| 基于改进YOLOv4模型的茶叶病害识别 |
| |
| 引用本文： | 孙道宗,刘 欢,刘锦源,等. 基于改进YOLOv4模型的茶叶病害识别[J]. 西北农林科技大学学报(自然科学版), 2023, 51(9): 145-154 |
| |
| 作者姓名： | 孙道宗 刘 欢 刘锦源 等 |
| |
| 作者单位： | 华南农业大学 电子工程学院(人工智能学院);广东省农情信息监测工程技术研究中心 |
| |
| 基金项目： | 广东省现代农业关键技术模式集成与示范推广项目（粤财农［2021］37号-200011）；国家自然科学基金项目（31671591，31971797）；广州市科技计划项目（202002030245）；广东省科技专项资金项目（“大专项+任务清单”）（2020020103）；广东省现代农业产业技术体系创新团队建设专项资金项目（2022KJ108）；广东省教育厅特色创新类项目（2019KTSCX013）；2020年广东省科技创新战略专项资金项目（“攀登计划”，pdjh2020a0084）；广东省大学生创新创业项目（S202010564150，202110564042） |
| |
| 摘 要： | 【目的】提出了一种改进的YOLOv4模型，为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量，并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标，在相同的茶叶病害数据集和试验平台中，对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比，改进YOLOv4模型的大小减少了83.2%，对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%，1.7%和1.6%，平均精度均值达到93.85%，图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比，改进YOLOv4模型的平均精度均值分别提高了6.0%，13.7%和3.4%，图像检测速度分别提高了5.5，7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性，所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。
|
| 关 键 词： | 茶白星病；茶云纹叶枯病；茶轮斑病；YOLOv4模型；茶叶病害识别 |
| 收稿时间： | 2022-05-19 |
Recognition of tea diseases based on improved YOLOv4 model |
| |
| SUN Daozong,LIU Huan,LIU Jinyuan,et al. Recognition of tea diseases based on improved YOLOv4 model[J]. Journal of Northwest A&F University（Natural Science Edition）, 2023, 51(9): 145-154 |
| |
| Authors: | SUN Daozong LIU Huan LIU Jinyuan et al |
| |
| Abstract: | |
| |
| Keywords: | tea white scab disease tea cloud leaf blight tea ring spot YOLOv4 model recognition of tea diseases |
|
| 点击此处可从《西北农林科技大学学报(自然科学版)》浏览原始摘要信息 |
|
点击此处可从《西北农林科技大学学报(自然科学版)》下载全文 |
