改进卷积神经网络的寒地水稻常见叶部病害识别

作     者：崔佳鹏 徐宏扬 付亚萍 

作者机构：黑龙江省农业机械工程科学研究院绥化分院 黑龙江省农业科学院大豆研究所 

出 版 物：《农机化研究》 (Journal of Agricultural Mechanization Research)

年 卷 期：2025年

学科分类：12[管理学] 08[工学] 09[农学] 090401[农学-植物病理学] 090402[农学-农业昆虫与害虫防治] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 080203[工学-机械设计及理论] 0904[农学-植物保护] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：黑龙江省农业科技创新跨越工程项目(CX22YQ17) 

主　　题：寒地水稻病斑识别 卷积神经网络 目标检测 图像分类 

摘      要：传统卷积神经网络对于水稻病害识别存在局限性,特别是在寒地水稻病斑位置识别方面。为此,提出了一种改进型轻量级深度学习网络模型,建立了一个包含5种常见寒地水稻叶部病害图像的数据集,并构建了病害分类和病斑目标检测网络模型;将图像分类网络嵌入YOLOv3目标检测网络中,并对模型的特征提取部分进行了优化,采用转置卷积和空洞卷积进行上采样和下采样;最后,对比了改进后的YOLOv3模型与传统的卷积神经网络模型。实验结果表明,病害分类模型在各项指标上均表现出色,平均召回率、平均精度、平均F1-Score和总体准确率分别为93.64%、93.74%、93.77%和93.64%。改进后的YOLOv3模型在病斑检测方面也表现出色,平均检测精度mAP达到89.79%,检测率DR达到94.94%,检测速度FPS达到64.9,综合性能明显优于传统的YOLOv3算法,为水稻病害的准确快速识别提供了新途径,对水稻病害的监测和防治具有重要意义。