基于RGB图像的冠层尺度水稻叶瘟病斑检测与抗性评估

摘要：

针对依赖人工主观判断水稻叶瘟抗性费时费力且准确率低的问题,本文提出了一种基于水稻冠层尺度RGB图像和掩膜区域卷积神经网络(mask regions with convolutional neural network,Mask-RCNN)深度学习框架的水稻叶瘟病斑识别检测方法,通过分析水稻RGB图像中不同类别病斑的数量信息,构建多种分类模型来评估病斑数量和抗性水平之间的关联性.首先采集包括粳稻品系、早籼品系和籼型恢复系等不同品系的水稻育种材料的苗期RGB图像,然后通过对输入图像进行预处理和标记,最终建立了用于识别水稻叶瘟病斑的Mask-RCNN模型,实现了叶瘟病斑的矩形框检测、掩膜分割和分类,其平均交并比(mean intersection over union,mIoU)为0.603.当采用0.5的交并比(intersection over union,IoU)阈值时,测试数据集的病斑检测平均准确率均值(mean average precision,mAP)为0.716.在基于病斑数量的抗性评估模型中,高斯过程支持向量机在测试数据集上取得了94.30％的最高抗性评估准确率.研究结果表明,基于水稻冠层RGB图像和Mask-RCNN模型可实现水稻叶瘟病的准确识别,检测的病斑数量特征和叶瘟抗性水平高度相关.本研究为水稻抗病性品种的高效选育提供了技术支撑.

关键词：冠层尺度;水稻病害;叶瘟检测;深度学习;抗性评估

所属期刊栏目：47

分类号：TP751(遥感技术)

资助基金：浙江省重点研发计划;浙江省嘉兴市科技计划项目应用性基础研究专项

在线出版日期：2021-09-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：415-428