10.6041/j.issn.1000-1298.2021.08.021
基于改进SOLO v2的番茄叶部病害检测方法
为实现对多种番茄叶部病害的精确检测,提出了一种基于改进SOLO v2的番茄叶部病害实例分割方法.该方法以SOLO v2模型为主体框架,将ResNet-101作为骨干网络融合特征金字塔网络( Feature pyramid networks, FPN),引入可变形卷积对卷积结构进行优化,并将损失因子δ融入掩膜损失函数中,在语义分支与掩膜分支上对实例进行检测与分割.通过对模型的改进,实现了对形状复杂多变的番茄叶片的精确检测与分割,并提升了模型的泛化能力与鲁棒性.基于Plant Village数据集的试验结果表明,ResNet-101比ResNet-50在SOLO v2上的性能表现更好.在相同骨干网络下,SOLO v2模型的单幅图像处理时间比Mask R-CNN减少了72. 0% ,平均精度均值(Mean average precision,mAP)提升了3. 2个百分点,改进后的模型在训练过程中收敛效果有所提升,受叶片形状多变的影响较小,最终的平均精度均值达到了42. 3% ,单幅图像处理时间仅需0. 083 s,在提升检测精度的同时保证了运行的实时性.该研究较好地解决了番茄病叶识别与分割难的问题,为农业自动化生产中番茄疾病情况与症状分析提供了参考.
番茄叶部;病害;实例分割;可变形卷积;损失因子;SOLO v2
52
TP391.4(计算技术、计算机技术)
陕西省农业科技创新工程项目201806117YF05NC131
2021-09-07(万方平台首次上网日期,不代表论文的发表时间)
共8页
213-220