【目的】为了实现田间复杂背景下水稻稻曲病的智能识别与病情分级鉴定,本研究提出了一种基于深度学习的水稻稻曲病图像识别和分级鉴定的方法。【方法】在水稻田间采集不同背景下的水稻稻曲病图像412张,对图像数据集进行人工标注,然后将...【目的】为了实现田间复杂背景下水稻稻曲病的智能识别与病情分级鉴定,本研究提出了一种基于深度学习的水稻稻曲病图像识别和分级鉴定的方法。【方法】在水稻田间采集不同背景下的水稻稻曲病图像412张,对图像数据集进行人工标注,然后将其图像数据集划分为训练集和测试集。用Yolov5算法对图像数据集中的训练集进行模型训练,以准确率(Precision)、召回率(Recall)和平均准确率(mean Average Precision,mAP)作为评价标准;再用训练好的模型检测测试集中稻曲病图像中的目标。【结果】试验表明,准确率、召回率的值靠近坐标轴(1,1)位置,mAP的值为0.995;目标检测的平均准确率都在0.89以上,且该模型可根据单穗稻曲病病粒数的识别来判定稻曲病病情级别。【结论】基于深度学习的Yolov5模型可以识别水稻稻曲病图像和病情级别鉴定,为开发水稻稻曲病的智能化识别系统奠定了基础。展开更多
文摘【目的】为了实现田间复杂背景下水稻稻曲病的智能识别与病情分级鉴定,本研究提出了一种基于深度学习的水稻稻曲病图像识别和分级鉴定的方法。【方法】在水稻田间采集不同背景下的水稻稻曲病图像412张,对图像数据集进行人工标注,然后将其图像数据集划分为训练集和测试集。用Yolov5算法对图像数据集中的训练集进行模型训练,以准确率(Precision)、召回率(Recall)和平均准确率(mean Average Precision,mAP)作为评价标准;再用训练好的模型检测测试集中稻曲病图像中的目标。【结果】试验表明,准确率、召回率的值靠近坐标轴(1,1)位置,mAP的值为0.995;目标检测的平均准确率都在0.89以上,且该模型可根据单穗稻曲病病粒数的识别来判定稻曲病病情级别。【结论】基于深度学习的Yolov5模型可以识别水稻稻曲病图像和病情级别鉴定,为开发水稻稻曲病的智能化识别系统奠定了基础。
