文献类型： 中文期刊

作者： 廖娟 ¹ ; 刘凯旋 ¹ ; 杨玉青 ¹ ; 严从宽 ¹ ; 张爱芳 ² ; 朱德泉 ¹ ;

作者机构： 1.安徽农业大学工学院

2.安徽省农业科学院植物保护与农产品质量安全研究所

关键词： 水稻病害识别;YOLO v5;跨阶段部分网络融合模块;空间深度转换卷积;轻量化

期刊名称： 农业机械学报

ISSN： 1000-1298

年卷期： 2024 年 008 期

页码： 233-242

收录情况： EI ; 北大核心 ; CSCD

摘要： 针对自然环境下水稻病害识别准确度易受复杂背景干扰、病害类间差异小难以准确识别等问题，以提高水稻病害识别精度并进行模型的有效轻量化为前提，提出了一种水稻病害识别网络模型(RiceDiseaseNet, RDN-YOLO)。以YOLO v5为基本框架，在主干网络的特征提取阶段嵌入跨阶段部分网络融合模块(C2f),增强模型对病害特征的感知能力，并引入空间深度转换卷积(SPDConv),扩展模型的感受野，进一步提升模型对小病斑特征提取能力；在颈部网络嵌入SPDConv结构，并利用轻量级卷积GsConv替换部分标准卷积，提高颈部网络对病害部位的定位和类别信息预测的准确性及推理速度；以穗瘟病、叶瘟病、胡麻斑病、稻曲病和白枯病5种常见水稻病害为研究对象，在自然环境下采集水稻病害图像，制作水稻病害数据集，进行模型训练与测试。实验结果表明，本文模型病害检测精确率高达94.2%,平均精度均值达93.5%,模型参数量为8.1 MB;与YOLO v5、Faster R-CNN、YOLO v7、YOLO v8模型相比，模型参数量略大于YOLO v5,但平均精度均值最高约高12.2个百分点，在一定程度上减轻模型复杂度的同时获得良好的水稻病害识别效果。