多种叶片尺寸图像中水稻病害的自动检测
计算机视觉与模式识别
2022-06-16 v1 人工智能
机器学习
摘要
需要一种快速、准确且经济的水稻病害检测方法来帮助稻农应对设备与专业知识短缺问题。本文聚焦于利用计算机视觉技术从稻田照片图像中检测水稻病害的方案。由于各类环境因素，处理普通农民在实际使用场景中拍摄的图像颇具挑战，而水稻叶片目标尺寸变化是导致性能下降的主要因素之一。为解决该问题，我们提出了一种将 CNN 目标检测与图像分块技术相结合的方法，基于图像中自动估计的水稻叶片宽度尺寸作为划分原始输入图像的尺寸参考。用于估计叶宽的模型由小型 CNN（如 18 层 ResNet 架构模型）创建。生成了具有均匀尺寸目标的新的分块子图像集，并用作训练水稻病害预测模型的输入。我们的技术在 4,960 张涵盖八种不同水稻叶片病害（包括稻瘟病、枯病、褐斑病、窄褐斑病、橙叶病、红条纹病、水稻草状矮缩病毒病和条纹叶枯病）的图像上进行了评估。叶宽预测任务在所有八类上的平均绝对百分比误差 (MAPE) 为 11.18%，表明叶宽预测模型表现良好。基于 YOLOv4 架构的预测性能在采用分块数据集训练与测试时，平均精度均值 (mAP) 从 87.56% 提升至 91.14%。研究表明，所提图像分块技术提高了水稻病害检测效率。
引用
@article{arxiv.2206.07344,
title = {Automatic Detection of Rice Disease in Images of Various Leaf Sizes},
author = {Kantip Kiratiratanapruk and Pitchayagan Temniranrat and Wasin Sinthupinyo and Sanparith Marukatat and Sujin Patarapuwadol},
journal= {arXiv preprint arXiv:2206.07344},
year = {2022}
}
备注
28 pages, 13 figures