深度学习在植物叶部病害检测与识别的研究进展

植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,...     

基于CNN和迁移学习的农作物病害识别方法研究

互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。     

果实目标深度学习识别技术研究进展

机器视觉技术是果实目标识别与定位研究的关键。传统的目标识别算法准确率较低、检测速度较慢,难以满足实际生产的需求。近年来,深度学习方法在果实目标识别与定位任务中表现出了优良的性能。本文从数据集制备与果实目标识别模型两方面进行综述,总结了数据集制备相关的有监督、半监督和无监督3种方法的特点,按照深度学习算法的发展历程,归纳了基于深度学习的果实目标检测和分割技术的常用方法及其实际应用,轻量化模型的研究进展及其应用情况,基于深度学习的果实目标识别技术面临的问题和挑战。最后指出基于深度学习的果实目标识别方法未来发展趋势为：通过弱监督学习来降低模型对数据标签的依赖性,提高轻量化模型的检测速度以实现果实目标的实时准确检测。     

人工智能技术及其在机械设计中的应用与发展趋势

近年来,随着人工智能技术的迅速发展,越来越多的企业及相关机构开始将其应用于机械设计领域。人工智能技术可以通过机器学习和深度学习算法,对机械设计中的大量数据进行处理和分析,并且以通过智能辅助设计工具,对机械设计中的设计流程进行优化。首先系统论述了人工智能关键技术及其发展现状,其次分析了人工智能技术在机械设计中的应用案例,最后总结人工智能技术未来在机械设计中的发展趋势。研究结果旨在为人工智能技术在机械设计中的应用提供技术参考。     

深度学习在杂草识别领域的研究现状与展望

使用深度学习精准识别杂草实现使用农药减量、增效、安全的目标受到研究人员的广泛关注。因此综述近年来国内外使用深度学习算法对不同作物的杂草进行识别检测的研究进展,重点从数据获取、算法选择、优化部分、识别效果等方面总结研究现状,指出其在数据集建立费时费力、田间识别精度低、算法设备部署困难、实时性与准确率不能兼得等方面的问题,并提出解决方案,同时展望数据集建立简易和准确,算法模型结构轻量和鲁棒性强,便于部署移动设备的发展趋势以及未来应用的方法,为后续杂草精准化清除研究提供参考。     

农作物病虫害识别关键技术研究综述

农作物病虫害的预防与治理对农业生产具有十分重要的作用,病虫害防治工作的前提是准确识别病虫害目标。传统的病虫害识别方法包括人工识别和仪器识别,传统识别方法在识别效率、识别准确性、应用场景等方面已无法满足科学研究和生产的需要。深度学习是机器学习的一个重要分支,能够自动、高效、准确地从大规模数据集中学习到待识别目标的特征,从而替代传统依赖手工提取图像底层特征的识别方法,因此,将结合图像处理的深度学习技术应用于农作物病虫害识别是未来精准农业发展的必然趋势。农作物病虫害识别所涉及的关键技术以农作物病虫害数据为基础展开,通过阐述病虫害数据获取、数据预处理、数据增强、深度学习网络优化、识别结果可视化、识别结果可解释性、预测预报等关键技术的研究现状,归纳与总结了各关键技术应用中存在的问题和面临的挑战,最后指出农作物病虫害识别未来的研究发展方向,即在数据获取方面,构建多源农业数据集和积极打造数据共享资源平台,在数据处理方面,结合迁移学习算法、使用新型数据增强方法,在数据应用方面,积极开展可视化、可解释性和预测预报等工作。     

数据集对基于深度学习的作物病害识别有效性影响

基于深度学习的作物病害自动识别已成为农业信息化领域新的研究热点,为探究数据集的大小和质量对基于深度学习的作物病害识别有效性的影响,研究不同数据集训练得到的模型识别效果并进行了分析。以338张玉米病害数据集为例,对其进行数据增强、移除背景和细分割划分等处理,设计5个AlexNet框架的CNN网络模型并利用不同类型的数据集进行测试,使用十倍交叉法验证识别结果。试验结果表明:使用不同数量和等级的数据训练后的模型识别准确率分别为56.80%、78.30%、80.50%、89.30%和81.00%。在获得每个网络的最终精度后,挑选出识别错误的图像进行分析,结合前人的研究结果,得出影响深度神经网络用于作物病害识别有效性的9个主要因素。数据集对基于深度学习的作物病害识别有效性的影响因素主要分为带注释的数据集大小、叶片症状代表性、协变量转移、图像背景情况、图像数据获取过程、症状分割、特征多变性、并发性病害以及症状的相似性等这9类,该试验能够为深度学习技术田间病害识别的实际应用中提供依据和指导。     

