基于深度学习的病害识别方法研究

摘要：

当前在大面积生产中,主要病害的发生严重威胁农作物健康持续发展,亟须高效的病害识别方法来解决人工识别耗时、误判及效率低等问题.通过SONY@6300 数码相机和开源数据库获取 3 种病害图像各 150 张,利用Labelme标注图片病斑,经过图像增强得到 2250 张图片并构成数据集,按照 8∶1∶1 的比例划分为训练集、验证集和测试集.训练Deeplabv3+、U-Net、U-Net++等3 种神经网络模型,对 3种病害的图片进行预测并评价,比较在相同迭代次数下的损失曲线;根据对测试集进行预测的混淆矩阵,计算其精准度、召回率和F1得分.综合对比这3 种模型的性能,结果表明U-Net++效果最好,3 个评价指标均在 97%以上,对病害的分割性能也优于Deeplabv3+和U-Net模型.研究结果可为生产上病害防治提供科学指导,也可为其他作物的病害识别提供技术参考.

关键词：病害识别、图像、深度学习、模型、预测、U-Net++

所属期刊栏目：19

分类号：TP391.41;TP181;TP751

资助基金：江苏省农业科技自主创新资金CX213063;江苏省重点研发计划现代农业项目;江苏省重点研发计划现代农业项目;江苏省省级农业科技创新与推广补助专项

在线出版日期：2023-10-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：90-99