基于YOLO v5和多源数据集的水稻主要害虫识别方法

摘要：

针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数.依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异.测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67％和98.30％,F1值达到94.87％,二化螟识别的精确率和召回率分别达到93.39％和98.48％,F1值达到95.87％.不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性.基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于稻纵卷叶螟和二化螟成虫的田间种群监测.

关键词：水稻、稻纵卷叶螟、二化螟、深度学习、YOLO v5、自动识别

所属期刊栏目：53

分类号：TP391(计算技术、计算机技术)

资助基金：福建省自然科学基金项目;福建省农业高质量发展协同创新工程项目;福建省智慧农业科技创新团队项目;福建省农科院特色现代农业产业发展研究项目

在线出版日期：2022-09-02（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：250-258