10.11975/j.issn.1002-6819.2022.17.019
利用改进Faster-RCNN识别小麦条锈病和黄矮病
条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义.现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低.为此,该研究构建了一种改进的快速区域卷积神经网络(Faster Regions with CNN Features,Faster-RCNN)的病害识别方法.该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络(Deep Residual Neural Network,ResNet-50),用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力,同时简化模型的参数;并采用ROI(Region of Interest)Align改进ROI迟化层以降低特征量化误差,提升识别的精度.在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验,结果表明:改进的Faster-RCNN识别方法比其他SSD(Single Shot Multi-Box Detector)、YOLO(You Only Look Once)和Faster-RCNN网络模型的平均精度均值(mean Average Precision,mAP)分别提升了9.26个百分点、7.64个百分点和14.97个百分点.对小麦条锈病、黄矮病、健康小麦和其他黄化症状小麦识别的平均精度均值可达98.74%;对小麦条锈病和黄矮病轻、重症识别的平均精度均值可达91.06%.同时,模型损失函数值降低更快,整体性能表现更优.进一步开发小麦病害智能识别系统部署研究模型,使用微信小程序进行田间小麦病害的识别.在最大并发100的条件下,小程序平均返回时延为5.02 s,识别返回成功率为97.85%,对两种小麦病害及其细分轻重症识别的平均准确率为93.56%,能够有效满足实际应用需求,可用于指导病害的科学防控.
模型、病害识别、Faster-RCNN、ResNet、分组卷积、数据增强
38
TP391.4;S512.1(计算技术、计算机技术)
陕西省科技厅区域创新能力引导计划;现代农业产业技术体系;农作物病虫鼠害疫情监测与防治项目;大学生创新训练项目
2023-01-13(万方平台首次上网日期,不代表论文的发表时间)
共10页
176-185