基于改进卷积神经网络的复杂背景下玉米病害识别

为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。     

基于迁移学习和改进残差神经网络的黄瓜叶部病害识别方法

针对在黄瓜叶部病害识别过程中使用传统卷积神经网络存在模型训练时间长、识别准确率低等问题，提出一种迁移学习和改进残差神经网络相结合的方法对黄瓜叶部病害进行识别。首先对数据集图像进行预处理，将数据集划分为训练集和测试集；然后对传统残差神经网络进行改进；最后使用迁移学习的方式对网络模型进行训练。利用该研究方法对不同的黄瓜叶部病害进行识别试验，结果表明该方法具有较高的识别准确率，可为其他作物的识别方法研究提供参考。      

基于迁移学习的卷积神经网络玉米病害图像识别

为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在Image Net图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95. 33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。     

基于深度残差网络的番茄叶片病害识别方法

传统深度学习模型在用于蔬菜病害图像识别时,存在由于网络梯度退化导致的识别性能下降问题。为此,本文研究了一种基于深度残差网络模型的番茄叶片病害识别方法。该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数,降低了深度学习网络的训练难度。在此基础上,通过在传统深度神经网络中添加残差单元,解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题,能够实现番茄叶片图像的高维特征提取,根据该特征可进行有效病害鉴定。试验结果表明,本研究中基于超参数自学习构建的深度残差网络模型在番茄病害公开数据集上取得了良好的识别性能,对白粉病、早疫病、晚疫病和叶霉病等4种番茄叶片常见病害的识别准确率达到95%以上。本研究可为快速准确识别番茄叶片病害提供参考。     

深度学习在农作物病害图像识别中的研究进展

农作物病害识别关乎作物的产量与质量,是智慧农业发展过程中必不可少的重要环节。随着深度学习技术在图像处理领域的飞速发展,利用深度学习从图像中识别出农作物患病类型的方法已逐渐成为主流。主要对基于深度学习的农作物病害识别方法进行综述,简要地介绍深度学习和卷积神经网络,收集一些常用的病害图像公开数据集。根据训练样本采集环境的不同,从实验室和野外两个方面概述近年来基于深度学习病害识别方法的进展,指出每种方法的优势与不足,总结出该研究领域存在数据量不足、任务难度大、深度学习模型网络结构复杂3个主要问题,并在此基础上进行展望,提出建立大规模、多种类、多类型病害数据库和设计高性能的深度学习模型是未来的重要发展方向。     

基于核相互子空间法的番茄叶部病害快速识别模型

近年来，基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异，通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征，引入核相互子空间法（KMSM），建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数，将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间；然后对映射的高维空间进行主成分分析，建立非线性病害特征空间；最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像，以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明，当每类样本集数量为350张时，本研究所提出的CCHKMSM模型识别率达到100%，模型训练时间为0.1540 s，平均识别时间为0.013 s；同时，在样本数量150张到1000张的测试区间内，模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型，与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中，通过对原始图像切割分块后，对各病害的平均识别率为96.21%。试验结果表明，本研究提出的CCHKMSM模型识别准确率高且计算量小，其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低，具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。     

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%。     

基于机器视觉的半干枣病害和裂纹识别研究

研究提出了一种基于机器视觉的病害和裂纹的识别方法。在H分量图中,依据半干枣在病害和非病害区域色调值差异提取病害区域,以提取的病害区域与枣表面积的比作为阈值确定较高的病害面积识别精度,可正确识别的感兴趣病害面积为16.87mm2,占枣投影面积的3.3%。为进一步提高在该病害面积识别精度的正确率,依据已确定的病害面积比阈值,将病害面积比值二值化,结合红枣区域颜色特征值H的均值和均方差,用SVM方法建立枣病害的识别模型,训练集和测试集的识别正确率分别为9 5.7 7%和9 5.7 9%。在I分量图中,对红枣区域进行Otsu’s阈值分割、图像局部属性统计和形态学处理,提取裂纹二值图像,依据裂纹图像不变距方法建立裂纹识别模型,训练集和测试集的识别正确率分别为94.90%和94.55%。     

