基于迁移学习的三江源地区林草病害识别算法研究

摘要

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.

关键词

林草病害 / 图像识别 / 迁移学习 / YOLOv8 / 三江源地区