CN116597201A - 一种棉花苗蚜危害快速识别方法 - Google Patents
一种棉花苗蚜危害快速识别方法 Download PDFInfo
- Publication number
- CN116597201A CN116597201A CN202310517128.4A CN202310517128A CN116597201A CN 116597201 A CN116597201 A CN 116597201A CN 202310517128 A CN202310517128 A CN 202310517128A CN 116597201 A CN116597201 A CN 116597201A
- Authority
- CN
- China
- Prior art keywords
- cotton
- image
- model
- level
- aphid
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 229920000742 Cotton Polymers 0.000 title claims abstract description 45
- 241000219146 Gossypium Species 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000006378 damage Effects 0.000 title claims abstract description 15
- 241001124076 Aphididae Species 0.000 title claims abstract description 12
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 241001600408 Aphis gossypii Species 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims description 24
- 238000001514 detection method Methods 0.000 claims description 14
- 238000005286 illumination Methods 0.000 claims description 5
- 240000002024 Gossypium herbaceum Species 0.000 claims description 4
- 235000004341 Gossypium herbaceum Nutrition 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 239000002689 soil Substances 0.000 claims description 4
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 241000607479 Yersinia pestis Species 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 231100001267 hazard identification Toxicity 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- HPTJABJPZMULFH-UHFFFAOYSA-N 12-[(Cyclohexylcarbamoyl)amino]dodecanoic acid Chemical group OC(=O)CCCCCCCCCCCNC(=O)NC1CCCCC1 HPTJABJPZMULFH-UHFFFAOYSA-N 0.000 description 1
- 241000449794 Alabama argillacea Species 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 241000353097 Molva molva Species 0.000 description 1
- 241000276498 Pollachius virens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000003337 fertilizer Substances 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 230000002262 irrigation Effects 0.000 description 1
- 238000003973 irrigation Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000575 pesticide Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种棉花苗蚜危害快速识别方法;通过使用智能手机快速获取田间环境遭受棉蚜侵害的图像,对数据进行标注,构建4类数据集:0级、1级、2级和3级,在此基础上构建基于Faster R‑CNN、YOLOv5和SSD三种不同的棉蚜危害识别模型,对三种模型的测试结果进行对比与分析,选择最优的棉蚜危害程度识别模型,为棉蚜危害监测提供一种快捷、方便、低成本的监测方法。
