【目的】探究深度學習在柑橘Citrus spp.黃龍病癥狀識別上的可行性,并評估識別器的識別準確率。【方法】以黃龍病/非黃龍病引起的發(fā)病葉片圖像及健康葉片圖像為訓練素材,基于卷積神經網(wǎng)絡及遷移學習技術構建二類識別器(I-2-C和M-2-C)和八類識別器(I-8-C和M-8-C)。【結果】M-8-C模型的整體識別表現(xiàn)最優(yōu),對所有圖像的識別準確率為93.7%,表明構建的神經網(wǎng)絡識別器能有效辨別柑橘黃龍病癥狀;I-8-C和M-8-C對所有類型圖像的平均F1分值分別為77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明癥狀細分有利于提高模型的識別能力。同時M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1結構的八類識別器識別表現(xiàn)略優(yōu)于基于InceptionV3的八類識別器�；贛-8-C改進的識別器M-8f-C能夠轉移到智能手機上,在田間測試中取得較好的識別表現(xiàn)�！窘Y論】基于深度學習和遷移學習開發(fā)的識別器對黃龍病單葉癥狀具有較好的識別效果。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖1本研究收集的8種類別柑橘葉片圖像示例

根據(jù)癥狀和PCR檢測結果，將樣品圖像分為健康(共233幅)、黃龍病-斑駁(共514幅)、黃龍病-缺鋅狀(共120幅)、黃龍病-葉脈黃化(共115幅)、黃龍病-均勻黃化(共131幅)、非黃龍病-缺鋅狀(共123幅)、非黃龍病-葉脈黃化(共254幅)、非黃龍病-均勻黃化(共177幅)....

圖2訓練集圖片數(shù)與平均F1分值動態(tài)關系圖

M-8f-C識別田間葉片的結果匯總為表5。在智能手機上，M-8f-C對在樹上葉片的識別效果比在攝影布上的識別效果好。對樹上拍攝的黃龍病和非黃龍病葉片圖像的平均F1分值分別為87.2%和82.4%，而在攝影布上拍攝的平均F1分值則分別為68.0%和77.6%，而準確率同樣為在樹上拍....

本文編號：3987405