典型文献
基于深度学习的水稻稻曲病图像识别与分级鉴定
文献摘要：
[目的]为了实现田间复杂背景下水稻稻曲病的智能识别与病情分级鉴定,本研究提出了一种基于深度学习的水稻稻曲病图像识别和分级鉴定的方法.[方法]在水稻田间采集不同背景下的水稻稻曲病图像412张,对图像数据集进行人工标注,然后将其图像数据集划分为训练集和测试集.用Yolov5算法对图像数据集中的训练集进行模型训练,以准确率(Precision)、召回率(Recall)和平均准确率(mean Average Precision,mAP)作为评价标准;再用训练好的模型检测测试集中稻曲病图像中的目标.[结果]试验表明,准确率、召回率的值靠近坐标轴(1,1)位置,mAP的值为0.995;目标检测的平均准确率都在0.89以上,且该模型可根据单穗稻曲病病粒数的识别来判定稻曲病病情级别.[结论]基于深度学习的Yolov5模型可以识别水稻稻曲病图像和病情级别鉴定,为开发水稻稻曲病的智能化识别系统奠定了基础.
文献关键词：
稻曲病;深度学习;目标检测;Yolov5
中图分类号：
作者姓名：
伏荣桃;王剑;陈诚;李洪浩;赵黎宇;卢代华
作者机构：
四川省农业科学院植物保护研究所,成都 610066;农业部西南作物有害生物综合治理重点实验室,成都 610066
文献出处：
引用格式：
[1]伏荣桃;王剑;陈诚;李洪浩;赵黎宇;卢代华-.基于深度学习的水稻稻曲病图像识别与分级鉴定)[J].四川农业科技,2022(10):35-40
A类：
B类：
水稻稻曲病,图像识别,田间,复杂背景,智能识别,病情分级,水稻田,图像数据集,数据集划分,训练集,测试集,Yolov5,模型训练,Precision,召回率,Recall,平均准确率,mean,Average,mAP,练好,模型检测,检测测试,中稻,坐标轴,目标检测,病粒,粒数,发水,智能化识别,识别系统
AB值：
0.335556
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。