Description
技术领域
本发明涉及棉蚜识别技术领域,具体涉及一种棉花苗蚜危害快速识别方法。
背景技术
棉花是我国重要的经济作物,主要产区在新疆。2021年棉花种植面积2506.1千公顷,占我国植棉面积的82.8%;单位面积产量2046.4公斤/公顷;总产量为512.9万吨,占我国总产量的89.5%。棉蚜是棉花生长的重要害虫之一,棉蚜的发生导致棉花减产约15%~30%,严重时可绝收;
棉蚜是棉花生产中的重要害虫,目前调查仍以人工方式为主,该方法主要通过人工进行现场检查、测量、统计和辨识,费时费力、效率低下,而且主观性强、误判率高、实时性差。为快速准确识别棉蚜危害及其等级,迫切需要探究实时无损的棉蚜危害识别方法;
发明内容
本发明提出一种棉花苗蚜危害快速识别方法,以解决现有的技术问题。
本发明的技术方案是这样实现的:一种棉花苗蚜危害快速识别方法;其特征在于:所述方法包括以下步骤:
步骤一、数据采集,在晴天且光照强度较弱时采集棉花图像数据,通过智能手机快速获取田间环境遭受棉蚜侵害的图像;
步骤二、图像处理,将步骤一中采集的原始图像输入模型进行裁剪,去掉图像中土壤及与棉花图像无关的冗余信息后,调整图像格式大小获取处理后的棉花图像;
步骤三、数据集构建,依据棉蚜危害分级标准选择LabelImg图像标注工具对处理后的棉花图像进行标注,构建4类数据集即:0级、1级、2级和3级;
步骤四、模型构建,使用步骤三标注后的同一个数据集将图像进行统一设定后构建Faster R-CNN、YOLOv5以及SSD三种目标检测模型;
步骤五、对比与分析,用测试集对三种模型进行测试评估后;对三种模型的测试结果进行对比与分析,选择最优的棉蚜危害程度识别模型实现棉蚜危害等级的快速识别。
所述方法步骤二还包括将棉花图像裁剪至3000x3000,然后将图像分辨率统一调整到1024x1024;
步骤三所述的标注采用矩形框对棉花图像进行标注,按分级标准将棉花植株中心区域的叶片根据其不同形态特征标注为0级,1级,2级和3级,生成注释文件以PASCAL VOC格式保存为XML文件。
步骤四还包括,使用同一个数据集,在训练前统一将图像分辨率设为512x512,学习率设为0.0005,迭代轮数设为300轮,每次迭代的Batch Size设为16,保存训练模型,然后用测试集对模型进行测试评估,得到的三个模型测试的平均精度AP、平均精度均值mAP以及FPS。
本发明通过采集棉蚜危害图像,构建棉蚜危害数据集,然后基于Faster R-CNN、YOLOv5和SSD构建三类不同棉蚜危害识别模型并进行训练测试,在相同的图像分辨率、学习率、迭代轮数以及每次迭代的Batch Size下,YOLOv5模型mAP值最高,为95.7%。
本发明的有益效果在于提供了一种棉花苗蚜危害快速识别方法,通过对三种模型的测试结果进行对比与分析,选择最优的棉蚜危害程度识别模型,为棉蚜危害监测提供一种快捷、方便、低成本的监测方法。
附图说明
图1为采集图像示例;
图2为Faster R-CNN模型结构;
图3为YOLOv5模型结构;
图4为SSD模型结构;
图5不同图像分辨率的YOLOv5x模型训练结果;
图6不同图像分辨率的YOLOv5s模型训练结果。
具体实施方式
为了便于本领域技术人员的理解,下面结合实施例对本发明作进一步的说明,实施方式提及的内容并非对本发明的限定。
数据样品采集来源于2018、2019以及2022年中国农业科学院植物保护研究所库尔勒试验站,该试验站位于中国新疆巴音郭楞蒙古自治州库尔勒市和什力克乡,该地区位于新疆中部、塔里木盆地东北边缘,北倚天山支脉,南临塔克拉玛干沙漠。棉花是当地的主要种植作物,规模大且种植结构简单。棉蚜是该地区的主要棉花虫害,发生盛期在6月下旬至7月上旬;数据采集选择田间棉蚜发生严重的试验小区。试验期间不施任何抑制棉蚜生长的农药。供试的棉花是中国农业科学院植物保护研究所棉虫组的试验品种中棉所49和新陆中66号,4月中下旬播种,采用覆膜栽培模式,膜上点播,水肥管理通过膜下滴灌正常进行;
2018、2019年的采集日期在6月下旬至7月中旬,2022年的采集日期在6月上旬至7月上旬,采集均在晴天且光照强度较弱时进行,避免光照太强导致图像曝光。为让模型训练时可以学习到更多特征的棉蚜危害,本试验选择使用多种智能手机来采集棉花图像。2018、2019年的数据采集在HUAWEI Nova、OnePlus7pro、iPhone 8Plus和Mi Note3上进行,2022年的数据采集在iPhone 8Plus、iPhone 12、iPhone13、iPhone XR、和Redmi 5Plus上进行。图像采集方式是垂直拍摄。拍摄人员手持移动设备,站立在棉花植株旁边,在1.2-1.5米的高空垂直拍摄棉花苗期图像。
实施例1
一种棉花苗蚜危害快速识别方法,首先进行数据采集,在晴天且光照强度较弱时采集棉花图像数据,通过采用HUAWEI Nova、OnePlus7pro、iPhone 8Plus和Mi Note 3、iPhone 8Plus、iPhone12、iPhone 13、iPhone XR、和Redmi 5Plus智能手机快速获取田间环境遭受棉蚜侵害的图像;数据采集特征总结见表1;
表1数据采集特征总结
