基于深度学习的三七病害识别方法适应性研究

来源：湖北农业科学杂志2024年第8期北京时间：

作者：何恒, 周平

单位：四川三河职业学院,四川 泸州 646200

摘要：基于深度学习技术,构建SSD、YOLOv5以及同基础网络的Fast RCNN模型（vgg16-Fast R-CNN,darknet53-Fast R-CNN）,对不同条件的三七（Panax notoginseng）圆斑病、灰霉病、白粉病和病毒病进行检测。结果表明,YOLOv5的m权重模型在YOLO各权重模型中表现最佳,准确率为88.62%,召回率为89.59%,F1精度为89.10%,平均精度为83.55%,单幅图像检测时间仅为0.031 s。对比两阶段模型中表现较优的vgg16-Fast R-CNN,准确率、召回率、F1精度、平均精度仅分别降低了1.69个百分点、3.92个百分点、2.78个百分点、3.47个百分点,但单幅图像的检测速度提高了451.4%;对比SSD模型,YOLOv5m的准确率、召回率、F1精度、平均精度分别提高了1.06个百分点、1.32个百分点、1.19个百分点、0.61个百分点,单幅图像的检测速度提高了83.52%。此外通过置信度与鲁棒性试验分析可得,YOLOv5m对于小区域病害检测能力以及复杂环境下的抗干扰能力更强,且更利于在嵌入式设备中部署,符合实时检测三七病害的要求。

关键词：三七（Panaxnotoginseng）,病害检测,YOLOv5,深度学习