基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

基于改进Multi-Scale AlexNet的番茄叶部病害图像识别

番茄同种病害在不同发病阶段表征差异明显,不同病害又表现出一定的相似性,传统模式识别方法不能体现病害病理表征的动态变化,实用性较差。针对该问题,基于卷积神经网络提出一种适用于移动平台的多尺度识别模型,并基于此模型开发了面向农业生产人员的番茄叶部病害图像识别系统。该文详细描述了AlexNet的结构,分析其不足,结合番茄病害叶片图像特点,去除局部响应归一化层、修改全连接层、设置不同尺度卷积核提取特征,设计了基于AlexNet的多感受野识别模型,并基于Android实现了使用此模型的番茄叶部病害图像识别系统。Multi-ScaleAlexNet模型运行所耗内存为29.9MB,比原始AlexNet的内存需求652MB降低了95.4%,该模型对番茄叶部病害及每种病害早中晚期的平均识别准确率达到92.7%,基于此模型的Andriod端识别系统在田间的识别率达到89.2%,能够满足生产实践中移动平台下的病害图像识别需求。研究结果可为基于卷积神经网络的作物病害图像识别提供参考,为作物病害的自动化识别和工程化应用参考。     

基于迁移学习和残差网络的农作物病害分类

作物病害对农业产品的质量和产量有重要影响,单一物种病害的分类模型难以应对复杂的农业生产环境。该研究对深度残差网络SE-ResNeXt-101模型进行改进,并基于迁移学习(TransferLearning,TL)提出了一种农作物病害分类模型TL-SE-ResNeXt-101,用于不指定农作物种类的病害检测分类。在重构的AI Challenger 2018农作物病害数据集上,将该模型与VGG-16、GoogLeNet、ResNet-50和DenseNet-121卷积神经网络模型进行比较。结果表明,相同试验条件下,本文模型对不同作物种类的不同病害分类平均准确率达到98%,分类效果优于其他模型;在真实农业生产环境下该模型的分类效果也优于其他模型,平均准确率达到47.37%。该模型具有较高的识别准确率与较强的鲁棒性,可为复杂农业生产环境下对不同作物种类不同病害的识别分类提供参考。     

基于神经结构搜索的多种植物叶片病害识别

为实现植物病害的自动准确识别,该研究提出一种基于神经结构搜索的植物叶片图像病害识别方法,该方法能够依据特定数据集自动学习到合适的深度神经网络结构。采用包含14种作物和26种病害共54 306张的公开PlantVillage植物病害图像作为试验数据,按照4∶1的比例随机划分,分别用于神经结构搜索和测试搜索到的最优网络结构的性能。同时,为探究神经结构搜索对数据平衡问题是否敏感及图像在缺乏颜色信息时对神经结构搜索的影响,对训练数据进行过采样和亚采样平衡处理及灰度变换。试验结果显示,该研究方法在训练样本数据不平衡和平衡时均可以搜索出合适的网络结构,模型识别准确率分别为98.96%和99.01%;当采用未进行平衡处理的灰度图像作为训练数据时,模型识别准确率有所下降,为95.40%。该方法能够实现植物病害的准确识别,为科学制定病害防治策略提供有效的技术手段。     

基于深度可分离卷积网络的粘连鱼体识别方法

及时准确地识别出养殖区域内的粘连鱼体是实现水产养殖中鱼群计数、养殖密度估算等多种基本养殖操作自动化的关键技术。针对目前粘连鱼体识别方法存在准确率低、普适性差等问题,该研究提出了一种基于深度可分离卷积网络的粘连鱼体识别方法。首先采集鱼群图像数据,采用图像处理技术分割出鱼体连通区域图像,构建粘连鱼体识别数据集;其次构建基于深度可分离卷积网络的粘连鱼体识别模型,采用迁移学习方法训练模型;最后基于训练好的模型实现粘连鱼体的识别。在真实的鱼体图像数据集上进行测试,识别准确率达到99.32%。与基于支持向量机（Support Vector Machine, SVM）和基于反向传递神经网络（Back Propagation Neural Network, BPNN）的机器学习方法相比,准确率分别提高了5.46个百分点和32.29个百分点,具有更好的识别性能,为实现水产养殖自动化、智能化提供支持。     

基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

基于迁移学习的葡萄叶片病害识别及移动端应用

为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。     

基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。     

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

多结构参数集成学习的设施黄瓜病害智能诊断

单一特征已不能很好的描述作物病害典型特征,而生长环境参数(土壤温湿度、pH值、空气温湿度等)与病害密切相关,多结构数据学习向量化与特征最优组合能够有效提升病害诊断准确性。该研究以黄瓜白粉病、角斑病、炭疽病、菌核病4种病害50个样本为实例,融合结构化作物生长环境参数与非结构化图像特征,通过智能化物联网,对实时采集到的环境参数进行监测、分析,并将其与图像特征融合,构建多结构病害特征最优组合模型。试验结果表明,样本识别率在79.4%～93.6%,对比卷积神经网络图像识别识别率,卷积神经网络由于需要对病害图像数据进行降维,后台识别时间较高;深度迁移学习的图像识别方法,需要大量图像数据输入深度网络学习,而现实中病害图像数量不足以满足深度学习要求,因此识别率会因为样本不充分而降低;该方法借助少量图像数据,同时结合环境与专家知识资源,采用多结构参数集成学习的方法进行病害识别,在较少识别时间的基础上确保识别的准确性。     

