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%。     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

单子叶作物叶片气孔自动识别与计数技术

为实现作物叶片气孔的自动识别与快速计数,该研究采用卷积神经网络中高计算效率的YOLOv3算法,开发了一种全自动气孔识别和计数解决方案。该算法优化了物体检测性能,可准确识别显微图像中的气孔。其中,对指甲油印迹法获得照片的气孔检测精确率、召回率和F1值分别为0.96,0.98和0.97,便携式显微镜拍摄法照片气孔检测精确率、召回率和F1值分别为0.95,0.98和0.96,具有很好的鲁棒性。该算法检测速度快,可实现对30帧/s的视频文件进行快速气孔识别,实现了实时检测。此外,采用拍摄的小麦叶片照片进行训练得到的气孔识别模型,还可同时实现对大麦、水稻和玉米等单子叶作物叶片气孔的识别,其中,大麦的检测精确率、召回率和F1值分别为0.94,0.83和0.88;水稻的检测精确率、召回率和F1值分别为0.89,0.42和0.57;玉米的检测精确率、召回率和F1值分别为0.91、0.76和0.83;显示出模型良好的泛化能力。     

基于深度学习与融合地形特征的黄土陷穴面向对象提取方法

黄土陷穴作为黄土高原地区一种特殊的地貌类型及地质灾害,其研究对指导黄土地区水土保持与工程建设工作具有重要意义。现阶段对陷穴的研究多基于传统野外调查,该方式成本高、效率低。为此,该研究开展面向对象与卷积神经网络（Convolutional Neural Networks,CNN）相结合的黄土陷穴自动化提取方法研究,并讨论融合地形特征对CNN模型提取精度的影响。研究选取黄土陷穴发育的典型区域,基于WorldView3遥感数据与ALOS高程数据,通过莫兰指数与灰度共生矩阵熵值确定影像的分割尺度,以面向对象的方式提取黄土陷穴的光谱、形状、纹理以及地形特征,制作融合地形特征与未融合地形特征的两类训练样本,进而训练两种CNN模型对同一区域内黄土陷穴进行提取,根据精确率、召回率以及F1分数评价模型的提取精度、分析对比两种CNN模型的提取结果,并建立支持向量机（Support Vector Machine,SVM）模型与CNN模型进行比较。研究结果表明,融合地形特征进行训练的CNN模型精确率达94.62%,召回率达86.27%、F1分数达90.26%,综合提取性能最好,相较于未融合地形特征训练的CNN模型,黄土陷穴的错分量大大减少,精确率提升18.10个百分点,F1分数提升9.15个百分点;两种CNN模型F1分数均达80%以上,比SVM模型分别高出6.94个百分点,16.09个百分点,提取结果均优于SVM模型;综上,融合地形特征的CNN模型可快速、精确地提取黄土陷穴,从而为黄土地区陷穴防治工作提供支持。     

改进Faster-RCNN自然环境下识别刺梨果实

为了实现自然环境下刺梨果实的快速准确识别,根据刺梨果实的特点,该文提出了一种基于改进的Faster RCNN刺梨果实识别方法。该文卷积神经网络采用双线性插值方法,选用FasterRCNN的交替优化训练方式(alternating optimization),将卷积神经网络中的感兴趣区域池化(ROI pooling)改进为感兴趣区域校准(ROI align)的区域特征聚集方式,使得检测结果中的目标矩形框更加精确。通过比较Faster RCNN框架下的VGG16、VGG_CNN_M1024以及ZF 3种网络模型训练的精度-召回率,最终选择VGG16网络模型,该网络模型对11类刺梨果实的识别精度分别为94.00%、90.85%、83.74%、98.55%、96.42%、98.43%、89.18%、90.61%、100.00%、88.47%和90.91%,平均识别精度为92.01%。通过对300幅自然环境下随机拍摄的未参与识别模型训练的刺梨果实图像进行检测,并选择以召回率、准确率以及F1值作为识别模型性能评价的3个指标。检测结果表明:改进算法训练出来的识别模型对刺梨果实的11种形态的召回率最低为81.40%,最高达96.93%;准确率最低为85.63%,最高达95.53%;F1值最低为87.50%,最高达94.99%。检测的平均速度能够达到0.2 s/幅。该文算法对自然条件下刺梨果实的识别具有较高的正确率和实时性。     

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。     

基于卷积神经网络提取多尺度分层特征识别玉米杂草

为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别。试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考。     

