引言
玉米是中国最重要的粮食作物之一，广泛种植于东北、华北、淮河流域和长江流域[1]。然而，玉米生产经常受到各种疾病和害虫的威胁，其中玉米大斑病[2]是其中一个重要挑战。玉米大斑病严重影响了玉米的产量和质量。特别值得注意的是由于病原体突变导致对许多常用杀菌剂产生不同程度的抗药性[3]，给预防和控制工作带来了重大困难。准确高效的病害检测技术对于科学预防和控制这些疾病至关重要。
玉米大斑病（Northern Leaf Blight, NLB）是一种严重的农作物病害，可以显著降低玉米产量，是影响玉米作物经济最为严重的疾病之一[4]。玉米大斑病的发生是由真菌侵入引起的，主要影响玉米植株的叶片。在早期阶段，受影响的植株在叶片表面呈现水浸状病斑。这些病斑逐渐向两端扩展，最终演变成灰褐色或褐色斑点。在玉米大斑病的后期阶段，这些斑点的形状转变为椭圆形或菱形图案，长度为6 cm~9 cm，宽度约为1.5 cm[5]。由玉米大斑病引起的病区通常较大，可以通过摄像机拍摄的图像清晰可见。与传统的人工田间检查相比，使用摄像机图像是监测玉米大斑病的有效方法之一。
在现代农业中，基于植物叶片特征的检测已成为自动植物病害检测的研究热点。传统方法，如概率神经网络、主成分分析、人工神经网络和模糊逻辑已应用于植物叶片病害的分类。随着计算机视觉技术的进步，由于其便利性和高准确性，深度学习越来越多地用于病害检测。Seetharaman及其同事引入了一种改进的R-CNN模型，增强了香蕉叶病检测的准确性[6]。
本文详细内容请下载：
https://www.chinaaet.com/resource/share/2000005991
作者信息：
朱宇浩1，童孟军1，2
（1.浙江农林大学 数学与计算机科学学院，浙江 杭州 311300；
2.浙江省林业智能监测与信息技术研究重点实验室，浙江 杭州 311300）
