基于机器视觉和深度学习的研究,识别棉花苗虫感染水平
Xin Xu1, Jing Shi1, Yongqin Chen1
1College of Information and Management Science, Henan Agricultural University, Zhengzhou, China.
Frontiers in plant science
|August 30, 2023
概括
这项研究介绍了一种基于智能手机的方法,用于监测棉花田中的Aphis gossypii (棉花) 感染情况. YOLOv5模型在早期检测和精确的害虫管理方面表现出卓越的性能.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 虫害管理 虫害管理 虫害管理
背景情况:
- Aphis gossypii (棉花) 是棉花生产中的重要害虫,导致大量的收获损失.
- 准确及时监测棉花虫的感染对于有效的害虫控制策略至关重要.
研究的目的:
- 开发和评估使用智能手机收集的图像进行Aphis gossypii感染监测方法.
- 改善早期预警系统,并为棉花虫爆发提供精确的预防和治疗策略.
主要方法:
- 采集了Aphis gossypii感染图像,使用智能手机创建了一个专门的数据集.
- 构建,训练和测试深度学习模型,包括更快的R-CNN,YOLOv5和SSD用于感染识别.
- 根据平均平均精度 (mAP) 和每秒 (FPS) 评估模型性能,并分析图像分辨率的影响.
主要成果:
- YOLOv5模型实现了最高的mAP (95.7%) 和FPS (61.73).
- YOLOv5s变种在640x640分辨率 (mAP 96.8%,FPS 71.43) 显示出最佳性能,表现优于YOLOv5x和YOLOv8s.
- 移动部署实现了81.0%的精度和6.98 FPS在256x256分辨率.
结论:
- 开发的实时识别系统为Aphis gossypii感染预测提供了有效的技术支持.
- 基于智能手机的图像分析提供了一个可行的解决方案,用于精确有效地监测和管理棉花虫.
