典型文献
一种基于集成学习的苹果叶片病害检测方法
文献摘要：
由于苹果树叶片病害图像背景复杂、病斑形态多样,苹果树叶片病害的检测一直是一项具有挑战性的任务.传统的苹果树叶片病害检测方法严重依赖于果农经验和特定领域的专家,步骤复杂且低效,并很容易导致病害的误判和漏判.为解决该问题,基于深度学习技术对苹果树叶片病害特征进行自适应学习和提取,提出一种基于集成学习的苹果树叶片病害检测方法.该算法基于不同的模型,在处理不同的数据集上呈现出各自的特性,充分利用了模型间的优势互补,使用非极大值抑制算法将YOLOv5和EfficientDet模型进行集成,进一步提高模型特征提取能力并且增强了模型的检测能力.结果表明,该方法在不增加延迟的情况下,能有效提高3种苹果树叶片病害的检测效果,平均精度可达73.4％,相比于单个YOLOv5和EfficientDet模型分别提高了3.0％、4.8％.集成后的算法具有更好的特征提取能力,可以提取到更多的病害特征信息,并且较好地平衡了模型的识别精度与模型复杂度,可为田间环境下苹果树叶片病害识别提供参考.
文献关键词：
苹果树;叶片病害;特征提取;集成学习;病害识别;机器学习
中图分类号：
作者姓名：
孙长兰;林海峰
作者机构：
南京林业大学信息科学技术学院,江苏南京210037
文献出处：
引用格式：
[1]孙长兰;林海峰-.一种基于集成学习的苹果叶片病害检测方法)[J].江苏农业科学,2022(20):41-47
A类：
B类：
集成学习,苹果叶片病害,病害检测,苹果树,果树叶片,病害图像,于果,果农,农经,特定领域,误判,漏判,深度学习技术,病害特征,自适应学习,优势互补,非极大值抑制,YOLOv5,EfficientDet,模型特征,特征提取能力,检测能力,检测效果,取到,特征信息,地平,识别精度,模型复杂度,田间,病害识别
AB值：
0.247581
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。
