基于DeepLabV3+与U-Net融合的黄瓜叶片病害严重程度分类方法

2024-04-03 23:58:20

1、研究内容

基于深度学习的简单环境下蔬菜病害识别与分割研究取得了一定的成功。然而，在复杂的环境中，图像背景中往往包含与叶片和病斑表示相似的元素，使得识别模型难以分割叶片和病斑。因此，分割精度明显降低，进一步影响疾病严重程度分类的准确性。针对这一问题，本研究在讨论分析DeepLabV3+和U-Net优缺点的同时，提出了在复杂背景下融合DeepLabV3+和U-Net进行黄瓜叶片病害严重程度分类(DUNet)的两阶段模型。在第一阶段，该模型使用DeepLabV3+从复杂的背景中分割叶子。分割后得到的叶子图像作为第二阶段的输入。第二阶段，用U形网对病叶进行切分，得到病斑。最后，计算病害点像素面积与叶片像素面积的比值，从而对病害严重程度进行分类。实验结果表明，该模型能够从复杂背景中逐步分割出叶片和病点，从而完成疾病严重程度分类。叶片分割精度达到93.27%，疾病斑点分割的Dice系数达到0.6914，平均疾病严重程度分类精度达到92.85%。与其他模型相比，本研究提出的模型具有更高的鲁棒性、分割精度和分类精度，为复杂背景下黄瓜叶片病害严重程度的分类提供了重要的思路和方法。

2、研究相关

黄瓜在世界各地被广泛种植。2020年，全球黄瓜种植面积约225万公顷，全球总产量9035万吨。病害是威胁黄瓜产量的重要因素之一。不及时识别和预防黄瓜病害，容易导致黄瓜产量和品质大幅下降，给种植者造成重大经济损失。

因此，快速、准确地识别疾病类型和判断疾病严重程度对于及时实施预防和管理策略至关重要(Ampatzidis et al. 2017;克鲁兹等人2017年)。

传统的疾病识别和严重程度分级方法主要依靠人工操作。这种方法存在劳动强度大、速度慢、主观性强、误判率高等缺点(Cruz et al.

基于DeepLabV3+与U-Net融合的黄瓜叶片病害严重程度分类方法相关推荐

度量相似性数学建模_一种基于粒子群位置更新思想灰狼优化算法的K-Means文本分类方法与流程...
技术特征: 1.一种基于粒子群位置更新思想灰狼优化算法的k-means文本分类方法,其特征在于:包括以下步骤: s1:对文本数据进行预处理,得到预处理后文本数据: s2:采用余弦角度为相似性度量,分别 ...
基于椭圆-最大边缘准则学习的小麦叶片病害及其严重程度识别
A B S T R A C T 快速准确地识别小麦叶片病害及其严重程度,有利于小麦叶片病害的准确防治.以白粉病和条锈病为研究对象,提出了一种基于椭圆-最大边际准则(E-MMC)度量学习的小麦叶片病害及 ...
基于GPDCNN在黄瓜叶片病害鉴定中的应用
实验数据分辨率为2456×2058像素的BM-500GE / BB-500GE数码彩色摄像机用于捕获作物病叶图像.从陕西杨凌农业高新技术产业示范区的黄瓜种植基地,收集了6种常见黄瓜叶病和100种正常 ...
基于DeeplabV3+的语义分割实现
摘要: 当今机器学习不断发展,成为社会的热点新闻,机器学习能在各个领域不断发展并且应用.其中语义分割是研究最为频繁的领域,在深度学习中,由于分割模型的参数量确实是很大,所用到的算法既耗费时间又耗费精力 ...
基于权因子的图像融合
基于权因子的图像融合参见: OpenCV alpha(权因子) 融合举例
毕业设计-基于深度学习的数据融合方法研究
目录前言课题背景和意义实现技术思路一.深度学习概述二.基于深度学习的数据融合方法分类 1.基于深度学习特征提取的数据融合方法 2.基于深度学习融合的数据融合方法 3.基于深度学习全过程的数据 ...
基于 FCCA 的多特征融合的检索方法
论文杂记上一篇主目录下一篇文章结构 1 知识基础 1.1 卷积神经网络 1.2 灰度共生矩阵 1.3 LBP 特征 1.4 特征融合 1.5 典型相关分析算法(CCA) 1.6 Faster- ...
【OpenCV 学习笔记】—— 基于拉普拉斯金字塔的图像融合原理以及C++实现【或许是全网最通俗易懂的讲解】
文章目录一.高斯金字塔 1.1 什么是高斯金字塔 1.2 利用OpenCV求取高斯金字塔二.拉普拉斯金字塔 2.1 什么是拉普拉斯金字塔 2.2 利用 OpenCV求取拉普拉斯金字塔三.基于拉普 ...
帮推|基于深度学习的图像融合方法综述
基于深度学习的图像融合方法综述博主朋友关于图像融合的综述论文基于深度学习的图像融合方法综述已被<中国图象图形学报>正式接收! 极力推荐想要入门图像融合领域的小伙伴下载学习,此外希望在图像 ...

最新文章

热门文章