中國現(xiàn)行的水稻冠層害蟲為害狀田間調(diào)查方法需要測報人員下田目測為害狀發(fā)生情況,此種人工調(diào)查方法存在客觀性差、效率低與勞動強(qiáng)度大等問題。近幾年,諸多學(xué)者開始利用深度學(xué)習(xí)方法來識別植物病蟲為害狀,但大多針對單株或單個葉片上病蟲害種類進(jìn)行識別研究。該研究采集了水稻冠層多叢植株上稻縱卷葉螟和二化螟為害狀圖像,提出一種改進(jìn)RetinaNet的水稻冠層害蟲為害狀自動檢測模型。模型中采用ResNeXt101作為特征提取網(wǎng)絡(luò),組歸一化（Group Normalization,GN）作為歸一化方法,改進(jìn)了特征金字塔網(wǎng)絡(luò)（Feature Pyramid Network,FPN）結(jié)構(gòu)。改進(jìn)后的RetinaNet模型對2種害蟲為害狀區(qū)域檢測的平均精度均值達(dá)到93.76%,為實現(xiàn)水稻害蟲為害狀智能監(jiān)測提供了理論依據(jù)和技術(shù)支持。 

【文章來源】：農(nóng)業(yè)工程學(xué)報. 2020,36(15)北大核心EICSCD

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 材料與方法
    1.1 圖像采集與數(shù)據(jù)集建立
    1.2 圖像數(shù)據(jù)增強(qiáng)
    1.3 水稻冠層害蟲為害狀自動檢測模型
        1.3.1 改進(jìn)RetinaNet的檢測模型網(wǎng)絡(luò)框架
        1.3.2 特征提取網(wǎng)絡(luò)
        1.3.3 歸一化方法
        1.3.4 改進(jìn)的特征金字塔網(wǎng)絡(luò)（FPN)
        1.3.5 焦點損失函數(shù)
    1.4 結(jié)果評價方法
    1.5 不同模型的比較
2 結(jié)果與分析
    2.1 模型運行環(huán)境
    2.2 不同模型PR曲線與分析
    2.3 不同模型平均精度（AP）和平均精度均值（mAP）與分析
3 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的水稻紋枯病圖像識別[J]. 劉婷婷,王婷,胡林.  中國水稻科學(xué). 2019(01)
[2]基于高光譜成像技術(shù)的水稻葉瘟病病害程度分級方法[J]. 鄭志雄,齊龍,馬旭,朱小源,汪文娟.  農(nóng)業(yè)工程學(xué)報. 2013(19)
[3]基于支持向量機(jī)的水稻稻瘟病圖像分割研究[J]. 石鳳梅,趙開才,孟慶林,馬立功.  東北農(nóng)業(yè)大學(xué)學(xué)報. 2013(02)
[4]基于貝葉斯分類器的水稻病害識別處理的研究[J]. 楊昕薇,譚峰.  黑龍江八一農(nóng)墾大學(xué)學(xué)報. 2012(03)
[5]水稻稻瘟病圖像識別預(yù)處理方法研究[J]. 路陽,邵慶,張楠,許善祥,劉德福.  黑龍江八一農(nóng)墾大學(xué)學(xué)報. 2011(04)
[6]基于圖像的水稻病害識別方法研究[J]. 管澤鑫,唐健,楊保軍,周營烽,范德耀,姚青.  中國水稻科學(xué). 2010(05)
[7]近年來中國水稻病蟲害發(fā)生及趨勢分析[J]. 王艷青.  中國農(nóng)學(xué)通報. 2006(02)



本文編號：3464366