Hierarchical Object Detection and Recognition Framework for Practical Plant Disease Diagnosis

最近，物体检测方法（如基于YOLO的模型）已被广泛应用于植物病害诊断。与分类方法（如CNN模型）相比，这些方法表现出对距离变化的稳健性，并且在检测小病变方面表现出色。然而，存在一些问题，例如对于难以检测的疾病的诊断性能较低，标注成本高。此外，由于无法明确训练健康情况，存在误报的风险。我们提出了分层物体检测和识别框架（HODRF），这是一个复杂且高度集成的两阶段系统，结合了OD和CL的优点，用于植物病害诊断。在第一阶段，HODRF使用OD识别感兴趣区域（ROIs）而不指定疾病。在第二阶段，CL诊断周围的ROIs中的疾病。HODRF具有以下几个优点：（1）由于OD仅检测一种类型的ROI，HODRF可以通过利用其识别其他病变的能力来检测具有有限训练图像的疾病。（2）虽然OD过度检测健康情况，但HODRF通过在第二阶段使用CL显着减少了这些错误。（3）CL在HODRF中识别给定的ROIs作为诊断目标，提高了准确性，使其不易受到尺寸变化的影响。（4）HODRF受益于CL更低的注释成本，使其能够从更多的图像中学习。我们使用YOLOv7进行OD和EfficientNetV2进行CL实现了HODRF，并在大规模数据集（4个作物，20个病害和健康类别，281K个图像）上评估了其性能。HODRF在健康数据上的表现比YOLOv7单独提高了5.8到21.5个点，宏F1得分提高了0.6到7.5个点，并且比EfficientNetV2提高了1.1到7.2个点的宏F1得分。

本论文旨在解决植物疾病检测中存在的低诊断性能和高标注成本等问题，提出了一种结合目标检测和分类的层次化框架（HODRF）。

HODRF框架分为两个阶段，第一阶段使用目标检测（OD）识别感兴趣区域（ROIs），第二阶段使用分类（CL）对ROIs周围的疾病进行诊断。该框架充分利用了OD和CL的优势，能够减少假阳性和标注成本，提高诊断准确性和鲁棒性。

论文使用YOLOv7和EfficientNetV2实现了HODRF，并在一个大规模数据集上进行了评估。实验结果表明，HODRF在健康数据上比YOLOv7的性能提高了5.8到21.5个点，在宏F1得分上提高了0.6到7.5个点，在EfficientNetV2上提高了1.1到7.2个点。该框架具有较高的实用性和普适性，值得进一步研究。

近年来，植物疾病检测领域的相关研究包括基于CNN的分类方法和基于YOLO的目标检测方法。其中，YOLOv4、RetinaNet等目标检测方法在该领域中得到了广泛应用。此外，还有一些研究致力于解决标注成本高的问题，如迁移学习和半监督学习等。