摘要
为解决人工识别水稻虫害难度大、费时费力的问题,研究了一种自动识别水稻虫害的方法.选取2 500张红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟图片建立数据库,利用深度卷积神经网络提取水稻虫害数据集特征,采用随机梯度下降法训练,得到最优权重文件.测试训练好的模型,并对比Faster-RCNN、SSD和YOLOv3算法的效果.结果表明,YOLOv3算法的平均精度最高,其在红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟5种水稻虫害中分别为97.40％、88.76％、85.74％、92.96％、94.78％,五类水稻虫害mAP为91.93％.与Faster-RCNN算法相比,平均准确率高1.43个百分点,单张图像检测耗时减少853.68 ms;与SSD算法相比,平均准确率高5.56个百分点,单张图像检测耗时减少2.9 ms.选择5类比较具有代表性的水稻虫害图片进行测试,对于叶片遮挡目标和相似背景等情况,YOLOv3算法能够正确识别不会出现漏检错检,且识别准确率大于98％.将YOLOv3算法引入田间复杂情况下的水稻虫害识别是可行的,具有较高的平均准确率以及较快的检测速度,能够准确识别水稻虫害,这对于水稻虫害防治和田间喷药等方面具有重要意义.
基金项目
江西现代农业科研协同创新专项(JXXTCX201801-03)
江西现代农业科研协同创新专项(JXXTCXNLTS202106)
国家科技期刊平台
NSTL
维普
万方数据