去掉图像中土壤等冗余信息,防止土壤和农作物背景等对目标检测造成干扰,对原始图像进行裁剪,从原始棉花图像中心点出发,将图像裁剪至3000x3000,然后将图像分辨率统一调整到1024x1024,选择LabelImg图像标注工具进行标注;采集的图像示例见图1;参照棉蚜危害分级标准分级标准如表2;由于棉花苗期的叶片遭受危害的程度很少能够达到4级,为避免数据集的严重不均衡,在进行数据标注时将个别4级归类为3级;标注采用矩形框对棉花图像进行标注,按照表2的分级标准,将棉花植株中心区域的叶片根据其不同形态特征标注为0级,1级,2级和3级,生成的注释文件都以PASCAL VOC格式保存为XML文件;标注的图像中包含了2018、2019年各个采集设备采集的图像,共计标注了3051张中棉所49的棉花图像,包含HUAWEI Nova的295张,OnePlus7pro的1237张,iPhone 8Plus的1270张以及Mi Note 3的249张。
表2棉蚜危害分级标准(GB22101.2-2009-T)
为平衡标签数量,又对iPhone 8Plus中的188张以及Mi Note 3中的151张已标注图像进行了左右翻转操作,最终得到3390张标注图像。再经过上下翻转、添加高斯噪声以及改变图像明亮度等数据增强后,图像数量为16950张,以此16950张标注图像作为本试验的数据集,数据集先按9:1的比例划分为训练验证集和测试集,再按9:1的比例将训练验证集分为训练集和验证集,最终的训练集为13729张,验证集为1526张,测试集为1695张,各个级别的标签数量为:0级10554个,1级10854个,2级11066个,3级11025个;
在构建模型的基础上,硬件环境为Graphics Processor:NVIDIA A100-PCIE-40GB;CUDA Cores:6912;Total Memory:40960MB;Memory Interface:5120-bit,软件环境为PyCharm(2020.3,JetBrains,Prague,Czech);Linux(Ubuntu 20.04.4LTS,LinusBenedict Torvalds,Helsinki,Suomi);Python(Python3.8.12,Python SoftwareFoundation,State of Delaware,USA);
PyTorch(PyTorch1.10.2or PyTorch1.10.0+CUDA11.3,Facebook AI Research,California,USA);Android studio(2021.2.1,Google,California,USA);
使用标注后的同一个数据集将图像进行统一设定后构建Faster R-CNN、YOLOv5以及SSD三种目标检测模型;
Faster R-CNN模型结构如图2所示;首先利用特征提取网络提取输入的棉花图像的特征图,该特征图被后续的候选区域网络(Region proposal networks,RPN)与Fast R-CNN网络共享;RPN网络通过Softmax分类器执行二分类任务,判断锚点属于前景还是背景,并通过锚点回归得到候选框位置;Fast R-CNN综合特征图和候选框的信息,判别前景所属类别,并生成最终检测框的精确位置;
YOLOv5模型结构如图3所示。该模型网络结构按照处理阶段分为Input、Backbone、Neck和Prediction 4个部分;其中,Input部分完成数据增强、自适应图片缩放、锚框计算等基本处理任务;Backbone部分作为主干网络,使用CSP结构提取出输入样本中的主要信息,以供后续阶段使用;Neck部分使用FPN及PAN结构,利用Backbone部分提取到的信息,加强特征融合;Prediction部分做出预测并计算出各损失值;YOLOv5有s、m、l、x4种模型样式,它们具有一样的网络结构,只是模型的深度和宽度不一样。
SSD模型结构如图4所示。该模型将棉花图像输入主干网络,可从预训练好的基础网络中获得大小不同的特征图,同时将大小不同的Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2、Conv11_2这6个卷积层的特征图输出。由这些特征图的每个像素点分别构造出6个不同长宽比例的默认候选框,然后分别进行检测和分类,生成多个初步符合条件的默认候选框,最后利用非极大值抑制方法筛选出符合要求的候选框,生成最终的检测框集合,即棉蚜危害级别。
本发明采用的目标检测的评价指标有:精确度(Precision),召回率(Recall),准确率(Accuracy),平均精度(Average Precision,AP),平均精度均值(meanAveragePrecision,mAP)以及每秒帧率(Frame Per Second,FPS);
每一个类别都可以根据精确度和召回率绘制一条曲线,AP值就是该曲线下的面积。mAP值就是各类别AP的平均值。目标检测模型的分类和定位能力是其最主要的性能体现,而mAP值是其最直观的表达方式,mAP值越大,表明该模型的精度越高;检测速度代表了目标检测模型的计算性能,用FPS值来体现,FPS值越大,算法模型检测速度越好。
各评价指标计算公式如下所示:
式中,P:精确度,R:召回率,TP:正样本被正确预测为正样本,FP:负样本被错误预测为正样本,FN:正样本被错误预测为负样本,TN:负样本被正确预测为负样本,n:类别数目,frameNum:图像数量,elapsedTime:检测时间。
