[目的]目前水稻纹枯病测报依赖人工调查水稻发病丛数、株数和每株严重度来计算其病情指数,操作专业性强,费时费力且数据难以追溯.本研究提出基于图像的水稻纹枯病病斑检测模型和发生危害分级模型,为水稻纹枯病智能测报提供理论依据.[方法]利用便携式图像采集仪采集田间水稻纹枯病图像,研究不同目标检测模型(Cascade R-CNN和RetinaNet)和特征提取网络(VGG-16和ResNet-101)对水稻纹枯病病斑的检测效果,筛选出具有较好检测效果的模型.针对Cascade R-CNN模型检测纹枯病病斑存在漏检现象,根据纹枯病病斑呈现形状不规则、大小和位置多变的复杂情况,对Cascade R-CNN进行改进,添加OHEM结构均衡难易样本,选择边框回归损失函数,通过精准率、漏检率、平均精度和P-R曲线来评价不同模型的检测效果.在改进的Cascade R-CNN-OHEM-GIOU模型检测结果基础上,分别建立基于病斑面积和病斑数的水稻纹枯病丛发生危害分级模型,通过决定系数(R2)和Kappa值筛选分级模型.[结果]在相同主干网络条件下,Cascade R-CNN模型较RetinaNet模型对水稻纹枯病具有更好的检测效果,其中Cascade R-CNN-ResNet-101目标检测模型效果最佳,病斑检测准确率为92.4％,平均精度为88.2％,但漏检率为14.9％.改进的Cascade R-CNN-OHEM-GIOU检测模型有效解决了样本不均衡问题,添加边框回归损失函数有效降低了漏检率,较Cascade R-CNN-ResNet-101模型降低8.7％,平均精度提高到92.3％.以人工分级结果作为标准,基于病斑面积的水稻纹枯病发生危害分级模型在0-5级分级准确率分别为96.0％、90.0％、82.0.％、76.0％、74.0％和96.0％,平均分级准确率为85.7％,Kappa系数为0.83,基于图像的水稻纹枯病丛发生危害分级与人工分级结果具有较高的一致性.[结论]基于图像的水稻纹枯病智能测报方法可实现病斑自动检测和发生危害自动分级,提高了测报的智能化水平,结果客观且可追溯,也可为其他农作物病害智能测报提供参考.

水稻纹枯病;病斑图像;智能测报;Cascade R-CNN模型;危害分级模型

韩晓彤;杨保军;李苏炫;廖福兵;刘淑华;唐健;姚青

浙江理工大学信息学院,杭州310018;中国水稻研究所水稻生物学国家重点实验室,杭州311401

中国农业科学

[1]韩晓彤;杨保军;李苏炫;廖福兵;刘淑华;唐健;姚青-.基于图像的水稻纹枯病智能测报方法)[J].中国农业科学,2022(08):1557-1567

危害分级模型,OHEM,病斑图像

水稻纹枯病,智能测报,株数,每株,严重度,病情指数,费时费力,发生危害,便携式,式图,图像采集,采集仪,田间,目标检测模型,Cascade,RetinaNet,特征提取网络,VGG,ResNet,检测效果,模型检测,复杂情况,结构均衡,难易,边框回归,损失函数,漏检率,GIOU,决定系数,Kappa,主干网络,网络条件,检测准确率,样本不均衡,均衡问题,加边,工分,平均分,自动检测,自动分级,智能化水平,可追溯,农作物病害

0.208312