文献类型：期刊文章

作　　者：陈天娇[1] 曾娟[2] 谢成军[1] 王儒敬[1] 刘万才[2] 张洁[1] 李瑞[1] 陈红波[1] 胡海瀛[1] 董伟[3]

Chen Tianjiao;Zeng Juan;Xie Chengjun;Wang Rujing;Liu Wancai;Zhang Jie;Li Rui;Chen Hongbo;Hu Haiying;Dong Wei(Institute of Intelligent Machines/Hefei Instit utes of Physical Science,Chinese Academy of Sciences,Hefei Anhui 230031,China;National Agro-Technical Extension and Service Center,Beijing 100125,China;Agricultural Economy and In formation Research Institute,Anhui Academy of Agricultural Sciences,Hefei Anhui 230001,China)

机构地区：[1]中国科学院合肥物质科学研究院/合肥智能机械研究所,安徽合肥230031 [2]全国农业技术推广服务中心,北京100125 [3]安徽省农业科学院农业经济与信息研究所,安徽合肥230001

出　　处：《中国植保导刊》

基　　金：国家重点研发计划(2018YFD0200300);国家自然基金项目(31671586;61773360;31401293)

年　　份：2019

卷　　号：39

期　　号：4

起止页码：26-34

语　　种：中文

收录情况：BDHX、BDHX2017、JST、核心刊

摘　　要：我国农作物种植覆盖面广、分散度高,病虫害发生种类多、区域性发生规律复杂,传统的人工鉴定技术从效率、能力与精度方面均难以满足新形势下重大病虫测报要求。针对这一实践需求,以测报灯下害虫图像数据库(约18万张)、田间病虫害图像数据库(约32万张)为基础,构建了基于深度学习方法的病虫害种类特征自动学习、特征融合、识别和位置回归计算框架,并研发了移动式病虫害智能化感知设备和自动识别系统。通过近2年的精确度和实操运行效率检验,该系统在自然状态下对16种灯下常见害虫的识别率为66%～90%,对38种田间常见病虫害(症状)的识别率为50%～90%。随基础数据库的不断丰富、神经网络深层特征提取的不断完善,该系统有望进一步提高识别准确率,从而真正实现田间病虫害识别自动化、智能化和高效率。

关 键 词：深度学习  病虫害 检测  识别  

分 类 号：TP751]