基于深度学习的月季多叶片病虫害检测研究

摘要：

月季病虫害严重影响月季产量和观赏性,将目标检测算法应用到月季病虫害检测中有利于提高月季病虫害检测效率,对实现月季智能化种植培育起到重要支撑作用.针对实际种植场景中复杂背景对病虫害检测的影响,以及病虫害形状大小特点,提出两阶段月季病虫害检测方法TSDDP,首先添加调优后的Inception模块改进YOLOv3模型特征提取与融合能力对自然环境下拍摄的月季多叶片图像进行叶片检测,去除复杂背景中存在的影响因素,然后通过K-means聚类Anchor box优化Faster R-CNN以满足月季病虫害目标检测需求,基于叶片检测结果对叶片病虫害进行检测.通过比较YOLOv3、Faster R CNN和TSDDP对自然环境下的月季多叶片病虫害检测效果,试验结果表明TSDDP的检测精度和定位准确度均高于其他算法,最终病虫害平均检测精度达到82.26％,有效减少复杂背景造成误检的同时改善小尺度病虫害的检测和定位效果.

关键词：病虫害检测、YOLOv3、特征融合、Faster R-CNN

所属期刊栏目：42

分类号：S436.8(病虫害及其防治)

资助基金：湖北省技术创新专项重大项目2019ABA101

在线出版日期：2021-09-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：169-176