基本信息来源于合作网站,原文需代理用户跳转至来源网站获取       
摘要:
为了快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,利用深度学习网络U-net来对人工标记好的发病麦穗图像进行训练.通过深度学习数据集的构建与测试,建立了基于RGB图像和改进U-net网络模型的小麦赤霉病识别与监测模型,并对模型识别结果进行了验证.结果 表明,U-net可以很好地提取图像波段信息,但对于比较复杂的麦穗图像,在使用Keras方法进行图像语义分割时,需要对U-net网络结构进行改进,即在下采样部分加入Dropout层.与人工标记结果相比,模型识别结果的一致性较好,具有较高的监测精度.该模型平均精度为0.9694,损失函数值为0.0759,平均交并比MIoU为0.799.上述结果说明改进的U-net模型可以很好地识别和监测小麦图像中的发病麦穗,并在发病麦穗的分割上具有很好的效果.
推荐文章
小麦赤霉病的识别与防治
小麦赤霉病
症状
防治
小麦赤霉病的危害识别与发生规律
小麦
赤霉病
发生
防治
小麦赤霉病发生特点及防治对策
小麦赤霉病
防治对策
安徽凤阳
小麦赤霉病防治技术
小麦
赤霉病
发生
防治
内容分析
关键词云
关键词热度
相关文献总数  
(/次)
(/年)
文献信息
篇名 基于图像和改进U-net模型的小麦赤霉病穗识别
来源期刊 麦类作物学报 学科 农学
关键词 小麦 赤霉病 U-net模型 深度学习 图像识别
年,卷(期) 2021,(11) 所属期刊栏目 生理、生态与栽培|Physiology ,Ecology and Cultivation
研究方向 页码范围 1432-1440
页数 9页 分类号 S512.1|S314
字数 语种 中文
DOI 10.7606/j.issn.1009-1041.2021.11.14
五维指标
传播情况
(/次)
(/年)
引文网络
引文网络
二级参考文献  (0)
共引文献  (0)
参考文献  (0)
节点文献
引证文献  (0)
同被引文献  (0)
二级引证文献  (0)
2021(0)
  • 参考文献(0)
  • 二级参考文献(0)
  • 引证文献(0)
  • 二级引证文献(0)
研究主题发展历程
节点文献
小麦
赤霉病
U-net模型
深度学习
图像识别
研究起点
研究来源
研究分支
研究去脉
引文网络交叉学科
相关学者/机构
期刊影响力
麦类作物学报
月刊
1009-1041
61-1359/S
大16开
陕西杨陵邰城路3号
52-66
1981
chi
出版文献量(篇)
4419
总下载数(次)
6
相关基金
国家自然科学基金
英文译名:the National Natural Science Foundation of China
官方网址:http://www.nsfc.gov.cn/
项目类型:青年科学基金项目(面上项目)
学科类型:数理科学
论文1v1指导