基于LSP与GLCM融合的禾本科牧草种子特征提取算法

针对禾本科牧草种子相似性较高、识别困难的问题,采用局部相似模式(LSP)和灰度共生矩阵(GLCM)的方法,对禾本科牧草种子的分类识别进行研究。结果表明:1)局部相似模式与灰度共生矩阵融合的方法可以有效的提取禾本科牧草种子的纹理特征,能够识别颜色、形状、大小等特征都十分相似的牧草种子,且其识别率优于传统的LSP特征算子和GLCM特征算子。2)与传统LSP算法相比,结合灰度共生矩阵算法后,得到的特征受到相似种类种子图像的影响较小,具有更广泛的适应性。因此,基于LSP和GLCM的融合算法可以有效地提取相似禾本科种子图像的纹理统计特征,采用线性判别分析分类器(LDA)进行分类,识别率最高达到98.64%。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

深度学习方法在农业信息中的研究进展与应用现状

为使农业信息领域的研究人员能够系统和快速地了解深度学习在农业中的研究进展以及应用现状,对深度学习在农业信息领域的应用进行归纳、梳理、分析和展望。对涉及农业领域且应用深度学习技术的90项研究中所涉及的农业问题、具体模型和框架、数据集的来源和特征以及预处理方法、模型评价指标等进行归纳总结分析,并讨论深度学习的优点和局限性,进而展望深度学习的发展趋势。农业领域中的应用包括作物及其器官分类、病虫害识别、果实识别和计数、植物识别、土壤覆盖分类、杂草识别、行为识别和分类、植物养分含量估计、植物叶片或种子表型分析等方面;大多数研究采用卷积神经网络,如AlexNet、VGG16和Faster R-CNN。在框架方面,Caffe使用频次最高,其次是Tensorflow和Keras/Theano;分类准确度是最常用的模型评价指标,其次是F1得分和平均精度。与其他常用方法和技术相比,深度学习不仅精度高,而且性能优于现有的常用图像处理技术。其他涉及计算机视觉技术的农业应用有望通过深度学习技术的使用获得更好的效果。     

基于迁移学习的竹片缺陷识别

使用竹片图像实现竹片缺陷自动识别，目前深度学习可以有效地解决该类问题，但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时，利用基于迁移学习的方法，把经过预训练的卷积神经网络模型进行迁移，即共享卷积层和池化层的权重参数，调整新网络模型的超参数，并建立一个包含4种共计6 360张竹片缺陷图像的数据库，把图片分成4种训练集测试集形式，即80%训练、20%测试；60%训练、40%测试；40%训练、60%测试；20%训练、80%测试，分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试，并将这3种方法作对比。最后，通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明，按照80%训练、20%测试的识别准确率最高，通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%，比普通深度学习提高了11.55% ，比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别，并且效果优于普通深度学习和 SVM 分类方法。     

融合枣果与叶片信息的枣品种识别方法研究

针对自然环境下枣品种分类问题,提出了1种基于特征融合的枣品种快速识别方法。该方法考虑了枣果特征与枣叶片形状、纹理特征,构建了三分支并行卷积神经网络结构,其中3个分支均在ResNet-18网络的基础上进行训练并提取相应的特征,然后将枣叶片的两类特征相加,再将其和枣果特征进行拼接融合,最后通过全连接层实现枣品种的分类。实验结果表明,三分支卷积神经网络模型与单、双分支网络模型相比,分类准确率提高到了91.68%。本文提出的识别模型能有效避免相似枣果形状干扰而导致识别错误的问题,可提高自然环境下枣品种的识别准确率。     

基于改进残差网络的水稻害虫识别

水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残差网络的全连接层,首先通过4个残差块得到特征图,将特征图进行胶囊化编码,其次进行层间路由,以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别,并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明,提出的改进残差网络模型的准确率达到77.12%。模型满足水稻害虫图像识别的需求,具有一定的识别准确率及较强的鲁棒性,可为实际农业场景下水稻害虫识别提供可行的方案。     

