基于半监督学习的梨叶病害检测

扫码查看

原文链接

万方数据
维普

中文摘要：植物病害的检测与识别是一个日益发展的研究领域,随着机器学习和深度学习概念的不断介入,为农业的发展提供了重要的技术支持.然而,目标检测技术存在着带标注数据获取成本高,且需要大量的人工来对数据进行标注等问题,给技术的实际应用造成了一定的阻碍.为解决在使用少量已标注数据及大量未标注数据进行训练模型从而提高准确率的问题,提出一种YOLO目标检测结合self-training半监督学习的方法,并且针对现有的YOLO v3-Tiny目标检测网络在半监督学习基础上准确率相比于监督学习较低的问题,对原有的YOLO v3-Tiny模型进行了改进.首先,使用空间金字塔池化结构对主干网络的多尺度特征进行融合;其次,将YOLO v3-Tiny检测头部分的标准卷积层替换成GSConv;最后,运用BiFPN结构对中间部分的特征与检测头部分的多尺度特征进行双向融合.本研究提出的基于半监督学习的改进型YOLO v3-Tiny网络可以快速准确地检测出梨叶上的病斑,在试验中,准确度、召回率、平均精度分别达到97.07％、93.78％、97.51％,对于快速准确地诊断出梨叶病斑的危害程度并且及时进行防治具有十分重要的意义.

作者：

郑旭康、李志忠、秦俊豪

展开 >

作者单位：

广东工业大学信息工程学院,广东广州 510006

关键词：

深度学习半监督学习目标检测梨无标签数据

基金：

广东省自然科学基金广东省省级科技计划(产学研)

项目编号：

2019A15150113712016B090918031

出版年：

2024

DOI：

10.15889/j.issn.1002-1302.2024.05.029

江苏农业科学

江苏省农业科学院

江苏农业科学

CSTPCD北大核心

影响因子：0.732

ISSN：1002-1302

年,卷(期)：2024.52(5)

参考文献量31