摘要
针对传统水稻病害识别方法主要依赖人工,效率低下且存在人工主观误差的问题,提出一种基于改进FCOS模型的水稻叶片病害检测模型.首先收集950张3种不同病害的水稻叶片图像,构建Pascal Voc格式的水稻叶片病害数据集.为增强模型的泛化能力,对划分为训练集的图像进行数据增强,训练集图像由760张扩增到6 080张.然后构建检测模型,改进FCOS模型在原模型的基础上,在特征融合网络引入CBAM注意力模块;损失函数中,回归损失函数采用CIoU损失函数,分类损失函数和中心度损失函数与原FCOS模型保持一致.改进的FCOS模型在水稻叶片病害数据上的平均精度均值达77.7％,相比原FCOS模型提升了 2.3百分点,改进的模型在不明显提升检测时间的情况下,提升了模型的精度.通过试验与模型YOLOF、Faster R-CNN、VarifocalNet、NAS-FCOS、TOOD进行对比,结果表明本研究模型取得了最高的检测精度,且在检测精度和检测速度上取得了最高的权衡.结果表明,本研究提出的模型能够比较精准地识别水稻白叶枯病、胡麻叶斑病和叶瘟病,可以为水稻叶片病害的检测提供参考.
基金项目
河南省科技攻关项目(222102210300)
河南省高等学校青年骨干教师培养计划(2021GGJS176)
信阳农林学院青年教师科研基金项目(QN2021057)
国家科技期刊平台
NSTL
万方数据