当前位置:主页 > 论文百科 > 瓜果花卉论文 >

基于YOLO的番茄病虫害识别算法

发布时间:2022-01-15 12:24
  番茄植株在生长过程中感染各种病虫害,从而导致番茄的产量降低和种植户的利润损失。当前番茄病虫害检测主要通过农业专家人工进行,这种人工检测方法既昂贵又耗时。目前利用计算机视觉和深度学习达到病虫害自动分类识别的方法大多都是在受控环境下进行的,对病虫害所处背景环境的要求较高,同时不能实现病虫害的定位。针对这些问题,基于深度学习的思想,提出了一种基于YOLO卷积神经网络的番茄病虫害检测算法,同时建立了一个专家标注病虫害信息的真实自然环境下的番茄病虫害图像数据库,将本试验的番茄病虫害检测算法在此数据库上进行测试,对8类番茄病虫害的检测平均精度高达85.09%。结果表明,该算法能够有效地提升番茄病虫害检测的精度和速度,得到番茄病虫害的精准定位,优于Faster R-CNN和SSD等农业病虫害检测方法。 

【文章来源】:中国瓜菜. 2020,33(09)北大核心

【文章页数】:6 页

【部分图文】:

基于YOLO的番茄病虫害识别算法


模型速度对比[16]

架构图,病虫害,检测系统,架构


图1 模型速度对比[16]基于YOLO的病虫害检测系统架构,其主干网络是Darknet-53,有53个卷积层,和残差网络类似,在一些层之间建立了快捷连接,降低了梯度爆炸的概率,提高了检测的速度和精度。根据图2,输入为416×416,输出为3个尺度,适合不同尺寸的病虫害目标检测,能够方便地检测到不同大小的病斑和害虫。

病虫害,番茄,算法,检测速度


本算法番茄各类病虫害检测结果

【参考文献】:
期刊论文
[1]基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J]. 杨国国,鲍一丹,刘子毅.  农业工程学报. 2017(06)
[2]基于稀疏编码金字塔模型的农田害虫图像识别[J]. 谢成军,李瑞,董伟,宋良图,张洁,陈红波,陈天娇.  农业工程学报. 2016(17)



本文编号:3590611

论文下载
论文发表

本文链接:http://www.bigengculture.com/wenshubaike/xszy/3590611.html

相关文章提示点击查看相关文章
论文发表
专著教材出书