文献类型：期刊文章

作　　者：李就好[1] 林乐坚[1] 田凯[1] Al Aasmi Alaa[1]

Li Jiuhao;Lin Lejian;Tian Kai;Al Aasmi Alaa(College of Water Conservancy and Civil Engineering,South China Agricultural University,Guangzhou 510642,China)

机构地区：[1]华南农业大学水利与土木工程学院,广州510642

出　　处：《农业工程学报》

基　　金：广东省重点领域研发计划项目(2019B020214003)。

年　　份：2020

卷　　号：36

期　　号：12

起止页码：179-185

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSCD、CSCD2019_2020、EI、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：为实现在自然环境条件下对苦瓜叶部病害的目标检测,该研究提出了一种基于改进的更快速区域卷积神经网络(Faster Region with Convolutional Neural Network Features,Faster R-CNN)的苦瓜叶部病害目标检测方法。Faster R-CNN以残差结构卷积神经网络ResNet-50作为该次试验的特征提取网络,将其所得特征图输入到区域建议网络提取区域建议框,并且结合苦瓜叶部病害尺寸小的特点,对原始的Faster R-CNN进行修改,增加区域建议框的尺寸个数,并在ResNet-50的基础下融入了特征金字塔网络(Feature Pyramid Networks,FPN)。结果表明,该方法训练所得的深度学习网络模型具有良好的鲁棒性,平均精度均值(Mean Average Precision,MAP)值为78.85%;融入特征金字塔网络后,所得模型的平均精度均值为86.39%,提高了7.54%,苦瓜健康叶片、白粉病、灰斑病、蔓枯病、斑点病的平均精确率(Average Precision,AP)分别为89.24%、81.48%、83.31%、88.62%和89.28%,在灰斑病检测精度上比之前可提高了16.56%,每幅图像的检测时间达0.322 s,保证检测的实时性。该方法对复杂的自然环境下的苦瓜叶部病害检测具有较好的鲁棒性和较高的精度,对瓜果类疾病预防有重要的研究意义。

关 键 词：卷积神经网络  机器视觉 病害 自动检测  Faster R-CNN  苦瓜 特征金字塔网络  

分 类 号：TP391]