«上一篇/Previous Article|本期目录/Table of Contents|下一篇/Next Article»

《江苏农业科学》[ISSN:1002-1302/CN:32-1214/S]

卷:

第51卷

期数:

2023年第8期

页码:

193-202

栏目:

农业工程与信息技术

出版日期:

2023-04-20

文章信息/Info

Title:

Detection method of cabbage disease based on YOLOX

作者:

马驰¹; 2; 3; 4; 吴华瑞²; 3; 4; 于会山¹

1.聊城大学物理科学与信息工程学院，山东聊城 252000； 2.国家农业信息化工程技术研究中心，北京 100097；3.北京市农林科学院信息技术研究中心，北京 100097； 4.农业农村部数字乡村技术重点实验室，北京 100097

Author(s):

Ma Chi; et al

关键词:

病害检测; 穴盘甘蓝; 多尺度特征融合; 注意力机制; 小目标检测

Keywords:

-

分类号:

S436.35；TP391.41

DOI:

-

文献标志码:

A

摘要:

为实现穴盘甘蓝的智能化管理，针对穴盘甘蓝病害识别存在的光照不均匀、对比度低和待检测目标小等问题，研究了基于深度学习的穴盘甘蓝病害检测算法。该算法结合通道空间注意力机制模块，在特征提取模块对特征信息进行重标定，引导模型关注病害区域特征，抑制背景噪声，降低模型漏检率。并采用自适应多尺度特征融合算法提取穴盘甘蓝病害多尺度特征，充分利用不同尺度特征的语义信息提升小目标的检测精确率。由于算法的检测框定位不准确，在回归损失函数中添加了重叠面积损失、中心点距离损失和宽高损失，对回归任务进行了优化，提高穴盘甘蓝病害预测框定位精度；同时引入变焦损失函数作为分类损失函数，利用权重缩放因子缓解模型训练过程中相似病害类间差距小的问题。结果表明，研究算法对穴盘甘蓝炭疽病、细菌性黑斑病、褐斑病、黑腐病的检测平均精确率分别为97.59%、99.70%、98.69%和97.64%；其平均精度均值达到98.41%，与YOLOX、Faster R-CNN、YOLOv3、SSD、CenterNet算法相比，分别提高了4.96、12.86、18.19、4.71、10.69百分点。

Abstract:

-

参考文献/References:

［1］陈茂春. 甘蓝类蔬菜常见病害的防治［J］. 农村实用技术，2015(10)：36-38.
［2］吕颖华. 3种甘蓝病害的症状识别与防治技术［J］. 乡村科技，2018(21)：108-109.
［3］党满意，孟庆魁，谷芳，等. 基于机器视觉的马铃薯晚疫病快速识别［J］. 农业工程学报，2020，36(2)：193-200.
［4］王献锋，张善文，王震，等. 基于叶片图像和环境信息的黄瓜病害识别方法［J］. 农业工程学报，2014，30(14)：148-153.
［5］Rahamathunnisa U，Nallakaruppan M K，Anith A，et al. Vegetable disease detection using K-means clustering and SVM［C］//2020 6th International Conference on Advanced Computing and Communication Systems (ICACCS). Coimbatore，India：IEEE，2020：1308-1311.
［6］岳有军，刘杰琼，王红君，等. 基于改进YOLOv3模型的苹果树叶片病斑检测［J］. 中国科技论文，2021，16(11)：1202-1208.
［7］Nagaraju M，Chawla P. Systematic review of deep learning techniques in plant disease detection［J］. International Journal of System Assurance Engineering and Management，2020，11(3)：547-560.
［8］吴华瑞. 基于深度残差网络的番茄叶片病害识别方法［J］. 智慧农业，2019，1(4)：42-49.
［9］樊湘鹏，许燕，周建平，等. 基于迁移学习和改进CNN的葡萄叶部病害检测系统［J］. 农业工程学报，2021，37(6)：151-159.
［10］孟亮，郭小燕，杜佳举，等. 一种轻量级CNN农作物病害图像识别模型［J］. 江苏农业学报，2021，37(5)：1143-1150.
［11］Zhang P，Yang L，Li D L. EfficientNet-B4-Ranger：a novel method for greenhouse cucumber disease recognition under natural complex environment［J］. Computers and Electronics in Agriculture，2020，176：105652.
［12］Zhao Y，Sun C D，Xu X，et al. RIC-Net：a plant disease classification model based on the fusion of Inception and residual structure and embedded attention mechanism［J］. Computers and Electronics in Agriculture，2022，193：106644.
［13］杜忠康，房胜，李哲，等. 基于卷积神经网络深度特征融合的番茄叶片病害检测［J］. 中国科技论文，2021，16(7)：701-707.
［14］刘亮希，李金，任丽，等. 早熟牛心甘蓝新品种瑞光春雷［J］. 长江蔬菜，2022(11)：16-17.
［15］Redmon J，Divvala S，Girshick R，et al. You only look once：unified，real-time object detection［C］//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). Las Vegas，NV，USA：IEEE，2016：779-788.
［16］Ge Z，Liu S T，Wang F，et al. YOLOX：exceeding YOLO series in 2021［EB/OL］. (2021-08-06)［2022-10-01］. https：//arxiv.org/abs/2107.08430.
［17］Tan M X，Le Q V. EfficientNet：rethinking model scaling for convolutional neural networks［EB/OL］. (2020-09-11)［2022-10-01］. https：//arxiv.org/abs/1905.11946.
［18］Agarwal M，Gupta S K，Biswas K K. Development of efficient CNN model for tomato crop disease identification［J］. Sustainable Computing：Informatics and Systems，2020，28：100407.
［19］Woo S，Park J，Lee J Y，et al. CBAM：convolutional block attention module［M］//Computer Vision-ECCV 2018.Cham：Springer International Publishing，2018：3-19.
［20］Liu S T，Huang D，Wang Y H. Learning spatial fusion for single-shot object detection［EB/OL］. (2019-11-25)［2022-10-01］. https：//arxiv.org/abs/1911.09516.
［21］Li C，Cao Y N，Peng Y K. Research on automatic driving target detection based on YOLOv5s［J］. Journal of Physics：Conference Series，2022，2171(1)：012047.
［22］Zheng Z H，Wang P，Liu W，et al. Distance-IoU loss：faster and better learning for bounding box regression［J］. Proceedings of the AAAI Conference on Artificial Intelligence，2020，34(7)：12993-13000.
［23］Yang Z M，Wang X L，Li J G. EIoU：an improved vehicle detection algorithm based on VehicleNet neural network［J］. Journal of Physics：Conference Series，2021，1924(1)：012001.

相似文献/References:

[1]邢鹏康,李久朋.基于小样本学习的马铃薯叶片病害检测[J].江苏农业科学,2023,51(15):203.
　Xing Pengkang,et al.Potato leaf disease detection based on small sample learning[J].Jiangsu Agricultural Sciences,2023,51(8):203.

备注/Memo

备注/Memo:

收稿日期：2022-10-18
基金项目：科技创新2030——“新一代人工智能”重大项目(编号：2021ZD0113604)；国家现代农业产业技术体系项目(编号：CARS-23-D07)。
作者简介：马驰(1998—)，男，陕西宝鸡人，硕士研究生，主要从事计算机视觉研究。E-mail：2957899957@qq.com。
通信作者：于会山，教授，主要从事信息与信号处理研究。E-mail：13906350692@163.com。

常用功能

更新日期/Last Update: 2023-04-20