基于弱监督数据集的猪只图像实例分割

在智慧养殖研究中，基于深度学习的猪只图像实例分割方法，是猪只个体识别、体重估测、行为识别等下游任务的关键。为解决模型训练需要大量的逐像素标注图像，以及大量的人力和时间成本的问题，采用弱监督猪只分割策略，制作弱监督数据集，提出一种新的特征提取骨干网络RdsiNet:首先在ResNet-50残差模块基础上引入第2代可变形卷积，扩大网络感受野；其次，使用空间注意力机制，强化网络对重要特征的权重值；最后引入involution算子，借助其空间特异性和通道共享性，实现加强深层空间信息、将特征映射同语义信息连接的功能。通过消融实验和对比实验证明了RdsiNet对于弱监督数据集的有效性，实验结果表明其在Mask R-CNN模型下分割的mAP_Semg达到88.6%,高于ResNet-50、GCNet等一系列骨干网络；在BoxInst模型下mAP_Semg达到95.2%,同样高于ResNet-50骨干网络的76.7%。而在分割图像对比中，使用RdsiNet骨干网络的分割模型同样具有更好的分割效果：在图像中猪只堆叠情况下，能更好地分辨猪只个体；使用BoxInst训...     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

基于Faster R-CNN的田间西兰花幼苗图像检测方法

为解决自然环境下作物识别率不高、鲁棒性不强等问题,以西兰花幼苗为研究对象,提出了一种基于Faster R-CNN模型的作物检测方法。根据田间环境特点,采集不同光照强度、不同地面含水率和不同杂草密度下的西兰花幼苗图像,以确保样本多样性,并通过数据增强手段扩大样本量,制作PASCAL VOC格式数据集。针对此数据集训练Faster R-CNN模型,通过设计ResNet101、ResNet50与VGG16网络的对比试验,确定ResNet101网络为最优特征提取网络,其平均精度为90. 89%,平均检测时间249 ms。在此基础上优化网络超参数,确定Dropout值为0. 6时,模型识别效果最佳,其平均精度达到91. 73%。结果表明,本文方法能够对自然环境下的西兰花幼苗进行有效检测,可为农业智能除草作业中的作物识别提供借鉴。     

基于改进Unet的小麦茎秆截面参数检测

针对小麦茎秆截面显微图像分割过程的复杂性,融合ResNet50和Unet网络构建维管束和背景区域的语义分割模型Res-Unet,搭建对小麦茎秆截面、髓腔、厚壁和背景的语义分割模型Mobile-Unet,可实现对小麦茎秆截面尺寸、髓腔尺寸和维管束面积等微观结构参数的检测。针对小麦样本数据集,通过深度学习中迁移学习的共享参数方式,将训练好的ResNet50网络权重应用到茎秆截面切片图像的网络模型上。结果表明,与同类方法相比,相关参数在精度上均有较大提升,全部参数的识别率超过97%,最高可达99.91%,平均每幅图像检测只需21.6s,与已有图像处理方法（110s）相比,处理速度提升了80.36%。模型评估的准确率、召回率、F1值和平均交并比均达到90%。本文方法可用于小麦茎秆微观结构的高通量观察和参数测定,为作物抗倒伏研究奠定了技术基础。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。     

基于残差网络和小样本学习的鱼图像识别

针对鱼种类多、数据采集难度大,且需要细粒度图像识别等问题,提出了一种基于度量学习的小样本学习方法.采用基于度量学习的小样本学习网络以及ResNet18的残差块结构,提取鱼图像的深层次特征,并将其映射至嵌入空间进而在嵌入空间判断鱼的种类.为了进一步提升识别准确率,利用小样本学习模型在mini-ImageNet数据集进行预...     

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,...     

基于机器视觉和YOLOv4的破损鸡蛋在线检测研究

破损鸡蛋导致的漏液会污染自动化生产线和完好鸡蛋,不仅影响生产效率,还会干扰裂纹鸡蛋的检测.为实现破损鸡蛋快速、准确、低成本的识别,本文利用机器视觉技术,并结合深度学习网络深层次特征提取、高精度检测分类的特性,提出一种基于YOLOv4网络的破损鸡蛋检测方法.构建破损鸡蛋图像数据集,搭建YOLOv4深度学习网络,训练含有破...     

基于多层信息融合和显著性特征增强的农作物病害识别

现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够，且提取的农作物病害图像显著性特征大多不足，为了更加有效地提取农作物病害图像中的判别特征，提高农作物病害识别精度，提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中，ConvNext主干网络主要用于提取农作物病害图像的特征；多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息；显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明，MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95....