基于多路卷积神经网络的大田小麦赤霉病图像识别

为了准确地识别小麦病害,及时采取防治措施,减少农药施用的成本,同时减少农业生态环境的污染,该研究以灌浆期感染赤霉病的小麦麦穗图像为研究对象,根据病变区域与健康区域的颜色分布特点,设计了一种多路卷积神经网络用于小麦赤霉病图像的识别。首先利用深度语义分割网络U-Net对大田环境下的小麦图像进行分割,去除小麦叶片及其他无关背景的影响,从而分割出麦穗图像。然后设计结构较为简单的多路卷积神经网络分别提取麦穗图像R、G、B 3个通道的特征,通过特征融合获得具有高辨识性的麦穗图像语义特征。最后,为了增大赤霉病和健康麦穗图像特征之间的可区分性,同时减小赤霉病麦穗图像类内特征的差异,采用联合损失函数进一步改善网络的性能。该研究对采集的大田环境下的510幅灌浆期小麦群体图像进行分割,选取2 745幅完整单株麦穗图像利用所设计的多路卷积神经网络进行赤霉病识别试验,结果表明该研究所提算法对单株麦穗赤霉病识别精度达到100%,能够为小麦病害的智能识别提供帮助。     

融合FPN的Faster R-CNN复杂背景下棉田杂草高效识别方法

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草提供参考。     

人字形板式换热器流道传热特性及参数优化

为实现田间条件下快速、准确识别棉花与杂草,该文以自然光照下田间棉花与杂草为研究对象,采用垂直向下拍摄的方式获取棉花杂草视频,按1帧/s的速率从视频中提取图像,在人工去除冗余度过多的图片后,建立1 000幅图片的数据集。对比了Faster R-CNN和YOLOv3 2种典型卷积神经网络,将Faster R-CNN卷积神经网络的深度学习模型引入到棉花杂草图像识别中,并提出一种结构优化的方法,使之适用于复杂背景下的棉田杂草识别。该文选用残差卷积网络提取图像特征,Max-pooling 为下采样方法,RPN网络中引入特征金字塔网络生成目标候选框,对卷积神经网络结构进行优化。在使用700幅图片进行训练后,通过200 幅田间棉花杂草图像识别测试,结果表明：该方法的平均目标识别准确率达95.5%,识别单幅图像的平均耗时为1.51 s,采用GPU 硬件加速后识别单幅图像的平均耗时缩短为0.09 s。优化后的Faster R-CNN卷积神经网络相对于YOLOv3平均正确率MAP高0.3以上。特别是对于小目标对象,其平均正确率之差接近0.6。所提方法对复杂背景下棉花杂草有较好的检测效果,可为精确除草的发展提供参考。     

采用改进的SqueezeNet模型识别多类叶片病害

为实现作物叶片病害的准确识别,该研究以PlantVillage工程开源数据库中14种作物38类叶片为研究对象,从网络规模小型化和计算过程轻量化需求的角度出发,对经典轻量级卷积神经网络SqueezeNet提出改进措施,包括修改最后一层卷积层的输出、删除经典模型中的后3个fire模块并修改fire模块5的参数、调节fire模块中expand层中1×1和3×3的卷积核数目的比例、移动部分fire模块在模型中的位置等措施,共获取5种改进的病害叶片检测模型,并运用迁移学习和随机梯度下降算法进行训练。试验结果表明,在不过多损失网络性能的前提下,改进后5种模型的参数内存需求及模型计算量均呈现大幅减小,模型收敛迅速,其中最优模型参数内存需求仅为0.62MB,模型运算量仅为111MFLOPs,其平均准确率达到98.13%,平均查全率达到98.09%,平均查准率达到97.62%,在与已有相关研究的对比中表现出较高的性价比。该研究提出的改进模型在大幅减少参数内存要求和计算量的同时使模型性能保持在一个较高的水平,较好地平衡了这3项指标,适合将模型部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病害的实时准确识别。     

基于改进MobileNet-V2的田间农作物叶片病害识别

农作物病害是造成粮食产量下降的重要因素,利用智能化手段准确地识别农作物病害有利于病害的及时防治,该研究基于改进的MobileNet-V2识别复杂背景下的农作物病害,对未来覆盖各种作物的智能化病害识别工作具有重要意义。首先创建含有11类病害叶片及4类健康叶片的农作物数据集,采用数据增强操作构造不同的识别场景。其次在原始模型MobileNet-V2的基础上,嵌入轻量型的坐标注意力机制,建立通道注意力与位置信息的依赖关系。然后对网络中不同尺寸的特征图采取上采样融合操作,构建兼具网络高、低层信息的新特征图。此外,采用分组卷积并删除模型中不必要的分类层,减少模型参数量。试验结果表明：改进模型的参数量为2.30 MB,改进模型的识别准确率在背景复杂的农作物叶片病害数据集中达到了92.20%,较改进前提高了2.91个百分点。相比EfficientNet-b0、ResNet-50、ShuffleNet-V2等经典卷积神经网络架构,改进模型不仅达到了更高的识别准确率,还具有更平稳的收敛过程以及更少的参数。该研究改进的模型较好地平衡了模型的复杂度和识别准确率,为深度学习模型移植至田间移动病害检测设备提供了思路。     

