基于YOLOv5s的图像识别,在不同生长阶段的小麦上识别条纹和叶
Qian Jiang1, Hongli Wang1, Zhenyu Sun2
1College of Plant Protection, China Agricultural University, Beijing 100193, China.
Plants (Basel, Switzerland)
|October 26, 2024
概括
准确识别小麦条纹生和叶子生对于作物管理至关重要. 使用YOLOv5s的深度学习模型表明,对所有生长阶段的训练可以提高疾病识别的准确性.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 小麦条纹 (Puccinia striiformis) 和叶 (Puccinia triticina) 显著威胁全球小麦产量.
- 准确及时检测疾病对于有效管理和尽量减少产量损失至关重要.
研究的目的:
- 开发和评估深度学习模型,以识别在不同生长阶段的小麦条纹生和叶.
- 评估小麦生长阶段对基于图像的疾病识别准确性的影响.
主要方法:
- 利用YOLOv5s深度学习模型进行图像处理和疾病识别.
- 经过训练和测试的识别模型,使用不同小麦生长阶段的图像 (播种,茎延长,启动,花朵出现,结合,牛奶发育) 和所有阶段的图像.
- 使用F1评分和平均平均精度 (mAP) 评估模型性能.
主要成果:
- 在个别生长阶段训练的模型对其他阶段的概括性很差,只有牛奶发育阶段模型是例外.
- 小麦生长阶段显著影响了疾病图像识别的准确性.
- 一个在所有生长阶段的图像上训练的模型取得了可接受的识别结果,平均F1分数从64.06%到79.98%不等,mAP从66.55%到82.80%.
结论:
- 在不同的生长阶段训练深度学习模型对于强大的小麦生识别至关重要.
- 开发的模型为基于图像的小麦疾病自动检测提供了基础.
- 这种方法为使用图像分析识别其他植物疾病提供了一个参考.
