基于YOLOv5-C的广佛手病虫害识别

【目的】为实现复杂背景下广佛手发病早期的病虫害快速精准识别,提出一种基于YOLOv5-C的广佛手病虫害识别方法。【方法】使用YOLOv5s网络模型作为基础网络,通过引入所提出的多尺度特征融合模块,提高网络模型的特征提取与特征融合能力,均衡提高每一类广佛手病虫害的识别准确率;使用注意力机制模块提高网络模型对病虫害目标特征信息的关注度,弱化复杂背景的干扰信息,提高网络模型的识别准确率;利用改进的C3-SC模块替换PANet结构中的C3模块,在不影响网络模型识别性能的条件下减少网络模型的参数。【结果】基于YOLOv5-C的复杂背景下的广佛手病虫害识别,F1分数为90.95%,平均精度均值为93.06%,网络模型大小为14.1 Mb,在GPU上每张图像平均检测时间为0.01 s。与基础网络YOLOv5s相比,平均精度均值提高了2.45个百分点,7个类别识别的平均准确率的标准差由7.14减少为3.13,变异系数由7.88%减少为3.36%。平均精度均值比RetinaNet、SSD、Efficientdet和YOLOv4模型分别高22.30、20.65、4.84和2.36个百分点。【结论】该方法能快速准确地识别复杂背景下广佛手病虫害目标,可为广佛手种植产业的智能化管理提供参考。

基于改进SSD的广佛手病虫害检测方法

[目的]针对广佛手在田间真实环境下病虫害识别较为困难的问题,提出一种基于改进SSD(single shot MultiBox detector)算法——SSD-Res50-3C的广佛手病虫害检测方法。[方法]SSD-Res50-3C算法主干网络部分用ResNet50网络替换原有的VGG16网络,增加模型在田间真实环境下对广佛手病虫害特征的提取能力;在预测特征层之前加入一种轻量高效的特征融合模块提升SSD算法的多尺度特征融合能力,进一步提高SSD算法在田间真实环境下的抗干扰能力。[结果]SSD-Res50-3C算法平均精度均值达到92.86%,相较原始的SSD算法提升6.61%,FPS(frames per second)达到64.1。相比YOLO v3、YOLO v4、YOLO v5x6、Faster R-CNN和EfficientDet-D3模型,SSD-Res50-3C算法的平均精度均值分别高6.41%、2.01%、0.79%、0.58%和5.10%,FPS分别高16.20、40.280、24.40、36.20和54.84。[结论]基于改进SSD算法的广佛手病虫害检测方法能够弱化田间真实环境的干扰信息,能准确识别田间真实环境下广佛手病虫害目标,可为田间真实环境下广佛手病虫害检测提供一种新思路。

基于多光谱和气象参数的菜心水分胁迫指数反演

作物水分胁迫指数(Crop Water Stress Index,CWSI)的监测对掌握作物的水分状况、指导灌溉具有重要意义。该研究以菜心为试验对象,测量了不同土壤水分条件下的冠层温度,采集了空气温度、相对湿度、风速、光合有效辐射和4个波段(450、650、808、940 nm)的光谱反射图像,并计算了归一化植被指数(Normalized Difference Vegetation Index,NDVI)、差值植被指数(Difference Vegetation Index,DVI)、再归一化差值植被指数(Re-Difference Vegetation Index,RDVI)和转换型土壤调整指数(Optimized Soil-Adjusted Vegetation Index,OSAVI)等,通过支持向量回归(Support Vector Regression,SVR)分别构建了CWSI上基线、CWSI下基线和冠层温度的反演模型。结果表明,菜心在450和650 nm的冠层光谱反射率在0~0.1之间,在808和940 nm的反射率较高,在0.4~0.6之间,当菜心由营养生长阶段进入生殖生长阶段,808和940 nm的反射率有所上升。植被指数能反映菜心的生长状态和植被覆盖度,随着冠层温度的升高,NDVI、DVI、RDVI上升,OSAVI下降;而同一个水分处理组在不同生长期的植被指数有明显的差异,生殖生长期的植被指数变化范围小于营养生长期。结果表明,使用空气温度、相对湿度、风速、光合有效辐射反演CWSI上、下基线具有可行性,决定系数均大于0.75;使用植被指数反演菜心在两个生长期的冠层温度具有较好精度,决定系数均大于0.7。基于反演值计算的CWSI与基于测量值计算的CWSI有较好的相关性,决定系数为0.70;CWSI与气孔导度是负相关的关系,决定系数为0.53。该研究应用气象参数反演CWSI上基线和CWSI下基线,利用植被指数反演冠层温度,基于SVR的模型反演值达到了一定的拟合效果,为实现菜心水分胁迫指数的光谱监测提供支持。