基于多视图特征融合的植物病害识别算法

近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。     

基于深度学习的农作物检测识别研究现状及展望

深度学习是利用神经网络分析样本数据的内在特征和表达层次,学习具有多个抽象层次的数据表示的机器学习技术.本文概述了近年来深度学习技术在水果识别、农作物病害识别、农作物虫害识别、田间杂草识别、目标农作物定位等农作物检测识别领域内的研究进展,分析了目前深度学习技术存在的理论、建模、环境、成本及应用问题,提出了算法优化、应用多...     

农业无人机智能机器学习系统——基于人工智能和深度学习

为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明：基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。     

机器学习在无人农场中的应用现状与展望

随着机器学习在生物信息、人脸识别等领域的成功应用,其也为无人农场的发展提供动力。首先阐述无人农场和机器学习的基础概念,同时分别在种植业和畜牧业两个方面对机器学习的应用进行分析,在种植业方面阐述其在田间杂草识别、作物病虫害检测、作物产量预测的应用,在畜牧业方面分析机器学习在鱼类、猪等牲畜的精准识别分类、鱼类的喂食决策系统以及鸡、牛的生产线预测方面的应用现状;提出机器学习存在训练样本难获取、难标记的问题,嵌入式芯片的性能缺陷,以及专业人才缺乏等劣势;应建立通用的无人农场数据库,研究可以预测动物的健康状况以及对动物的生长环境状况进行实时监测的专家系统,还应加强机器学习的嵌入式研究,以及结合5G、大数据、传感器等技术的机器学习将成为无人农场未来的研究方向。本文对机器学习在无人农场的应用现状、问题及展望进行总结叙述,期望为以后的进一步研究提供参考。     

深度学习在水利行业上的应用综述

作为机器学习的重要分支,深度学习在图像智能分析、语音识别等领域上表现出卓越的优势,在水利行业上也有着广泛的应用前景。阐述了深度学习的发展历程,介绍了深度学习中应用最为广泛的三种算法:卷积神经网络、深度置信网和堆叠自动编码器,结合现阶段深度学习在水利行业中的应用,分别从遥感影像分类、水质分析预测与水文预报三个方面给进行综述。最后针对深度学习在水利行业中应用存在的问题和未来趋势进行了分析与展望。     

基于机器学习的含植被水流流速分布研究

引入机器学习的方法,对含植被渠道断面流速分布进行预测,分析水流与植被的相互作用机理。基于变量间的物理关系,得到机器学习模型的输入、输出项,结合非淹没刚性植被模型试验数据,并利用BP神经网络、RBF神经网络、支持向量回归SVR和随机森林RF四种机器学习方法对预处理后的数据集进行学习和建模。最后,通过模糊意见集中决策方法中的Borda数,对四种模型进行综合评价。结果表明:机器学习模型可以根据具体数据进行自适应建模,具有良好的工程应用前景;机器学习模拟结果与试验测量结果吻合较好,说明机器学习方法可有效预测含植被水流流速分布结构;其中BP神经网络的整体性能最好,综合使用4种模型的计算值可提高结果精度。     

基于深度学习的马铃薯叶片病害检测方法#br# #br#

植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。     

深度学习在农业领域的研究与应用综述

深度学习是目前人工智能领域最重要的技术之一,在学术领域和工程应用掀起了研究高潮。鉴于深度学习在农业领域的应用潜力和重要性,通过对深度学习有关文献的研究,首先详细描述了深度学习的概念,结合典型深度神经网络的结构特征,对其特点、优缺点、变体以及应用现状进行了综述;然后重点介绍了深度学习在语音识别、农业场景目标检测、农业图像语义分割领域的发展和应用;最后分析了深度学习在农业领域目前存在的问题和未来重点的研究方向。     

