首页|基于农作物病害检测与识别的卷积神经网络模型研究进展

基于农作物病害检测与识别的卷积神经网络模型研究进展

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措.随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点.基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有:公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低.最后对未来研究方向进行了展望:如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警.
Research progress of convolutional neural network model based on crop disease detection and recognition

郭文娟、冯全、李相周

展开 >

甘肃政法大学网络空间安全学院,兰州市,730070

甘肃农业大学机电工程学院,兰州市,730070

深度学习 卷积神经网络 模型结构 病害识别 病害检测

甘肃省青年科技基金甘肃政法大学校级青年项目甘肃省教育厅创新基金

21JR7RA572GZF2019XQNLW082022B-144

2022

10.13733/j.jcam.issn.2095-5553.2022.10.023

中国农机化学报
农业部南京农业机械化研究所

中国农机化学报

CSTPCD北大核心
影响因子：0.684
ISSN：2095-5553
年,卷(期)：2022.43(10)
  • 12
  • 22