基于混合3D-2D CNN的多时相遥感农作物分类

准确的农作物分类图是农业监测和粮食安全评估的重要数据来源,针对传统的深度学习模型在多时相农作物遥感分类方面精度较低的问题,该研究将卷积维度单一的卷积神经网络(Convolutional Neural Networks,CNN)进行改进,提出了一种混合三维和二维卷积的神经网络识别模型(HybridThreeDimensionalandTwoDimensionalConvolutional Neural Networks,3D-2D CNN)。该模型首先通过多个三维卷积层提取时空特征,其次将输出的特征降维压缩后通过二维卷积层执行空域特征分析,最后将高层特征图展平后通过全连接层进行类别预测。试验以Landsat8多时相影像为数据源,将美国加利福尼亚州北部研究区的地块按照2:2:6分层随机划分为训练集、验证集和测试集。试验结果表明3D-2DCNN对13种农作物分类的总体精度(89.38%)、宏平均F1值(84.21%)和Kappa系数(0.881)均优于三维卷积神经网络(Three Dimensional Convolutional Neural Networks,3D-CNN)、二维卷积神经网络(Two Dimensional Convolutional Neural Networks,2D-CNN)、支持向量机(Support Vector Machines,SVM)和随机森林(Random Forest,RF)等方法,并在参数量和收敛时间方面比3D CNN大幅度减小。同时,在较小样本训练集下3D-2D CNN仍表现最优。该模型综合利用空间-光谱-时间特征并具有较高的分类精度和较强的鲁棒性,这为解决多时相遥感农作物分类问题提供了一个有效且可行的方案。     

面向苹果叶部病害识别的细粒度蒸馏模型

为了提高轻型卷积神经网络（convolutional neural networks,CNN）在苹果叶部病害识别中的精度，使其更加适于布署到智慧农业移动终端，该研究设计了一种细粒度知识蒸馏（fine-grained knowledge distillation,FGKD）模型。首先，利用上下文信息与空间-语义关系分别设计了上下文空间注意力（spatial attention,SA）与细粒度特征提取（fine-grained feature extraction,FGFE）模块，且将它们嵌入到Resnet50与设计的轻型CNN，分别作为教师与学生网络；然后，构造SA与FGFE知识蒸馏损失函数，以将教师网络中的特征提取与细粒度知识表示能力迁移到学生网络之中，以增强其对苹果叶部病害图像的局部特征提取能力与高层语义表达能力，使轻型学生网络在参数量很小的条件下，其性能接近复杂的教师网络。基于标准苹果叶部病害数据集的对比试验结果表明，经知识蒸馏之后的学生网络精度为98.60%，模型参数量仅0.75 MB，平均推理时间为25.51 ms，能够有效地满足实际智慧农业移动端对模型的需求，快速准确地实现苹...     

耦合全局与局部特征的苹果叶部病害识别模型

为充分利用苹果叶部病害图像类间差异小且类内差异大的特点,该研究基于全局与局部特征的交互式耦合对特征提取方法进行了优化,设计出一种苹果叶部病害识别模型。首先,在全局特征提取分支设计了一个注意力融合模块,以融合通道和空间上的信息而增强卷积提取到的特征图,并由增强后的特征图生成全局特征以及注意力激活图;然后,在局部特征提取分支,利用注意力激活图的引导,设计了一个裁剪模块对原图像进行裁剪,以得到可能包含病害信息的图像块且嵌入生成局部特征;最后,通过设计多头交叉注意力特征耦合模块,实现全局特征和局部特征的双向交叉耦合。基于苹果病害图像数据集的试验结果表明,将全局与局部特征进行交互耦合能有效提升模型对苹果叶部病害图像的特征提取能力,其识别准确率可达到98.23%,且较之单纯的局部或全局特征提取分支,准确率分别提高了3.39与4.61个百分点,所提模型可用于实现自然场景下的苹果叶部病害自动识别。     

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。     

基于叶片图像和环境信息的黄瓜病害识别方法

作物病害严重影响着作物的产量和质量,病害类型识别是病害防治的前提。利用图像处理和统计分析,提出了一种基于病害叶片图像和环境信息的黄瓜病害类别识别方法。采集不同季节、温度和湿度等环境下的病害叶片图像,并记录病害的环境信息;利用属性约简法提取病害叶片的5个环境信息特征向量,对病害叶片图像进行一系列图像处理,提取病斑图像的颜色、形状、纹理等35个统计特征向量。将两者结合得到黄瓜病害的40个特征分量。再利用统计分析系统(statistical analysis system,SAS)的判别分析方法,选择10个分类能力强的特征分量,计算作物病害的聚类中心分类特征向量。最后,利用最大隶属度准则识别病害叶片的病斑类别。对黄瓜的霜霉病、褐斑病和炭疽病3种叶部病害的识别率高达90%以上。试验结果表明,该方法能够有效识别作物叶部病害类别,可为田间开放环境下实现作物病害的快速自动识别提供依据。     

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。