无人机低空遥感结合YOLOv7快速评估水稻穗颈瘟抗性

TP751.2; 为解决传统水稻稻瘟病抗性评估手段单一、效率低的问题,该研究提出一种无人机低空遥感技术结合YOLOv7模型的水稻穗颈瘟抗性鉴定方法.首先,将标注区域分割成小尺寸图像(≤1240×1 240像素),将小尺寸图像进行旋转、缩放、平移、剪切和改变对比度处理.经数据清洗,去除分辨率过低的图像,扩充样本数量,以提高数据多样性.然后,将压缩注意力机制(squeeze-excitation attention)和可变形卷积(deformable convolution)引入YOLOv7模型,自适应调整感受野,以提升捕捉穗颈瘟病斑细粒度特征的能力.最后,构建穗颈瘟检测的YOLOv7_Neckb...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 21; pp. 110 - 118
Main Authors 翁海勇, 姚越, 黄德耀, 张玉婷, 程组锌, 叶大鹏, 吴仁烨
Format Journal Article
LanguageChinese
Published 福建农林大学机电工程学院,福州 350002 01.11.2024
福建农林大学未来技术学院,福州 350002%福建农林大学未来技术学院,福州 350002%福建农林大学机电工程学院,福州 350002%福建农林大学农学院,福州 350002
Subjects
穗颈瘟
resistance evaluation
unmanned aerial vehicle
low altitude remote sensing
YOLOv7_Neckblast模型
抗性评估
neck blast
无人机
model of YOLOv7_Neckblast
水稻
低空遥感
rice
Online AccessGet full text

Cover

More Information
Summary:TP751.2; 为解决传统水稻稻瘟病抗性评估手段单一、效率低的问题,该研究提出一种无人机低空遥感技术结合YOLOv7模型的水稻穗颈瘟抗性鉴定方法.首先,将标注区域分割成小尺寸图像(≤1240×1 240像素),将小尺寸图像进行旋转、缩放、平移、剪切和改变对比度处理.经数据清洗,去除分辨率过低的图像,扩充样本数量,以提高数据多样性.然后,将压缩注意力机制(squeeze-excitation attention)和可变形卷积(deformable convolution)引入YOLOv7模型,自适应调整感受野,以提升捕捉穗颈瘟病斑细粒度特征的能力.最后,构建穗颈瘟检测的YOLOv7_Neckblast模型.研究结果表明,YOLOv7_Neckblast能够有效检测穗颈瘟,计算出15个品种的穗颈瘟发病率和病害等级(1、3、5、7和9级的水稻品种分别有4、4、3、2和2个).在交并比阈值为0.5时,YOLOv7_Neckblast平均精度均值相较于YOLOv7、FCOS和RetinaNet分别提升了 4.0、6.4和5.8个百分点,召回率和F1值分别提高了至少4.0和4.0个百分点,且浮点计算数和参数量最低.与育种专家判定的实际抗性水平相比,YOLOv7_Neckblast模型对15个水稻品种的穗颈瘟抗性水平的平均评估准确率为86.67％,能较好地实现不同水稻品种穗颈瘟抗性的区分.无人机低空遥感融合人工智能技术可用于水稻黄熟期育种中穗颈瘟抗性的评估,也可为其他作物优势品种的选育提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202405029