基于深度学习的小麦条锈病病害等级识别

作     者：郭伟 党梦佳 贾箫 何强 高春凤 董萍 GUO Wei;DANG Mengjia;JIA Xiao;HE Qiang;GAO Chunfeng;DONG Ping

作者机构：河南农业大学信息与管理科学学院河南郑州450000 

出 版 物：《华南农业大学学报》 (Journal of South China Agricultural University)

年 卷 期：2023年第44卷第4期

页      面：604-612页

核心收录：

学科分类：08[工学] 09[农学] 080203[工学-机械设计及理论] 0904[农学-植物保护] 090401[农学-植物病理学] 0802[工学-机械工程] 

基　　金：国家“十三五”重点研发计划(2017YFD0201900) 国家自然科学基金(41501481) 河南省重点研发项目(212102110028) 河南农业大学科技创新基金(KJCX2021A16)。 

主　　题：小麦条锈病 图像分割 深度学习 病害等级 ResNet50 精准施药 

摘      要：【目的】为提高小麦条锈病危害程度分级精度,开展小麦条锈病病害等级自动化、准确、快速识别方法研究。【方法】在复杂田间条件下,使用手机拍摄图像,构建含有不同等级条锈病的小麦叶片数据集,利用GrabCut与YOLOv5s相结合的方法进行小麦叶片与复杂背景自动化分割。为了增强ResNet50对表型特征的提取能力,增加Inception模块,依据划分的小麦条锈病病害等级标准,对小麦条锈病病害等级进行识别。采用准确率、查全率、查准率等评价指标分析改进的ResNet50模型(B-ResNet50)在数据集上的表现。【结果】GrabCut与YOLOv5s相结合对大田复杂背景下的小麦叶片图像实现了自动、准确、快速地分割。B-ResNet50识别小麦条锈病叶片的平均准确率为97.3%,与InceptionV3(87.8%)、DenseNet121(87.6%)、ResNet50(88.3%)相比,准确率大幅提升,比原始模型(ResNet50)高出9个百分点。【结论】利用深度学习对小麦条锈病病害等级进行识别,对防治小麦条锈病的精准施药具有重要意义,可为田间复杂条件下小麦条锈病的防治提供技术支持。