基于卷积神经网络的农作物病理图像分类算法研究

快速有效检测农作物病理对于农业具有重大的意义,不仅能提高自动化识别病理效率,还可以提高农作物产量。以土豆、番茄等农作物作为病理研究对象,提出一种基于卷积神经网络的农作物病理分类模型MFCPNet。首先构建深度卷积神经网络模型,分别通过卷积层、激活层、池化层全连接层进行组建,然后将提取到的图像病理特征进行多特征融合,从而有效增强农作物病理的特征丰富度。同时对原数据集进行数据增强从而消除样本分布不均的问题。结果表明,所提出农作物病理分类模型的各项标准均优于AlexNet、VGG16、VGG19模型,达到了94.92%的准确率,同时省去人工搭建复杂的特征工程,对推动农业自动化具有一定的价值。     

深度卷积神经网络在计算机视觉中的应用研究综述

深度卷积网络这一包括众多隐含层的网络结构发展,具有传统机器应用无法比拟的表达能力与特征学习水平。因此在其应用于深度学习算法训练以来,已经在许多大型的识别研究中赢得了良好荣誉。本文主要研究了深度卷积神经网络在计算机视觉中的主要应用。对深度卷积网络的池化操作、图像分类物体检测工作具体分析,推动深度卷积神经网络在计算机视觉中的应用发展。     

基于卷积神经网络的水稻病害图像识别研究

【目的】针对传统水稻病害识别技术对图像特定特征依赖性强、识别效率低等问题,提出将深度学习理论应用到水稻病害识别中,以期取得较好的识别效果。【方法】通过使用深度卷积网络建立水稻病害识别模型,对水稻3种主要病害数据进行了归一化处理,采用深度学习框架Keras进行深度CNN训练。通过设置不同的卷积核尺寸和池化函数,对水稻3种常见病害进行分类识别研究。【结果】卷积核尺寸采用9×9和池化函数采用最大池化构建的模型识别率最高;模型经过5次迭代,其识别准确率就能达到90%以上;当迭代6次时,图像趋于稳定,模型基本达到收敛;从模型性能分析看,损失函数呈梯度下降趋势,变化相对平稳,预测损失偏差逐步减少。【结论】该模型具有泛化能力较强、准确率较高、鲁棒性较好及损失率较小等特点,这为植物病害的识别研究提供了参考和借鉴。     

基于MobileNets的果园害虫分类识别模型研究

为在小数据集上构建果园害虫分类识别模型,并在普通安卓手机运行,本研究收集了6种常见果园害虫共计3 058张图像,首先对害虫图像进行反卷积遴选,再通过Mobile Nets构建深度学习模型进行分类识别。结果表明,所构建模型在安卓手机上运行流畅,可对所采集的6种果园害虫进行识别,其准确率均在90%以上,效果良好。     

基于改进YOLOv4算法的番茄叶部病害识别方法

为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。     

基于卷积神经网络的玉米品种识别

为了解决传统算法中人工提取特征的缺陷,提出了基于卷积神经网络的玉米品种识别算法。以登海518、浚单20和郑单958 3个玉米品种为研究对象,制作数据集并进行分类标签,分别标记为0、1、2。使用Keras学习框架搭建网络模型,包括1个输入层、5个连续的卷积池化结构、3个全连接层和1个输出层。卷积层提取有效的特征信息,结合Leaky ReLU激活函数传递至下一层,输出层采用Softmax函数实现玉米品种的识别。使用完成训练的模型对预测集进行预测。结果表明:登海518、浚单20、郑单958的识别率分别达到100.00%、93.99%、92.49%,平均识别率达到95.49%。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

卷积神经网络下的相似月季识别

目前我国关于花卉分类识别技术已较为成熟,但由于类间相似性较高,花卉特征较难提取,对于同种不同类的相似花卉仍存在识别率较低的问题,因此提出使用卷积神经网络(CNN)中4类深度学习网络SqueezeNet、ResNet、InceptionV3及DenseNet的训练模型,搭建了对4种相似月季进行识别的花朵识别客户端,并对识别结果进行比较,筛选出最优模型,同时运用GPU对训练过程以及识别过程进行加速.对实验过程产生的数据进行统计对比后得出InceptionV3网络训练后得到的模型较其余3种网络而言识别率最高且识别速度较快,可以作为最优模型.将搭建的花朵识别系统应用于花卉分类工作中,在节省人工的同时也能够加速园艺自动化的进程.     

基于CNN的普米语孤立词语谱图分类

为实现普米语孤立词语谱图的分类,引入基于卷积神经网络的语谱图模型,该模型可以无监督学习语谱图特征实现分类.本文搭建了一个9层的卷积神经网络模型,利用彩色语谱图样本集进行训练,并针对已训练好的模型,通过实验检验各项因素对分类的影响,从而得到适当的参数.参数确定后,进行卷积神经网络与支持向量机、 BP神经网络的对比实验,验证算法的可行性和有效性.实验显示基于卷积神经网络的普米语孤立词语谱图分类准确率达到91%～95%,这说明该算法是可行和有效的.与支持向量机、 BP神经网络相比,卷积神经网络具有自动提取特征,避免过拟合问题,适合大样本数据进行训练的优点.     

基于改进残差网络的葡萄叶片病害识别

葡萄病害是导致葡萄严重减产的主要因素，大多数病害症状都反映在葡萄的叶片上，但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络，通过其包含不同大小和不同深度的卷积核来处理输入，然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层，能够加快模型收敛速度，有效提升模型精度。结果表明，改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比，在准确性方面具有显著优势。与原模型相比较，识别准确率提高3.18百分比，改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。     

基于多尺度特征融合细粒度分类网络的扎把烟叶分级方法

当前我国烟叶分级主要采用的人工分级方法受主观因素的影响,易出现分级精度低、不稳定等问题。为了提高烟叶分级结果的准确度与可信度,通过对实地采集的烟叶RGB图像数据进行分析,并针对扎把烟叶数据复杂、类间差异较小的问题,提出了基于弱监督数据增强网络的多尺度特征融合细粒度扎把烟叶分级方法。本方法在Resnet-50提取特征的基础上,首先利用多尺度特征融合模块融合不同层次特征,再通过卷积层学习得到代表重要局部区域的注意力图,最后利用双线性注意力池化操作进一步从局部区域中提取细粒度特征并用于分类。另外,本方法引入了注意力分散约束损失,以防止不同注意力图所关注区域之间的冗余。最终模型经训练后在测试集上,分级准确率与宏F1分数分别为91.261%和91.780%,相比于以往细粒度分类模型分别提升了3.6%和2.8%。结果表明,相比与其他深度学习方法,该方法在扎把烟草数据集上取得了更好的性能。     

基于迁移学习的番茄叶片病害图像分类

针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。     

6种禾本科牧草种子产量因子与产量的岭回归模型研究

采用多区组多因素正交试验设计,通过大样本岭回归分析求出6种禾本科牧草种子产量因子与产量的岭回归模型。结果表明,除蓝茎冰草的模型外,其他5种禾本科牧草的模型中,提高任1个种子产量因子,均可不同程度提高种子产量。6个模型中,5个种子产量因子每提高1个单位对其种子产量的提高大小排序为单粒种子重>每小穗种子粒数>每小穗小花数>每生殖枝小穗数>生殖枝数。     

基于双模态深度学习模型的渔场渔情预报

为解决传统渔场渔情预测方法在处理高维复杂海洋数据时存在人工干预较多、拟合困难、精度不高的问题,提出了一种基于双模态深度学习的渔场渔情预测方法.首先,该方法将不同海洋环境因子在5° ×5°渔业作业区域范围内按照空间相对位置映射为三维矩阵.然后,分别使用卷积神经网络模型(CNN)和深度神经网络模型(DNN)对海洋环境因子和时空因子2种异构数据进行特征提取.最后,将基于时空信息的深度神经网络模型与卷积结构进行特征融合,再将融合后的特征经过全连接层进行分类.试验结果表明,双模态深度学习模型对南太平洋长鳍金枪鱼中心渔场的渔场渔情预报率达到了89.8％,较其他渔场渔情预报模型精度提高10％～30％.同时由于该模型使用卷积神经网络,可以对任意空间分辨率的海洋环境因子进行特征提取,省去了手动匹配不同空间分辨率的过程,减少了人工干预,对南太平洋长鳍金枪鱼的渔业作业与渔场渔情预报有极高的指导意义.