陈宏冠;李家叶;汪孟尧;白露超;方序鸿;于兵;三江源地区作为我国重要的水源生态涵养区,其林草病害研究对保障生态可持续发展具有重要意义.然而,该地区地形复杂多样、野外观测数据匮乏、研究基础薄弱,制约了林草病害识别技术的发展.本研究旨在通过采集大规模野外数据,研发一种基于YOLOv8n-cls的迁移学习模型,以实现三江源地区林草病害的快速精准识别.研究团队自主开发林草病害图像采集APP,在青海省班玛县莲花林区等19个林区,针对16种林草病害及48类相关植物,系统采集了10 344张原始图片,进而构建包含4 048张224×224像素标准化图像的数据集,涵盖锈病、漆斑病、叶斑病、白粉病等12类常见病害.为提升识别精度,本研究以YOLOv8n-cls模型为基础,结合迁移学习策略,利用COCO128数据集预训练权重,通过调整全连接层输出结构实现类别概率映射,并采用Adam优化器和自适应学习率策略优化模型参数.为验证迁移学习效果,本研究以ResNet-152预训练模型为基准,在统一实验条件下进行对比分析.结果表明,基于YOLOv8n-cls的迁移学习模型在测试集上的宏平均识别精度达0.96,较ResNet-152模型(宏平均值0.95)提升1%,且大部分病害类别的识别精度超过93.33%.该模型展现出计算效率高、识别精度高的优势,为构建三江源地区生态安全监测体系提供了关键技术支撑.
2026年01期 v.42;No.165 1-12页 [查看摘要][在线阅读][下载 2102K] [下载次数:134 ] |[引用频次:0 ] |[阅读次数:0 ]