典型文献
基于YOLOv3的多类烟草叶部病害检测研究
文献摘要：
烟草叶部病害种类繁多,病理复杂,严重影响烟草产量及品质,烟草病害精准检测是烟草病害及时防治的前提.传统检测方式精准性差、效率低,基于深度学习的算法可提高烟草病害检测准确性.本文以5种较为常见的烟草病害(普通花叶病、黄瓜花叶病毒病、赤星病、烟草野火病、气候性斑点病)为研究对象,构建基于YOLOv3的烟草病害检测模型,实现烟草多类病害的精准快速检测.使用Darknet53特征网络提取烟叶病害特征并将不同尺度病害特征融合,并用K-means++算法对融合后特征进行分类和位置预测,通过非极大值抑制算法(NMS)去除冗余框,得到病害区域预测框.用田间实际采集的烟草病害数据集,对构建的YOLOv3病害检测模型与SSD(Single Shot multibox Detector)模型对比测试.结果表明,YOLOv3的mIoU为0.81,明显优于SSD的0.73,且YOLOv3模型的mAP为0.77,也高于SSD的0.69.本研究构建的YOLOv3烟草病害检测模型能有效定位烟叶病害区域,实现多类烟草病害的检测,为精准病害防治提供参考.
文献关键词：
YOLOv3;烟草病害;病害检测;特征融合;深度学习
中图分类号：
作者姓名：
刘延鑫;王俊峰;杜传印;丁睿柔;高强;宗浩;姜红花
作者机构：
山东农业大学信息科学与工程学院,山东 泰安 271018;山东潍坊烟草有限公司,山东 潍坊 261205;山东临沂烟草有限公司,山东 临沂 276003
文献出处：
引用格式：
[1]刘延鑫;王俊峰;杜传印;丁睿柔;高强;宗浩;姜红花-.基于YOLOv3的多类烟草叶部病害检测研究)[J].中国烟草科学,2022(02):94-100
A类：
B类：
YOLOv3,草叶,叶部病害,病害检测,病害种类,烟草产量,产量及品质,烟草病害,精准检测,检测方式,精准性,检测准确性,黄瓜花叶病毒病,赤星病,烟草野火病,斑点病,检测模型,快速检测,Darknet53,烟叶,病害特征,不同尺度,特征融合,means++,位置预测,非极大值抑制,NMS,域预测,田间,SSD,Single,Shot,multibox,Detector,模型对比,对比测试,mIoU,mAP,研究构建,病害防治
AB值：
0.343757
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