本发明选择了Faster R-CNN、YOLOv5以及SSD这三种模型,使用同一个数据集,在训练前统一将图像分辨率设为512x512,学习率设为0.0005,迭代轮数设为300轮,每次迭代的Batch Size设为16。保存训练模型,然后用测试集对模型进行测试评估,得到的三个模型测试的平均精度AP、平均精度均值mAP以及FPS,如表3所示:
表3各模型对棉蚜危害级别检测的精度评价
经过三种模型的对比后,发现在图像分辨率为512x512下性能表现最佳的是YOLOv5模型。
实施例2
为验证不同图像分辨率对模型性能影响,选择YOLOv5模型中的s与x这两种模型样式,研究在图像分辨率为1024x1024、640x640、512x512、256x256以及128x128时模型的性能表现;
在实施例1的基础上,使用数据集与三种模型构建时所使用的数据集为同一个,在训练前统一将学习率设为0.0005,迭代轮数设为10000轮,每次迭代的Batch Size设为16,图像分辨率按1024x1024、640x640、512x512、256x256以及128x128逐一设置;在YOLOv5模型中存在一个早停机制,即模型训练了多少迭代轮数后,如果模型效果未提升,就让模型提前停止训练;进一步设置patience参数为100,即在模型训练过程中,若连续100轮内模型效果没有提升就停止训练;保存不同图像分辨率下的训练模型;YOLOv5x与YOLOv5s的训练结果;如图5、图6所示;YOLOv5s模型的收敛速度明显低于YOLOv5x模型。除了YOLOv5x模型中的128x128图像分辨率,YOLOv5s模型的所有图像分辨率的训练轮数都普遍多于YOLOv5x模型;
为进一步研究对比分析不同图像分辨率的YOLOv5模型测试结果;用测试集对各个图像分辨率的训练模型进行测试评估,得到的测试结果如表4所示;
表4不同图像分辨率的YOLOv5模型测试结果对比
从表4中可以发现,在YOLOv5x模型中,当图像分辨率为1024x1024时,模型训练到停止所需时间最长,为141.55小时,测试集的mAP值最高,为95.9%,但FPS值最低,为34.65。当图像分辨率为256x256时,模型训练到停止所需时间最短,为33.48小时,测试集的mAP值最低,为93.7%。当图像分辨率为128x128时,测试集的FPS值最高,为81.22;当图像分辨率为640x640时性能表现是最佳的,因为该图像分辨率的mAP值比mAP值最高的1024x1024图像分辨率低了0.1%,但FPS值却比其高了17.17;
在YOLOv5s模型中,当图像分辨率为640x640时,测试集的mAP值最高,为96.8%。当图像分辨率为128x128时,模型训练到停止所需时间最长,为132.21小时,测试集的mAP值最低,为91.6%,但FPS值最高,为92.32。当图像分辨率为1024x1024时,测试集的FPS值最低,为62.71。当图像分辨率为512x512时,模型训练到停止所需时间最短,为52.16小时;当图像分辨率为640x640时性能表现是最佳的,因为该图像分辨率的FPS值虽不是最高的,但mAP值是最高为96.8%。
对比表4中的YOLOv5x与YOLOv5s模型,发现YOLOv5s模型不管是在mAP值上的表现,还是FPS值上的表现,都比YOLOv5x模型更佳。当图像分辨率为640x640时模型的性能表现最佳mAP值为96.8%,FPS值为71.43。
本发明采用智能手机采集棉花苗期图像,快捷方便;通过构建三种经典的目标检测模型实现棉蚜危害等级的快速识别,三种模型测试后发现YOLOv5模型的性能表现最佳,mAP值比Faster R-CNN和SSD模型分别高8.3%和34.2%,FPS值比Faster R-CNN和SSD模型分别高51.29和54.09,具有更高的精度和更快的检测速度。在此基础上继续研究发现YOLOv5s模型在不同图像分辨率下的综合性能表现比YOLOv5x模型更佳,当图像分辨率为640x640时性能表现最佳。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围。
Claims (5)
1.一种棉花苗蚜危害快速识别方法;其特征在于:所述方法包括以下步骤:
步骤一、数据采集,在晴天且光照强度较弱时采集棉花图像数据,通过智能手机快速获取田间环境遭受棉蚜侵害的图像;
步骤二、图像处理,将步骤一中采集的原始图像输入模型进行裁剪,去掉图像中土壤及与棉花图像无关的冗余信息后,调整图像格式大小获取处理后的棉花图像;
步骤三、数据集构建,依据棉蚜危害分级标准选择LabelImg图像标注工具对处理后的棉花图像进行标注,构建4类数据集即:0级、1级、2级和3级;
步骤四、模型构建,使用步骤三标注后的同一个数据集将图像进行统一设定后构建Faster R-CNN、YOLOv5以及SSD三种目标检测模型;
步骤五、对比与分析,用测试集对三种模型进行测试评估后;对三种模型的测试结果进行对比与分析,选择最优的棉蚜危害程度识别模型实现棉蚜危害等级的快速识别。
2.根据权利要求1所述的一种棉花苗蚜危害快速识别方法,其特征在于:步骤二还包括将棉花图像裁剪至3000x3000,然后将图像分辨率统一调整到1024x1024。
3.根据权利要求1所述的一种棉花苗蚜危害快速识别方法,其特征在于:步骤三所述的标注采用矩形框对棉花图像进行标注,按分级标准将棉花植株中心区域的叶片根据其不同形态特征标注为0级,1级,2级和3级,生成注释文件以PASCAL VOC格式保存为XML文件。
