基于深度学习的马铃薯叶片病害检测方法

摘要：

植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要.传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下.针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型.采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响.结果表明,随着训练数据类别的增多模型性能会有略微的降低.同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型.经检测该模型最佳精度达到99.5％,该研究为马铃薯病害检测提供了技术支持.

关键词：植物病害、深度学习、Faster R-CNN、迁移学习、病害检测

所属期刊栏目：43

分类号：S24:TP391.4(农业电气化与自动化)

资助基金：天津市科技计划项目;天津市企业科技特派员项目

在线出版日期：2022-10-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：183-189