基于改进YOLOv3模型的玉米叶片病虫害检测与识别研究

TP391.41%TP183%S432; [目的]本文针对传统农作物叶片病虫害识别模型YOLOv3存在的检测实时性与鲁棒性差以及漏检率高的问题,提出了一种改进的玉米叶片病虫害检测模型——YOLOv3-Corn.[方法]该模型采用Darknet-53作为特征提取网络,将网络输出的8倍特征图与新加入的4倍下采样特征图进行拼接,建立了104?104尺度的检测层;在前期构建的包含6个类别玉米常见病虫害数据集中,利用K-means++聚类算法选取12个先验框并分别匹配到4个不同尺度的检测层中进行目标识别.[结果]在YOLOv3系列模型中,YOLOv3-Corn模型的检测精度均值(mAP)、召回率(Rec...

Full description

Saved in:
Bibliographic Details
Published in南京农业大学学报 Vol. 45; no. 6; pp. 1276 - 1285
Main Authors 徐会杰, 黄仪龙, 刘曼
Format Journal Article
LanguageChinese
Published 河南科技大学管理学院,河南 洛阳471023%河南科技大学信息工程学院,河南 洛阳471023 2022
Subjects
玉米叶片
YOLOv3模型
病虫害检测
Darknet-53
目标检测
Online AccessGet full text
ISSN1000-2030
DOI10.7685/jnau.202110039

Cover

More Information
Summary:TP391.41%TP183%S432; [目的]本文针对传统农作物叶片病虫害识别模型YOLOv3存在的检测实时性与鲁棒性差以及漏检率高的问题,提出了一种改进的玉米叶片病虫害检测模型——YOLOv3-Corn.[方法]该模型采用Darknet-53作为特征提取网络,将网络输出的8倍特征图与新加入的4倍下采样特征图进行拼接,建立了104?104尺度的检测层;在前期构建的包含6个类别玉米常见病虫害数据集中,利用K-means++聚类算法选取12个先验框并分别匹配到4个不同尺度的检测层中进行目标识别.[结果]在YOLOv3系列模型中,YOLOv3-Corn模型的检测精度均值(mAP)、召回率(Recall)达到了93.31％和93.08％,与YOLOv3模型相比分别提高了4.03％和9.78％.在非YOLO系列模型中,YOLOv3-Corn模型平衡了Faster R-CNN模型的检测速度不足和RetinaNet模型的召回率、精确度不足的问题.[结论]在保证提取相同特征参数、检测时效性好的前提下,YOLOv3-Corn模型有效提高了识别精度.
ISSN:1000-2030
DOI:10.7685/jnau.202110039