4.根据权利要求1所述的一种棉花苗蚜危害快速识别方法,其特征在于:步骤四还包括,使用同一个数据集,在训练前统一将图像分辨率设为512x512,学习率设为0.0005,迭代轮数设为300轮,每次迭代的Batch Size设为16,保存训练模型,然后用测试集对模型进行测试评估,得到的三个模型测试的平均精度AP、平均精度均值mAP以及FPS。
5.根据权利要求1所述的一种棉花苗蚜危害快速识别方法,其特征在于:所述的步骤五还包括对比与分析YOLOv5模型中的s与x 两种模型样式,在图像分辨率为1024x1024、640x640、512x512、256x256以及128x128时模型的性能表现。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310517128.4A CN116597201A (zh) | 2023-05-09 | 2023-05-09 | 一种棉花苗蚜危害快速识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310517128.4A CN116597201A (zh) | 2023-05-09 | 2023-05-09 | 一种棉花苗蚜危害快速识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116597201A true CN116597201A (zh) | 2023-08-15 |
Family
ID=87605580
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310517128.4A Pending CN116597201A (zh) | 2023-05-09 | 2023-05-09 | 一种棉花苗蚜危害快速识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116597201A (zh) |
-
2023
- 2023-05-09 CN CN202310517128.4A patent/CN116597201A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108647652B (zh) | 一种基于图像分类和目标检测的棉花发育期自动识别方法 | |
CN110717903A (zh) | 一种利用计算机视觉技术进行农作物病害检测的方法 | |
CN111462058B (zh) | 一种水稻有效穗快速检测方法 | |
KR20180057785A (ko) | 영상분석을 통한 어류 개체수 측정 시스템 및 그 측정방법 | |
CN103632157A (zh) | 单株小麦穗部籽粒数计数方法 | |
CN112580671A (zh) | 一种基于深度学习的稻穗多发育期自动检测方法及系统 | |
CN102663396B (zh) | 一种水稻乳熟期自动检测的方法 | |
CN110188657A (zh) | 基于卷曲叶片检测的玉米干旱识别方法 | |
CN115953402A (zh) | 一种基于机器视觉的植株应力应变测量方法及装置 | |
CN114612789A (zh) | 一种通过长时序卫星遥感提取常绿森林林分变化的方法 | |
CN102592118B (zh) | 一种玉米出苗期的自动检测方法 | |
Liang et al. | Plant phenological responses to the warm island effect in the lake group region of the Badain Jaran Desert, northwestern China | |
CN107437262B (zh) | 作物种植面积预警方法和系统 | |
CN113807132B (zh) | 植物生长区域的灌水状态的识别方法、装置和存储介质 | |
CN111583050B (zh) | 融合多尺度遥感影像的农作物病虫害预警方法及系统 | |
CN117197595A (zh) | 基于边缘计算的果树生育期识别方法、装置及管理平台 | |
CN116597201A (zh) | 一种棉花苗蚜危害快速识别方法 | |
CN116702588A (zh) | 一种基于多源数据的风电场关键气象因子预报方法及系统 | |
CN111191543A (zh) | 油菜产量估测方法 | |
CN116258844A (zh) | 一种棉花叶片表型性状快速精准鉴定方法 | |
CN110674453B (zh) | 一种获取棉花叶片丛聚指数的数字图像方法及系统 | |
CN112488230A (zh) | 基于机器学习的作物水分胁迫程度判定方法和装置 | |
CN115761460B (zh) | 大棚房风险识别方法、装置、电子设备及存储介质 | |
CN115019205B (zh) | 一种基于无人机多光谱影像的油菜花期spad和lai估测方法 | |
CN114916336B (zh) | 一种基于棉花顶叶成熟期分类识别的化学打顶方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |