基于U-Net网络和无人机影像的松材线虫病变色木识别

文献类型： 中文期刊

第一作者： 张瑞瑞

作者： 张瑞瑞;夏浪;陈立平;谢春春;陈梅香;王维佳

作者机构：

关键词： 无人机;图像处理;病害;松材线虫;变色木;图像分割

期刊名称： 农业工程学报

ISSN： 1002-6819

年卷期： 2020 年 36 卷 12 期

页码： 61-68

收录情况： EI ; 北大核心 ; CSCD

摘要： 松材线虫病是由松墨天牛等媒介昆虫快速传播的一种针对松树的毁灭性流行病。及时对染病变色木进行识别、定位,并砍伐清除是当前控制该病扩散蔓延的主要手段。该研究使用无人机航拍获取大区域染病松林可见光影像,结合深度学习分割网络U-Net开展染病松材变色木图像分割研究。使用制作的样本数据训练U-Net网络,得到训练精度和验证精度分别为98.74%和97.76%。使用混淆矩阵评估U-Net网络分割精度,表明变色木图像分割的用户精度和生产者精度分别达到93.51%和97.30%,误报率6.49%,漏报率2.70%。总体上,U-Net网络变色木识别精度95.17%,Kappa系数0.90,达到较高精度。U-Net分割网络运用于松材线虫病变色木图像识别较随机森林方法能更有效地降低误报,减少分割噪音。

分类号： S763.18`TP751

  • 相关文献

[1]图像处理技术在提取玉米图像骨架上的应用. 刘洪见,郑丽敏,曾爱平. 2007

[2]基于HSV空间颜色直方图的油菜叶片缺素诊断. 张凯兵,章爱群,李春生. 2016

[3]基于K均值聚类和开闭交替滤波的黄瓜叶片水滴荧光图像分割. 杨信廷,孙文娟,李明,陈梅香,明楠,韩佳伟,李文勇,陈明. 2016

[4]基于全景图像的玉米果穗流水线考种方法及系统. 杜建军,郭新宇,王传宇,肖伯祥. 2018

[5]基于时间序列图像的玉米植株干旱胁迫表型检测方法. 王传宇,郭新宇,杜建军,温维亮,吴升. 2016

[6]基于深度学习的无人机影像玉米倒伏区域提取. 郑二功,田迎芳,陈涛. 2018

[7]基于SVM的高粱叶片病斑图像自动分割提取方法研究. 白文斌,白帆,贺文文,王伟仁,程彦俊,刘璋. 2014

[8]基于深度卷积神经网络的红树林物种无人机监测研究. 黄亦其,刘琪,赵建晔,黄文善,孙中宇,乔曦. 2020

[9]基于无人机的高光谱遥感图像采集和处理技术研究. 陈智虎,童倩倩,赵泽英,岳延滨. 2019

[10]无人机机载激光雷达提取果树单木树冠信息. 陈日强,李长春,杨贵军,杨浩,徐波,杨小冬,朱耀辉,雷蕾,张成健,董震. 2020

[11]基于小型无人机遥感的玉米倒伏面积提取. 陈仲新,王利民,刘佳,周清波. 2014

[12]基于无人机采集的视觉与光谱图像预测棉花产量（英文）. 张美娜,冯爱晶,周建峰,吕晓兰. 2019

[13]改进Multi-scale ResNet的蔬菜叶部病害识别. 王春山,周冀,吴华瑞,滕桂法,赵春江,李久熙. 2020

[14]基于深度卷积神经网络的水稻穗瘟病检测方法. 黄双萍,孙超,齐龙,马旭,汪文娟. 2017

[15]基于最优二叉树支持向量机的蜜柚叶部病害识别. 张建华,孔繁涛,李哲敏,吴建寨,陈威,王盛威,朱孟帅. 2014

[16]基于近地成像光谱的小麦全蚀病等级监测. 师越,司海平,吴旭,郭伟,时雷,马新明,周益林. 2014

[17]基于高光谱成像的水稻穗瘟病害程度分级方法. 黄双萍,齐龙,马旭,薛昆南,汪文娟. 2015

[18]基于无人机多光谱影像的病害棉田产量损失估算. 宋勇,陈兵,王琼,王静,赵静,孙乐鑫,陈子杰,韩焕勇,王方永,傅积海. 2022

[19]小麦主要病害遥感监测研究进展. 贺佳,郝瑞,任淑芳. 2024

[20]深度语义分割网络无人机遥感松材线虫病变色木识别. 张瑞瑞,夏浪,陈立平,丁晨琛,郑爱春,胡新苗,伊铜川,陈梅香,陈天恩. 2024

作者其他论文 更多>>

微信小程序