基于改进ShuffleNet的板栗分级方法

传统的板栗分级方法主要依靠人工或机械的多级振动筛，不仅分级准确率低而且容易把坏的板栗分成好的板栗。针对传统板栗分级存在的问题，构建轻量级的卷积神经网络实现高精度的板栗的自动分级。在自然光条件下用小米Note9手机拍摄获取包含优等品、一等品、合格品、虫蛀品和霉烂品板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。在学习ShuffleNet的基础上构建了一个浅层卷积神经网络Shnet-1,Shnet-1由2个卷积模块和4个Shuffle构成的板栗图像特征提取网络。特征提取网络连接板栗分类器，分类器由全局平均池化层、隐含层和输出层组成的多层感知器。为了实现板栗分类的最大精度和最小计算量，对Shnet-1模型的超参数进行了优化。将Shnet-1的分类性能与各种深度学习模型如AlexNet、Mnet-1、ResNet18进行了比较分析。浅层卷积神经网络Shnet-1网络模型应用于板栗分级的准确率达到98.90%，坏的板栗被分为好板栗的比例小于0.5%。Shnet-1的计算量小，板栗图像分类时间为26 ms，其权重仅占488KB的物理存储容量。改进ShuffleNet的卷积神经网络模型Sh...     

基于GoogLeNet和无人机图像的水稻秧苗形态识别

【目的】针对目前国内评价插秧质量主要以人工观察和随机抽样的现状,提出一种基于卷积神经网络GoogLeNet对水稻秧苗图像进行形态识别的方法。【方法】首先,利用无人机超低空航拍获取清晰、完整的稻田秧苗图像,通过裁剪标记制作漂秧、伤秧和合格秧苗数据集;然后,基于GoogLeNet结构训练数据,得到最佳网络识别模型;最后,对单穴秧苗图像进行分类试验,并与传统图像分类算法(SVM、BP神经网络)进行对比。【结果】在相同样本的条件下,基于GoogLeNet的秧苗形态识别方法更快、更准确地完成了判断分类,秧苗形态识别的平均正确率为91.17%,平均耗时0.27 s;与SVM和BP神经网络相比,分类平均精度分别提高了21和13个百分点,检测时间分别缩短了1.09和0.58 s。【结论】本研究可为水稻插秧质量评价提供相关支持。     

基于优化卷积神经网络的玉米螟虫害图像识别

【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。     

基于CapsNet神经网络的树叶图像分类模型

对树木研究的基础是对其进行分类处理.本文结合CapsNet神经网络模型,以提高树叶分类的准确率为目的,使用实验室拍摄的10种树叶图片建立树叶分类模型.考虑到模型效率和图像大小,在原有CapsNet上与传统卷积神经网络相结合,通过优化动态路由算法对CapsNet进行改进,得到了E-CapsNet网络模型,同时与经典的神经网络模型AlexNet和Inception V3模型进行对比.经过50次epoch的训练,模型训练准确率最高达到99.15%,验证集的准确率为98.51%,测试集准确率为98.63%,对比原CapsNet网络,测试集准确率提高了2.51%.实验结果表明,改进后的E-CapsNet模型实现了更高的精度.     

基于MobileNet V2和迁移学习的番茄病害识别

番茄叶部病害严重影响了番茄的产量和质量,为实现在移动设备实时对番茄进行病害识别,提高番茄的产量,减少种植者的损失。本研究提出将轻量级网络模型MobileNet V2和迁移学习的方式相结合,对番茄早疫病、番茄细菌性斑疹病、番茄晚疫病、番茄叶霉病、番茄斑枯病、番茄红蜘蛛病、番茄褐斑病、番茄花叶病、番茄黄化曲叶病等9种叶部病害图像以及健康番茄叶片图像进行分类识别,首先将数据集按照9∶1的比例分为训练集和验证集,对于训练模型根据迁移学习的方式分别采用不冻结卷积层、冻结部分卷积层、全部冻结卷积层的方式获得3种模型,然后在模型最后加上2层全连接层并用Dropout层防止过拟合,接着通过Softmax层输出实现对番茄病害图像分类识别,最后利用验证集来统计模型的准确率和损失值。其中,冻结部分卷积层准确率最高,达到93.67%。另外,通过试验对比传统网络VGG16、ResNet50训练集和验证集的准确率、损失值及运行时间,其中迁移学习的MobileNet V2模型的准确率最高,运行时间最短。该研究提出的基于MobileNet V2和迁移学习的番茄病害识别研究方法识别效果较佳,速度较快,为在移动设备实时对...     

