咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于改进YOLOv4算法的苹果叶部病害缺陷检测研究 收藏

基于改进YOLOv4算法的苹果叶部病害缺陷检测研究

Research of apple leaf disease defect detection based on improved YOLOv4 algorithm

作     者:王权顺 吕蕾 黄德丰 付思琴 余华云 Wang Quanshun;LüLei;Huang Defeng;Fu Siqin;Yu Huayun

作者机构:长江大学湖北荆州434023 中国农业科学院油料作物研究所武汉市430062 

出 版 物:《中国农机化学报》 (Journal of Chinese Agricultural Mechanization)

年 卷 期:2022年第43卷第11期

页      面:182-187页

学科分类:1305[艺术学-设计学(可授艺术学、工学学位)] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 09[农学] 0804[工学-仪器科学与技术] 0904[农学-植物保护] 090401[农学-植物病理学] 081101[工学-控制理论与控制工程] 090402[农学-农业昆虫与害虫防治] 0811[工学-控制科学与工程] 

基  金:国家自然科学基金项目(61440023) 中国高校产学研创新基金一新一代信息技术创新项目(2020ITA03012) 

主  题:苹果叶部病害 缺陷检测 YOLOv4 二分K均值聚类 DenseNet121 

摘      要:针对苹果叶部病害缺陷检测效率低下、误检率高、实时性差等问题,以苹果叶部的灰斑病、黑星病、锈病、斑点落叶病作为研究对象,提出一种基于改进YOLOv4算法的苹果叶部病害缺陷检测算法。首先通过数据扩增对数据集扩充提升鲁棒性,算法通过二分K均值聚类算法确定锚框以解决预设锚框不适用苹果叶部病害的问题,引入DenseNet121作为特征提取网络,提升对苹果叶部病害缺陷的检测性能,并且减小模型大小,降低存储开销。将模型与YOLOv4模型进行对比验证,试验结果表明,改进后的YOLOv4模型平均精度均值(mAP)达到97.52%,与改进前相比提升0.89%,模型大小为62.71 MB,与改进前相比减小182.82 MB,检测速度为26.33 FPS,与改进前相比提升6.78 FPS。能够满足实际生活中对苹果叶部病害检测的需求。

读者评论 与其他读者分享你的观点