文章目录

1 材料与方法

1.1 试验设计

1.2 赤霉病接种

1.3 小麦赤霉病图像的获取

1.4 图像处理

    1.4.1 图像处理软件

    1.4.2 深度学习数据集构建

1.5 U-net网络结构及改进

1.6 U-net模型评价指标

2 结果与分析

2.1 模型训练效果

2.2 模型的损失函数和精度

2.3 U-net 模型监测结果

3 讨 论

4 结 论

文章摘要:为了快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,利用深度学习网络U-net来对人工标记好的发病麦穗图像进行训练。通过深度学习数据集的构建与测试,建立了基于RGB图像和改进U-net网络模型的小麦赤霉病识别与监测模型,并对模型识别结果进行了验证。结果表明,U-net可以很好地提取图像波段信息,但对于比较复杂的麦穗图像,在使用Keras方法进行图像语义分割时,需要对U-net网络结构进行改进,即在下采样部分加入Dropout层。与人工标记结果相比,模型识别结果的一致性较好,具有较高的监测精度。该模型平均精度为0.969 4,损失函数值为0.075 9,平均交并比MIoU为0.799。上述结果说明改进的U-net模型可以很好地识别和监测小麦图像中的发病麦穗,并在发病麦穗的分割上具有很好的效果

文章关键词:小麦,赤霉病,U-net模型,深度学习,图像识别,

项目基金:国家自然科学基金项目(31671615,31701355,31872852),国家重点研发计划项目(2018YFD0300805),