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。      

基于无人机高光谱的荒漠草原地表微斑块分类研究

草原荒漠化会严重破坏草原生态平衡，荒漠草原地物分类已成为草原监测管理的关键问题。本文通过构建无人机高光谱遥感系统，解决了原有草原调查方式上效率低与空间分辨率不足问题；构建高分辨率图像卷积神经网络(HR-CNN)解决了荒漠草原地表微斑块精细化分类问题；与ResNet34、GoogLeNet、常规卷积神经网络模型进行对比，总体上HR-CNN模型表现更优，总体分类精度与Kappa系数分别为98.27%、96.63。在相同迭代次数条件下，模型构建速度上，HR-CNN相较其它三类模型分别提升65.88%、65.71%、13.77%。模型内存占有量上，HR-CNN相较其它三类模型分别降低92.11%、79.21%、43.64%。该网络模型是轻量化卷积在荒漠草原地物分类研究中的有效探索，可为后续草原地物分类提供新思路。     

卷积神经网络的多尺度改进及其在玉米病害症状识别中的应用

为解决传统卷积神经网络模型训练时间长、参数量大、泛化能力弱等问题,提出了一种基于VGG-16的改进多尺度卷积神经网络模型。用一个叠加卷积层替换VGG-16模型的最后3×3×512卷积层,并进行批归一化处理,提高模型训练速度;用全局池化层替换全连接层,大大减少模型参数总量。利用Plant Village公共数据集(健康玉米叶片、灰斑病、锈病和叶枯病叶片)结合大田试验采集的玉米病害图像数据对改进后模型进行训练和测试,并与常见的传统卷积神经网络模型进行对比。结果表明,模型参数和收敛时间均小于传统卷积神经网络,单一背景下的平均分类识别准确率达99.31%,明显优于传统神经网络模型(VGG-16的90.89%、ResNet-50的93.60%、Inception-V3的94.23%、MobileNet-V2的93.83%和DenseNet-201的95.70%)。同时,利用大田复杂背景病害图片测试新模型的泛化性,识别准确率达98.44%,单张图片测试平均仅需0.25 s。     

残差神经网络模型在木质板材缺陷分类中的应用

以虫眼、活节、死节3种缺陷的板材为研究对象,建立了小型样本库,采用数据增强方法,对图片进行旋转、平移、尺度变换、灰度变换等方式处理,使样本库扩容到10687张图片,其中7480张图片作为训练集、2137张图片作为验证集、1070张图片作为测试集;应用超分辨率测试序列(VGG)网络模型、谷歌网络模型(GoogLeNet)、残差神经网络模型(ResNet)对木质板材表面缺陷进行分类,依据分类精度,遴选识别效果较好的木质板材缺陷分类方法.结果表明:残差神经网络模型在不同的卷积层时分类精度均在80％以上,而改进的残差神经网络模型在模型结构为50层时的分类准确率高达98.63％,模型能较好地适用于木质板材表面缺陷分类.     

基于坐标注意力机制和残差网络的水稻叶片病虫害识别

【目的】针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题，探索基于ResNet深度学习网络的水稻叶片病虫害识别模型（ResNet50-CA）。【方法】在ResNet-50的残差卷积模块下引入坐标注意力机制（CA），采用LeakyReLU激活函数替代ReLU激活函数，使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。【结果】在使用传统卷积神经网络进行水稻叶片病虫害研究发现，ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系，因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验，研究发现在批量样本数为16和学习率为0.000 1时，ResNet50-CA获得最高的识别准确率（99.21%），优于传统的深度学习算法。【结论】改进后的网络能够提取出水稻病虫害更加细微的特征信息，从而取得更高的识别准确率，为水稻叶片病虫害识别提供新思路和方法。     

基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块（Mixed attention module,MAM）,提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。     

基于知识蒸馏的轻量级番茄叶部病害识别模型

目前,基于迁移学习诊断农作物病害已经成为一种趋势,然而大多数研究使用的模型参数众多,占用了大量设备空间并且推理演算耗时较长,导致对存储和计算资源有严格限制的设备无法利用深度神经网络的优势.为此,本研究以PlantVillage数据集中的番茄病害样本为研究对象,基于条件卷积及通道注意力机制,提出1种新颖的轻量级模型,同时使用知识蒸馏法指导模型训练,在保证模型性能的前提下压缩模型大小.将AlexNet、VGG16、GoogLeNet、ResNet50及DenseNet121进行对比,并利用类激活图(CAM)可视化模型分类决策的图像区域.结果表明,经过蒸馏的自定义模型可以精准定位番茄病叶的发病区域,在测试集中的平均识别准确率达97.6％,不仅优于其他模型,而且模型大小仅为4.4 M.     

基于区域卷积神经网络模型的广西柑橘病虫害识别方法研究

【目的】研究基于区域卷积神经网络(R-CNN)模型的广西柑橘病虫害识别方法,为提高柑橘重要病症分类和病理检测效率提供参考依据。【方法】设计专用R-CNN模型,采用多层神经网络,通过机器学习算法和神经网络对柑橘黄龙病、红蜘蛛感染和溃疡病等广西柑橘主要病症特征图像进行识别,分析其准确率和空间复杂度。【结果】R-CNN模型对广西柑橘黄龙病的平均识别准确率为95.30%,对红蜘蛛感染的平均识别准确率为90.30%,对溃疡病的平均识别准确率为99.10%,均优于传统机器学习方法中支持向量机算法(SVM)的平均识别准确率(分别为93.20%、88.20%和95.20%),分类效果也优于小型神经网络模型如视觉几何组网络(VGG-19)模型,平均识别准确率分别提高4.25%、4.62%和2.55%。R-CNN模型在较少神经元参数(33层卷积网络)情况下,空间复杂度比SVM和VGG-19模型低,能获得更佳的柑橘黄龙病、红蜘蛛感染和溃疡病识别效果。【结论】R-CNN模型识别是一种对柑橘黄龙病、红蜘蛛感染和溃疡病行之有效的鉴别方法,可在广西柑橘果园大量部署和应用。     

