《Digital Signal Processing》：An Improved Sparse R-CNN Approach for Strawberry Disease Detection
编辑推荐：
草莓病害对作物产量和品质构成重大威胁，使得早期准确检测至关重要。现有自动化检测系统往往难以应对不规则病斑形状和多尺度模式。为此，研究人员提出了一种增强型Sparse R-CNN框架，该框架引入可变形卷积（Deformable Convolution）以捕获不规
草莓病害对作物产量和品质构成重大威胁，使得早期准确检测至关重要。现有自动化检测系统往往难以应对不规则病斑形状和多尺度模式。为此，研究人员提出了一种增强型Sparse R-CNN框架，该框架引入可变形卷积（Deformable Convolution）以捕获不规则病害模式，结合卷积块注意力模块（Convolutional Block Attention Module, CBAM）与特征金字塔网络（Feature Pyramid Network, FPN）以改进多尺度特征表示，并在动态实例交互头（Dynamic Instance Interaction Head, DIIH）中嵌入适配器模块（Adapter Module）以优化定位与分类，采用经农业成像优化的ResNet-50骨干网络。此外，研究人员构建了一个包含4,071张草莓健康与病害图像的新数据集，并将其与2,500张公开数据集图像相结合，以提升模型在多样环境条件下的泛化能力。针对七种常见草莓病害的实验结果表明，该方法相较于现有方法实现了显著的性能提升，达到93.7%的平均精度均值（mean Average Precision, mAP），同时保持了具有竞争力的推理速度。该框架为早期病害诊断提供了有效工具，能够实现及时干预并减少产量损失，其高准确性使其非常适用于精准农业应用的部署。
草莓病害对作物产量和品质构成严重威胁，早期准确识别至关重要。近年来，深度学习在图像识别与增强领域取得显著进展，卷积神经网络（Convolutional Neural Network, CNN）已广泛应用于物体识别、人脸识别、交通标志检测等任务，并逐步拓展至农业领域，包括果实成熟度检测、植物物种识别、产量预测、杂草与害虫检测、土壤与水管理以及病害诊断等。草莓富含营养与生物活性成分，尤其是维生素C和花青素，具有重要的经济与营养价值，但病虫害及其引发的采后真菌感染严重制约其品质与产量。常见真菌性病原包括灰霉病、叶斑病、果腐病和白粉病等，传统诊断依赖人工目视检查，主观性强且耗时。尽管现有基于深度学习的目标检测方法如单阶段和双阶段框架已实现一定进展，但受限于病斑外观变异、光照条件、叶片遮挡及复杂背景等因素，加之高密度锚框和非极大值抑制（Non-Maximum Suppression, NMS）带来的计算复杂度问题，现有方法在实时部署和资源受限设备上仍面临挑战。因此，亟需开发高效、端到端的检测模型，在保证高精度的同时降低计算开销。
本研究采用基于Sparse R-CNN的端到端检测框架，消除密集锚框建议和复杂后处理，通过可学习建议框和特征实现检测。研究进一步增强了骨干网络中的多尺度特征提取与融合，并强化了感兴趣区域（Region-of-Interest, RoI）表示的注意力机制，构建了结合自建图像与公开来源的综合数据集，以实现准确高效的草莓病害检测，为自动化作物监测和精准病害管理提供实用解决方案。该研究发表于《Digital Signal Processing》。
研究采用的主要关键技术方法包括：基于PyTorch框架构建数据集，结合公开数据集与新采集田间图像，应用数据增强技术提升多样性与鲁棒性，通过裁剪和人工标注进行图像预处理以生成标注数据；选用AdamW优化器，初始学习率设置为2.5×10
-5，权重衰减为1×10
-4，训练288个轮次，批次大小为24；采用NVIDIA GeForce RTX 3080 Ti GPU在Ubuntu 22.04 LTS操作系统、CUDA 11.7及PyTorch 2.0.1环境下进行实验。
研究在实验结果与讨论部分呈现了以下结果：
数据集构建与训练配置：研究人员构建了包含健康草莓植株及七种常见草莓病害的综合数据集，病害类型包括角斑病、炭疽病果腐、花枯病、灰霉病、叶斑病以及果实和叶片上的白粉病。实验采用自建数据集进行训练，通过数据增强增加图像变异性以提升网络鲁棒性。
骨干网络与特征增强：研究人员通过在第3、4、5卷积层（conv3、conv4、conv5）引入可变形卷积，增强ResNet-50骨干网络对不同几何形状的特征提取能力。结合特征金字塔网络与卷积块注意力模块，实现更强的多尺度特征融合。
检测头改进：研究人员在Sparse R-CNN的动态实例交互头中增加适配器分支，该分支包含两个全连接层，用于自适应特征重校准，从而获得更优的检测性能。
性能评估：实验结果表明，该方法在七种常见草莓病害检测任务上，相较于现有方法实现了显著更高的检测精度，达到93.7%的平均精度均值，同时保持了具有竞争力的推理速度。
研究结论部分指出，影响草莓作物的病害大幅降低产量和品质，及时准确识别至关重要。本研究开发了一种基于改进Sparse R-CNN架构的增强型识别框架，以应对草莓植株中多种病理状况检测的挑战。主要贡献包括：整合CBAM注意力机制以增强特征表示，引入可变形卷积以捕获不规则病斑模式，并在动态实例交互头中嵌入适配器模块以优化定位与分类。该框架为早期病害诊断提供了有效工具，能够实现及时干预并减少产量损失，其高准确性使其非常适用于精准农业应用的部署。
