10.3964/j.issn.1000-0593(2023)07-2220-06
高光谱图像结合深度学习的油菜菌核病早期识别
油菜菌核病为土传病害,发病早期叶片无可见症状,从植株表面很难发现.用叶片的普通光谱图像或 RGB图像无法对其进行识别.采用高光谱图像作为监测技术,结合深度学习模型构建油菜菌核病发病早期识别模型,并取得了较好的识别效果.以油菜菌核病为研究对象,采用菌丝块接种法,在油菜根部诱发病害.分别于发病后第 2、5、7、9 天采集发病油菜植株和健康植株光谱图像.对高光谱图像去除背景、S-G光谱曲线平滑处理、剪切、分割等处理后构建模型训练测试数据集.以Resnet50 深度学习模型为基础,通过增加特征图数量,减小第 1 层卷积核大小来提高模型对油菜菌核病发病早期的识别能力.通过交叉验证、模型结构改进前后识别能力对比、模型泛化能力测试等,验证了改进模型的识别能力和泛化能力.Resnet50 模型结构改进前后,对油菜菌核病发病早期的识别正确率分别是 66.79%、83.78%和 88.66%,改进后模型的识别正确率分别提高了 16.99%和 4.88%,模型的识别精度和召回率也得到很大提高.所提出的识别模型平均识别正确率为 88.66%,精度和召回率达到 83%以上,只有对发病第 7 天的召回率为 79.04%.把构建的多分类模型设定为是否受病害胁迫的二分类模型,则模型的正确率 97.97%,精度 99.19%,召回率 98.02%,同时,模型对第 9 天测试集的识别正确率达到 91.25%.改进后的Resnet50 模型可有效保留数据的光谱特征和局部特征,使模型对油菜菌核病发病早期的识别能力显著提高.该模型对发病 1 周内的油菜菌核病严重程度具有较好的识别能力.对是否发病的识别能力更高,模型识别正确率、精度和召回率均达到 97.97%以上.模型对油菜菌核病发病早期识别具有很好识别能力和泛化能力.因此,该模型可综合利用高光谱图像的光谱和图像特征,解决油菜菌核病发病早期无症状、识别困难的问题;也可为基于高光谱或多光谱图像的农作物病害早期识别技术的发展提供参考.
深度卷积神经网络、高光谱图像、油菜菌核病、早期诊断、Resnet50
43
S127(农业物理学)
国家自然科学基金;江苏省农业科技自主创新资金项目
2023-07-26(万方平台首次上网日期,不代表论文的发表时间)
共6页
2220-2225