基于卷积神经网络结合图像处理技术的荞麦病害识别

荞麦病害的发生极大地影响了荞麦的品质和产量,对病害的监测是确保荞麦产业健康发展的重要措施。该研究利用深度学习中卷积神经网络的多层特征提取方式,对荞麦病害的特征进行抽取,然后根据特征进行分类,最终实现对荞麦病害的判别。首先采用一种最大稳定极值区域(MSER,Maximally Stable Extremal Regions)和卷积神经网络(CNN,ConvolutionalNeuralNetwork)结合的方法对荞麦发病区域进行检测,实现了病害区域与非病害区域的分离,准确定位病灶位置;然后在传统卷积神经网络框架上,通过提升网络宽度,约束参数量,加入了两级inception结构,对成像环境复杂,低质量荞麦图像准确地进行特征抽取。同时,为了降低采样过程中光照的影响,采用基于余弦相似度的卷积代替传统的卷积运算,对于光照不均的荞麦叶片也能够进行较好的病害识别。最后,为了验证该研究所提方法的有效性,建立一个包含8种荞麦病害图像的数据集,结果表明采用MSER和CNN结合的区域检测与两级inception识别框架的方法,对于荞麦是否发病判别的精确率、召回率、以及精确率和召回率加权调和平均值分别达到了97.54%,96.38%,97.82%;对于具体病害的识别其均值为84.86%,85.78%,85.40%。该方法在识别精度和速度方面具有良好的性能,为实现荞麦病害的自动识别提供了重要的技术支持。     

基于轻量级CNN的植物病害识别方法及移动端应用

为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和InceptionV3在PlantVillage数据集(共38类26种病害)上平均识别率分别是95.02%和95.62%。在自建图像集葡萄病害叶片的识别中MobileNet和InceptionV3平均识别率分别是87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

基于深度卷积神经网络的番茄主要器官分类识别方法

为实现番茄不同器官的快速、准确检测,提出一种基于深度卷积神经网络的番茄主要器官分类识别方法。在VGGNet基础上,通过结构优化调整,构建了10种番茄器官分类网络模型,在番茄器官图像数据集上,应用多种数据增广技术对网络进行训练,测试结果表明各网络的分类错误率均低于6.392%。综合考虑分类性能和速度,优选出一种8层网络用于番茄主要器官特征提取与表达。用筛选出的8层网络作为基本结构,设计了一种番茄主要器官检测器,结合Selective Search算法生成番茄器官候选检测区域。通过对番茄植株图像进行检测识别,试验结果表明,该检测器对果、花、茎的检测平均精度分别为81.64%、84.48%和53.94%,能够同时对不同成熟度的果和不同花龄的花进行有效识别,且在检测速度和精度上优于R-CNN和Fast R-CNN。     

基于改进卷积神经网络模型的玉米叶部病害识别(英文稿)

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

适用于小样本显微图像数据集的柑橘黄龙病快速诊断模型

为了探究柑橘黄龙病病原菌对宿主叶片主脉显微结构的影响并建立基于叶片主脉显微图像的快速诊断方法,该研究以健康、染病未显症、染病显症和缺镁四类柑橘叶片主叶脉的显微图像为研究对象,提出了一个适用于小样本显微图像数据集的增强特征的无监督训练柑橘黄龙病检测模型（Enhanced Huanglongbing Unsupervised Pre-training Detect Transformer,E-HLBUP-DETR）。该模型首先采用无监督训练结合迁移学习构成上游网络（unsupervised pre-training model）,再利用Yolact模型设计出增强特征网络（Enhanced Feature Network,EFN）与DETR(Detect Transformer)相结合构成下游网络,最终建立E-HLBUP-DETR诊断模型。研究结果表明,E-HLBUP-DETR模型检测的准确率可达96.2%,能够解决采用小规模数据集训练的模型存在过拟合和准确率低的问题。相较于未改进的DETR模型,E-HLBUP-DETR具有更高的检测准确率,识别准确率也优于CNN架构ResNext的92.1%与MobileNet的76.3%。研究结果可为显微尺度下柑橘黄龙病的早期快速诊断提供技术支持。     

基于卷积神经网络面部图像识别的拖拉机驾驶员疲劳检测

针对疲劳驾驶极易造成拖拉机交通事故这一问题,该文提出了一种基于卷积神经网络面部特征识别的拖拉机驾驶员疲劳检测方法。首先,利用伽马亮度校正对驾驶员面部图像进行光照预处理,再通过小波包去除图像中的椒盐噪声和高斯噪声,对预处理后的图像分别通过PCA-SCM人脸特征识别定位算法和基于人脸核心特征库及肤色模型的人脸识别算法进行驾驶员面部的识别定位,并通过比对这2种算法识别的偏差大小校验算法识别的有效性,以减小拖拉机工作振动时采样对图像中人脸定位精度的影响。将提取到的驾驶员面部图像输入到卷积神经网络进行深度学习和训练,并建立驾驶员疲劳视觉检测模型,从而实现基于拖拉机驾驶员面部图像的疲劳检测。统计训练过程中各项参数变化情况并进行T-SNE降维迭代分析,与其他常规方法相比,CNN在检测准确度和检测效率方面都有较为明显的优势。试验表明,所提出的检测模型准确率98.9%,图片识别效率38 ms/帧(Inter i7-4510U双核处理器),能够实现拖拉机驾驶员疲劳状况的实时检测,该研究可为解决疲劳驾驶这一安全问题提供参考。