基于FREW-DT的玉米叶片病害检测

引言

玉米作为国家粮食安全的战略农作物，扮演重要角色。然而气候变暖导致病害频发，科技赋能现代农业体系日益重要。

最初国内外研究人员主要依靠传统的机器学习［1］算法识别、检测目标［2］。随着计算机技术的发展，深度学习算法的应用逐渐广泛［3］。孙俊团队［4］在MobileNetV2中构建了协调注意力机制，通过改进位置敏感特征并结合多尺度特征，在复杂背景下农作物病害识别的准确率达到92.2%，模型参数数量减少了76%。Liu等人［5］通过迁移学习策略将MobileNetV2嵌入YOLOv3，在番茄灰腐病的识别中精度达到94.3%。

现有主流模型在复杂农田背景下，对小尺寸、形态不规则的玉米病斑存在漏检率高、精度不足、速度与轻量化难以兼顾等问题。玉米叶片病害在叶片中所占面积较小，背景复杂，为了实现复杂背景下玉米叶片病害便携、精准地检测，本研究提出一种改进的RTDETR［6］玉米叶片病害检测模型，通过改进主干网络、颈部网络并引入注意力机制，提高模型的检测精度，为现代农业高质量发展助力。

本文详细内容请下载：

https://www.chinaaet.com/resource/share/2000007198

投稿邮箱：ICAPP@belling.com.cn

作者信息：

卢志强，孙俊，彭逸飞，高锦烨

(江苏大学电气信息工程学院，江苏镇江212013)