典型文献
利用改进Faster-RCNN识别小麦条锈病和黄矮病
文献摘要：
条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义.现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低.为此,该研究构建了一种改进的快速区域卷积神经网络(Faster Regions with CNN Features,Faster-RCNN)的病害识别方法.该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络(Deep Residual Neural Network,ResNet-50),用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力,同时简化模型的参数;并采用ROI(Region of Interest)Align改进ROI迟化层以降低特征量化误差,提升识别的精度.在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验,结果表明:改进的Faster-RCNN识别方法比其他SSD(Single Shot Multi-Box Detector)、YOLO(You Only Look Once)和Faster-RCNN网络模型的平均精度均值(mean Average Precision,mAP)分别提升了9.26个百分点、7.64个百分点和14.97个百分点.对小麦条锈病、黄矮病、健康小麦和其他黄化症状小麦识别的平均精度均值可达98.74％;对小麦条锈病和黄矮病轻、重症识别的平均精度均值可达91.06％.同时,模型损失函数值降低更快,整体性能表现更优.进一步开发小麦病害智能识别系统部署研究模型,使用微信小程序进行田间小麦病害的识别.在最大并发100的条件下,小程序平均返回时延为5.02 s,识别返回成功率为97.85％,对两种小麦病害及其细分轻重症识别的平均准确率为93.56％,能够有效满足实际应用需求,可用于指导病害的科学防控.
文献关键词：
模型;病害识别;Faster-RCNN;ResNet;分组卷积;数据增强
中图分类号：
作者姓名：
毛锐;张宇晨;王泽玺;高圣昌;祝涛;王美丽;胡小平
作者机构：
西北农林科技大学信息工程学院,杨凌 712100;西北农林科技大学植物保护学院,杨凌 712100;农业农村部黄土高原作物有害生物综合治理重点实验室,杨凌 712100
文献出处：
引用格式：
[1]毛锐;张宇晨;王泽玺;高圣昌;祝涛;王美丽;胡小平-.利用改进Faster-RCNN识别小麦条锈病和黄矮病)[J].农业工程学报,2022(17):176-185
A类：
B类：
Faster,RCNN,小麦条锈病,小麦生产,大病,早期识别,病害防控,病害识别,识别模型,早期病害,研究构建,快速区域卷积神经网络,Regions,Features,卷积核,拆解,下采样,采样延迟,策略优化,深度残差网络,Deep,Residual,Neural,Network,ResNet,主干特征提取网络,提取特征,表达力,简化模型,ROI,Interest,Align,特征量,量化误差,余种,发病时期,图像数据集,SSD,Single,Shot,Multi,Box,Detector,YOLO,You,Only,Look,Once,平均精度均值,mean,Average,Precision,mAP,百分点,黄化,小麦识别,损失函数,函数值,整体性能,小麦病害,智能识别系统,系统部署,研究模型,微信小程序,田间,返回,时延,平均准确率,应用需求,科学防控,分组卷积,数据增强
AB值：
0.451395
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。