农作物遥感识别与单产估算研究综述

遥感凭借其快速、宏观、无损及客观等特点,在快速获取与解析作物类型、种植面积、产量等信息方面具有独特优势。遥感提取和解译的作物空间分布图、种植面积、产量信息可以服务于农业资源监管、农业信息普查、农业保险、农业投资、精准农业等方面。本文分别就农作物遥感识别与农作物单产遥感估算的研究现状、面临的问题、潜在研究方向进行了总结概述。首先总结了农作物遥感识别特征与分类模型的研究现状,针对遥感识别特征与作物类型缺乏知识关联的核心问题,提出利用深度学习方法协同学习作物生长过程中的“时-空-谱”特征,并构建面向农作物遥感识别的知识图谱,从而解决当前农作物遥感识别在识别精度和识别效率方面的问题。然后,分别从经验统计模型、遥感光合模型、作物生长模型方面对当前作物单产遥感估算进行分析总结,提出随着高空间分辨率、高光谱分辨率、高时间分辨率数据的普及和深度学习技术发展,未来应充分利用作物生长模型机理性强、深度学习对复杂问题建模能力强的特点,使用作物生长模型进行点位尺度模拟以驱动深度学习完成复杂场景下的建模学习,最终实现以机理做约束、以深度学习做空间外推的单产估算模式。     

机器学习在农产品供应链关键环节中的应用进展研究综述

生鲜农产品供应链是一个复杂的系统网络,高效的生产和管理对于保证生鲜农产品质量和安全有着重要意义。近年来,机器学习已在农产品供应链的各个环节取得了广泛的应用。本文选取了生鲜农产品供应链的三个关键环节,从生产、流通,到最终的消费,综合概述国内外近五年内机器学习特别是深度学习技术在这些领域的应用研究现状和具体采用的研究方法。最后总结目前主流研究所采用的数据和算法类型,对将来的研究趋势进行了展望,指出未来的研究可以从建立标准数据集,构建基于先验知识的模型以及促进数据集成与共享等方面开展。     

机采名优茶识别研究与试验——基于近红外光谱技术

机械化采茶过程中，采摘到的碎叶、名优茶鲜叶以及能够加工成大宗茶的带叶枝条和完整单叶混杂在一起，影响了名优茶鲜叶的进一步加工。为此，将机采茶鲜叶作为试验样本进行研究，基于近红外光谱技术和机器学习方法，对名优茶和大宗茶鲜叶样本中的单个完整叶片样本进行分类识别并得出结果。在事先去除带叶枝条、碎叶和单芽之后，通过搭建试验台的方式采集到两类样本的光谱数据，采用标准正态变量变换结合多元散射校正预处理后，使用保留20个主成分的PCA方法进行降维，使用线性判别和支持向量机算法建立分类模型，得到两类样本的识别情况。试验结果表明：两种算法均可识别出名优茶样本，且使用线性判别算法构建的分类模型识别效果最佳，在样本数200、300、400下的识别准确率分别达到98.5%、96.67%和96%。此研究提取的分类模型，可以为实际加工中的名优茶机械化采摘和识别提供技术参考。     

基于深度学习的林下落果识别方法与试验

监测与识别林下落果的数量和分布信息,是实现落果自动收获和果园智能化管理的重要基础。针对目前落果识别智能化程度较低等问题,提出一种基于深度学习的林下落果识别方法。首先,以不同类型、品种落果图像为基础,通过数据预处理、增强等方法建立林下落果图像数据集。其次,利用YOLO-v3深度卷积神经网络优势特性,建立落果智能识别方法。最后,以柑橘、梨、苹果三种典型落果,对基于深度学习的林下落果识别方法进行测试与验证,分析相关试验结果。试验结果表明:所提出的基于YOLO-v3落果识别方法,在不同条件均能准确识别落果,三种典型落果识别精度大于89%;相对于SSD,RCNN和CenterNet三种网络模型,YOLO-v3的准确率分别提高7%,2%和3.5%;在腐烂落果识别层面,YOLO-v3、SSD、RCNN和CenterNet的识别准确率分别为86%,59%,64%和43%;YOLO-v3的识别准确率高于其他深度学习模型。所提出的方法可以精确的识别林下落果,为后期的落果精准管理提供必要的技术支撑。     

自动对靶施药系统中植物病害识别技术的研究

植物病害识别属于实时性较强的小样本模式识别。作为一种新机器学习方法支持向量机能够有效解决小样本学习、非线性及高维模式识别等问题。在提取图像颜色特征色度矩的基础上,利用SVM对患有红蜘蛛的棉花进行病害识别,获得较高的识别率和识别速度。