改进RetinaNet的水稻冠层害虫为害状自动检测模型

发布时间：2021-10-29 08:54

　　中国现行的水稻冠层害虫为害状田间调查方法需要测报人员下田目测为害状发生情况,此种人工调查方法存在客观性差、效率低与劳动强度大等问题。近几年,诸多学者开始利用深度学习方法来识别植物病虫为害状,但大多针对单株或单个叶片上病虫害种类进行识别研究。该研究采集了水稻冠层多丛植株上稻纵卷叶螟和二化螟为害状图像,提出一种改进RetinaNet的水稻冠层害虫为害状自动检测模型。模型中采用ResNeXt101作为特征提取网络,组归一化（Group Normalization,GN）作为归一化方法,改进了特征金字塔网络（Feature Pyramid Network,FPN）结构。改进后的RetinaNet模型对2种害虫为害状区域检测的平均精度均值达到93.76%,为实现水稻害虫为害状智能监测提供了理论依据和技术支持。 

【文章来源】：农业工程学报. 2020,36(15)北大核心EICSCD

【文章页数】：7 页

【文章目录】：
0 引言
1 材料与方法
    1.1 图像采集与数据集建立
    1.2 图像数据增强
    1.3 水稻冠层害虫为害状自动检测模型
        1.3.1 改进RetinaNet的检测模型网络框架
        1.3.2 特征提取网络
        1.3.3 归一化方法
        1.3.4 改进的特征金字塔网络（FPN)
        1.3.5 焦点损失函数
    1.4 结果评价方法
    1.5 不同模型的比较
2 结果与分析
    2.1 模型运行环境
    2.2 不同模型PR曲线与分析
    2.3 不同模型平均精度（AP）和平均精度均值（mAP）与分析
3 结论


【参考文献】：
期刊论文
[1]基于卷积神经网络的水稻纹枯病图像识别[J]. 刘婷婷,王婷,胡林.  中国水稻科学. 2019(01)
[2]基于高光谱成像技术的水稻叶瘟病病害程度分级方法[J]. 郑志雄,齐龙,马旭,朱小源,汪文娟.  农业工程学报. 2013(19)
[3]基于支持向量机的水稻稻瘟病图像分割研究[J]. 石凤梅,赵开才,孟庆林,马立功.  东北农业大学学报. 2013(02)
[4]基于贝叶斯分类器的水稻病害识别处理的研究[J]. 杨昕薇,谭峰.  黑龙江八一农垦大学学报. 2012(03)
[5]水稻稻瘟病图像识别预处理方法研究[J]. 路阳,邵庆,张楠,许善祥,刘德福.  黑龙江八一农垦大学学报. 2011(04)
[6]基于图像的水稻病害识别方法研究[J]. 管泽鑫,唐健,杨保军,周营烽,范德耀,姚青.  中国水稻科学. 2010(05)
[7]近年来中国水稻病虫害发生及趋势分析[J]. 王艳青.  中国农学通报. 2006(02)



本文编号：3464366