文献类型：期刊文章

作　　者：徐会杰[1] 黄仪龙[2] 刘曼[1]

XU Huijie;HUANG Yilong;LIU Man(School of Management,Henan University of Science and Technology,Luoyang 471023,China;Information Engineering College,Henan University of Science and Technology,Luoyang 471023,China)

机构地区：[1]河南科技大学管理学院,河南洛阳471023 [2]河南科技大学信息工程学院,河南洛阳471023

出　　处：《南京农业大学学报》

基　　金：国家自然科学基金项目(61901241);河南省高等学校重点项目(21A510003);河南省高校省级大学生创新创业训练计划项目(S202110464045);河南科技大学SRTP项目(2021252)。

年　　份：2022

卷　　号：45

期　　号：6

起止页码：1276-1285

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：[目的]本文针对传统农作物叶片病虫害识别模型YOLOv3存在的检测实时性与鲁棒性差以及漏检率高的问题,提出了一种改进的玉米叶片病虫害检测模型——YOLOv3-Corn。[方法]该模型采用Darknet-53作为特征提取网络,将网络输出的8倍特征图与新加入的4倍下采样特征图进行拼接,建立了104104尺度的检测层;在前期构建的包含6个类别玉米常见病虫害数据集中,利用K-means++聚类算法选取12个先验框并分别匹配到4个不同尺度的检测层中进行目标识别。[结果]在YOLOv3系列模型中,YOLOv3-Corn模型的检测精度均值(mAP)、召回率(Recall)达到了93.31%和93.08%,与YOLOv3模型相比分别提高了4.03%和9.78%。在非YOLO系列模型中,YOLOv3-Corn模型平衡了Faster R-CNN模型的检测速度不足和RetinaNet模型的召回率、精确度不足的问题。[结论]在保证提取相同特征参数、检测时效性好的前提下,YOLOv3-Corn模型有效提高了识别精度。

关 键 词：玉米叶片 病虫害检测  目标检测 YOLOv3模型  Darknet-53  

分 类 号：TP391.41] TP183[计算机类] S432]