基于红外热成像和机器学习的作物早期病害识别研究进展

作物的早期病害检测作为针对性的防治手段已经成为智慧农业在病害方面的趋势,实现作物早期病害检测可以做到早发现,早治疗,减少作物农药使用,提高作物品质,减少经济损失。首先介绍作物病害的机制和红外热成像原理,发现红外热成像技术可以进行作物早期病害的检测;其次介绍红外热成像和机器学习的工作原理,综合概述国内外机器学习和红外热成像技术在病害识别领域的研究现状;分析红外热图像的缺点并使用机器学习进行改进,综述机器学习应用于处理红外热图像和红外热成像技术与机器学习相结合应用于作物病害的国内外现状,发现机器学习对红外热图像的缺点有着改进作用,还发现通过两种技术结合使用可以结合两者的优点进行更快更早的作物病害检测;最后通过分析现有研究成果,讨论现存的问题并提出相应的解决方法,对未来的研究趋势进行展望。

基于红外热成像和改进YOLO v5的作物病害早期识别

为实现作物病害早期识别,本文提出一种基于红外热成像和改进YOLO v5的作物病害早期检测模型,以CSPD-arknet为主干特征提取网络,YOLO v5 stride-2卷积替换为SPD-Conv模块,分别为主干网络中的5个stride-2卷积层和Neck中的2个stride-2卷积层,可以提高其准确性,同时保持相同级别的参数大小,并向下阶段输出3个不同尺度的特征层;为增强建模通道之间的相互依赖性,自适应地重新校准通道特征响应,引入SE机制提升特征提取能力;为减少模型计算量,提高模型速度,引入SPPF。经测试,改进后YOLO v5网络检测性能最佳,mAP为95.7%,相比YOLO v3、YOLO v4、SSD和YOLO v5网络分别提高4.7、8.8、19.0、3.5个百分点。改进后模型相比改进前对不同温度梯度下的作物病害检测也有提高,5个梯度mAP分别为91.0%、91.6%、90.4%、92.6%和94.0%,分别高于改进前3.6、1.5、7.2、0.6、0.9个百分点。改进YOLO v5网络内存占用量为13.755 MB,低于改进前基础模型3.687 MB。结果表明,改进YOLO v5可以准确快速地实现病害早期检测。