文献类型：期刊文章

作　　者：赵越[1] 赵辉[1] 姜永成[1] 任东悦[1] 李阳[1] 卫勇[1]

Zhao Yue;Zhao Hui;Jiang Yongcheng;Ren Dongyue;Li Yang;Wei Yong(College of Engineering and Technology,Tianjin Agricultural University,Tianjin,300384,China)

机构地区：[1]天津农学院工程技术学院,天津市300384

出　　处：《中国农机化学报》

基　　金：天津市科技计划项目(19YFZCSN00360);天津市企业科技特派员项目(20YDTPJC01340)。

年　　份：2022

卷　　号：43

期　　号：10

起止页码：183-189

语　　种：中文

收录情况：BDHX、BDHX2020、JST、RCCSE、核心刊

摘　　要：植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。

关 键 词：植物病害 深度学习  Faster R-CNN  迁移学习  病害检测

分 类 号：S24] TP391.4[农业工程类]