文献类型：期刊文章

作　　者：郭阳[1] 许贝贝[2] 陈桂鹏[1] 丁建[1] 严志雁[1] 梁华[1] 吴昌华[1]

GUO Yang;XU Beibei;CHEN Guipeng;DING Jian;YAN Zhiyan;LIANG Hua;WU Changhua(Jiangxi Engineering Research Center of Information Technology in Agriculture,Institute of Agricultural Economics and information,Jiangxi Academy of Agricultural Sciences,Nanchang 330200,China;Agricultural Information Institute,Chinese Academy of Agricultural Sciences,Beijing 100086,China)

机构地区：[1]江西省农业科学院农业经济与信息研究所,江西省农业信息化工程技术研究中心,南昌330200 [2]中国农业科学院农业信息研究所,北京10086

出　　处：《中国农业科技导报》

基　　金：江西现代农业科研协同创新专项(JXXTCX201801-03,JXXTCXNLTS202106)。

年　　份：2021

卷　　号：23

期　　号：11

起止页码：99-109

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD_E2021_2022、JST、RCCSE、ZGKJHX、核心刊

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2500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m AP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。

关 键 词：卷积神经网络 水稻虫害 Faster-RCNN  SSD YOLOv3  

分 类 号：S435.11] TP391.4]