文献类型：期刊文章

作　　者：周维[1] 牛永真[1] 王亚炜[1] 李丹[1]

ZHOU Wei;NIU Yong-zhen;WANG Ya-wei;LI Dan(College of Information and Computer Engineering,Northeast Forestry University,Harbin 150040,China)

机构地区：[1]东北林业大学信息与计算机工程学院,黑龙江哈尔滨150040

出　　处：《江苏农业学报》

基　　金：国家级大学生创新训练计划项目(41111214)。

年　　份：2022

卷　　号：38

期　　号：3

起止页码：685-695

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CSCD、CSCD2021_2022、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧。通过试验将YOLOv4及其MobileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38%,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上。

关 键 词：水稻病虫害检测  GhostNet网络  YOLOv4  轻量化 迁移学习  

分 类 号：TP391.4]