有高不确定性、视觉信息丰富和大小分布多样化的目标进行检测，且引入加权联合置信度估计和自适应样本区分，有效增强了对密集、模糊和小病斑的处理能力。结果表明，SSTLBdet在不同标注数据比例下的mAP分别达到51.28%（1%标注数据）、59.85%（5%标注数据）、75.09%（10%标注数据）、77.99%（20%标注数据）和78.12%（30%标注数据）。与FCOS(Fully convolutional one-stage object detection)模型相比，SSTLBdet在测试数据上的mAP提高32.70个百分点。其mAP@0.5和F1分数达到78.12%和71.24%，也显著高于其他检测方法。所提方法显著提高了对茶叶枯病病斑的检测精度，同时大幅减少了数据标注工作量。

来源：2025年第11期

《农业机械学报》期刊编辑部

查看农业机械学报杂志2025年第11期