基于空地多源信息的猕猴桃果园病虫害检测方法

针对现有检测方式难以大面积准确检测果园单株猕猴桃病虫害信息,且仅凭地面或者遥感数据获取信息不全的问题,通过搭建地面数据采集设备,配合无人机采集遥感图像,从空地两个角度获取了更全面的猕猴桃冠层叶片病虫害信息。选取Pytorch深度学习框架,使用YOLO v5s算法进行病虫害叶片的目标检测。计算单株果树被害率时,通过图像处理统计被害叶片与冠层叶片的像素数来代替数量统计。在冠层像素数计算过程中,对比K-means聚类分析与大津法阈值分割算法,后者用时更少,操作更加简单。最终得到每株果树冠层不同部分的病害率和虫害率,结果表明,该检测模型精确率为99.54%,召回率为99.24%,验证集目标检测和分类损失值均值分别为0.084 69和0.000 83。同时,分别选取无人机和地面病害和虫害数据20个,将检测模型获得的病虫害叶片数量的预测值与人工标注的真实值进行比较,遥感和地面的病害与虫害检测模型的平均绝对值误差分别为3.5、2.5、0.9和0.45。地面数据检测效果好于遥感数据检测效果。本研究可为建立猕猴桃果园病虫害检测系统提供依据,同时为猕猴桃果园的精细化管理提供指导。