基于深度卷积神经网络的柑橘黄龙病症状识别

发布时间：2024-06-02 14:55

　　【目的】探究深度学习在柑橘Citrus spp.黄龙病症状识别上的可行性,并评估识别器的识别准确率。【方法】以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材,基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。【结果】M-8-C模型的整体识别表现最优,对所有图像的识别准确率为93.7%,表明构建的神经网络识别器能有效辨别柑橘黄龙病症状;I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上,在田间测试中取得较好的识别表现。【结论】基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。

【文章页数】：9 页

【部分图文】：

图1本研究收集的8种类别柑橘叶片图像示例

根据症状和PCR检测结果，将样品图像分为健康(共233幅)、黄龙病-斑驳(共514幅)、黄龙病-缺锌状(共120幅)、黄龙病-叶脉黄化(共115幅)、黄龙病-均匀黄化(共131幅)、非黄龙病-缺锌状(共123幅)、非黄龙病-叶脉黄化(共254幅)、非黄龙病-均匀黄化(共177幅)....

图2训练集图片数与平均F1分值动态关系图

M-8f-C识别田间叶片的结果汇总为表5。在智能手机上，M-8f-C对在树上叶片的识别效果比在摄影布上的识别效果好。对树上拍摄的黄龙病和非黄龙病叶片图像的平均F1分值分别为87.2%和82.4%，而在摄影布上拍摄的平均F1分值则分别为68.0%和77.6%，而准确率同样为在树上拍....

本文编号：3987405