基于IMU的细粒度奶牛行为判别

针对奶牛行为判别自动化水平不足、准确率低的问题,采用惯性测量单元(IMU)和卷积神经网络(CNN),对细粒度奶牛行为判别进行研究.结果表明:1)在KNN、SVM、BPNN、CNN和LSTM 5个模型中,CNN模型在奶牛行为分类测试集上的准确率最高.2)含有三轴加速度计、陀螺仪和磁力计的IMU更加适用于奶牛行为分类,其分...     

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。     

基于改进SSD算法的轻量化三七病害检测

【目的】针对目前三七Panax notoginseng病害识别模型结构复杂、参数庞大,难以实现在移动设备上部署的问题,提出一种基于SSD(Single shot multibox detector)目标检测的改进模型,以期实现三七病害检测的便捷化、快速化与精准化。【方法】基于SSD模型架构,采用轻量化卷积神经网络(MobileNet)替换原始特征提取网络(VGG16),降低主干网络的参数量与计算量,同时根据人类视觉皮层中群智感受野(pRF)的大小与其视网膜图中偏心率之间的函数关系,构建RFB模块,用该模块替换原SSD模型框架顶部卷积层,从而增强网络深层特征,提高轻量化模型的检测精度与检测速度,实现多尺度三七病害检测。【结果】与SSD模型相比,RFBMobileNet-SSD模型网络参数量和参数计算量分别降低了96.67%和96.10%。在不同天气条件下应用模型对4种不同病害数据进行验证发现,改进模型的准确率提高了4.6个百分点,召回率提高了6.1个百分点,F1精度提高了5.4个百分点,单幅图像检测时间由SSD模型的0.073 s缩短为0.020 s,尺寸仅为SSD模型的54.6%。【结...     

基于SSD模型的巢门蜜蜂检测

传统蜜蜂监测多依靠人力和经验,信息化水平低,蜂群自动化监测得到广泛关注。近年来,基于深度学习的目标检测发展迅速,并在多领域取得很好的应用效果。SSD模型是一种基于卷积神经网络的目标检测模型,具有快速和准确率高的优势。蜂巢口光照多变、环境复杂,蜂群本身也具有互相遮挡和阴影等复杂情况。采用SSD模型对巢门区蜜蜂检测和数据统计,结果表明,提出的方法在少量、一般和较多蜜蜂数量情况下准确率分别达到96.34%、92.52%和88.06%,比传统方法分别提高11%、19%和25%,且对光照、天气、拍摄距离等环境有很强的适应性,能检测处理蜜蜂阴影、虚化、遮挡等复杂状况。研究结果为蜂群巢外监测提供有力支持,也为基于蜜蜂跟踪的进出量统计奠定了基础。     

基于深度卷积神经网络的小麦赤霉病高光谱病症点分类方法

为快速、高效地利用高光谱成像技术诊断小麦赤霉病病症,分析了卷积层结构与光谱病症特征的关联性,并重点研究了高光谱的像元分类建模方法。首先,基于深度卷积神经网络的2种典型结构,构建了不同深度的卷积神经网络,比较了小麦赤霉病高光谱数据点集的训练和测试结果。结果显示:Visual Geometry Group(VGG)结构随着网络深度的增加,模型损失值不断下降;残差神经网络(ResNet)结构随着深度增加,损失值没有明显降低,说明ResNet网络的深度与模型性能无关。从测试集评测模型泛化性可知,具有4个基础单元模块的22层VGG网络在所有深度卷积模型中最优,其建模和验证准确率远高于传统的支持向量机(SVM),分别为0.846和0.843,测试集准确率为0.742。以VGG为基础单元构建的深度神经网络,能有效提取小麦赤霉病病症的高光谱特征。研究结果可为大尺度小麦赤霉病的智能成像诊断提供理论基础。     

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草莓叶部白粉病病害识别

针对计算机视觉下草莓叶部白粉病病害的识别,提出了一种基于卷积神经网络的病害识别模型。首先,设计了3种网络深度(经过3、4和5次卷积操作)与3种卷积核(5×5、3×3,5×5、3×3混合)交叉组合共9种不同网络深度与卷积核尺寸的卷积神经网络结构;其次,分别选择了4种采样层构建方法(均值池化、最大值池化、中间值池化和混合池化);最后,进行了9组训练集与测试集不同比例的模型识别。结果表明,基于混合池化的CNN-9模型(卷积核尺寸5×5,3×3;卷积神经网络深度11)表现最好,对草莓叶部白粉病病害的正确识别率达到98.61%。该方法可较好地实现草莓叶部白粉病病害的识别,且图像预处理步骤简单,易推广,可用于草莓白粉病病害的实时监测。