基于深度卷积神经网络的柑橘黄龙病症状识别

【目的】探究深度学习在柑橘Citrus spp.黄龙病症状识别上的可行性,并评估识别器的识别准确率。【方法】以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材,基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。【结果】M-8-C模型的整体识别表现最优,对所有图像的识别准确率为93.7%,表明构建的神经网络识别器能有效辨别柑橘黄龙病症状;I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上,在田间测试中取得较好的识别表现。【结论】基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。     

基于卷积神经网络的天麻表面破损检测研究

【目的】为解决传统天麻表面破损主要依靠人工检测的问题,提出将残差神经网络模型(Faster R-CNN ResNet101)检测方法应用到天麻表面破损识别中,以期取得较好的识别效果。【方法】以腐烂、霉变、机械损伤和完好等4类天麻为研究对象,在卷积神经网络和区域候选网络的基础上构建模型,然后在tensorflow框架上实现模型检测,最后对比分析结果。【结果】天麻表面破损检测模型利用Faster R-CNN ResNet101网络中的输入卷积层以及4个卷积组进行特征提取,区域候选网络生成天麻表面破损的初步位置候选框,实现候选框的分类和定位,其识别率达95.14%,且查准率为0.94,召回率为0.92。与SSD (Single Shot multibox Detector)、Faster_rcnn_inception和Rfcn_resnet101等3种神经网络识别方法对比,识别率分别提高了13.02%、10.69%和12.02%。【结论】该模型具有泛化能力强、准确率较高和鲁棒性较好等特点,为农产品的识别研究提供了参考和借鉴。     

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。     

基于调制荧光检测技术的柑橘黄龙病诊断

【目的】实现柑橘黄龙病的及时诊断,防止病情扩散、保障柑橘生产。【方法】运用基于调制荧光检测技术的超便携式调制叶绿素荧光仪MINI-PAM获取柑橘Citrus reticulata叶片荧光参数,通过概率神经网络对荧光数据进行建模及分类处理,以鉴定并区分健康的、非黄龙病黄化的以及黄龙病的柑橘植株。【结果】该方法对所有类别的诊断准确率均高于76.93%,有些类别分类准确率甚至可达100%。【结论】基于概率神经网络的柑橘黄龙病调制荧光检测技术用于鉴别柑橘黄龙病病情具有一定的可行性和推广性。     

基于VGG-16卷积神经网络的水稻害虫智能识别研究

为了实现自然场景下水稻害虫实时精准被识别,构建基于VGG-16卷积神经网络的水稻害虫智能识别模型。该模型采用VGG-16卷积神经网络为核心网络结构,根据水稻害虫的个体特征和自然场景,对VGG-16网络的卷积层局部调整,优化主要模型参数,实现水稻害虫的智能识别,其识别的平均准确率是90.7%,实现对沙叶蝉、大螟、斑须蝽、点蜂缘蝽和白背飞虱的准确识别。研究结果显示,采用卷积神经网络技术可以实现自然场景下害虫图像的精准识别,代替人工辨认,提高水稻害虫防治率,实现实时、精准防治的目标。     

基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究

目的 解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。方法 首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用Mixup算法建立样本之间的线性关系,增强模型识别数据样本的鲁棒性;然后,迁移Xception网络在ImageNet数据集上的先验知识,提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型-X-ResNeXt模型;最后,采用动量梯度下降优化方法,有效地减缓震荡影响,并且有效地加速模型向局部最优点收敛。结果 采用数据扩增数据集训练的X-ResNeXt模型准确率可以达到91.38%;在进行迁移学习优化后,训练时间减少了432 s,准确率提升为91.97%;结合Mixup混类数据增强进一步训练,模型准确率提升为93.74%;最后,利用动量梯度下降方法进行模型收敛优化,最终模型的准确率达到94.29%,比Inception-V3和Xception网络分别提高了3.98%和1.51%。结论 在数据量较少情况下,降低模型复杂度并迁移已有先验知识,有助于模型性能提升;Mixup混类数据增强方法有利于提高模型识别柑橘黄龙病果实图像样本的适应性,提升柑橘黄龙病果实识别模型性能;X-ResNeXt模型在准确率与召回率指标上优于经典识别模型,可为柑橘黄龙病的高精度、快速无损识别提供参考。     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。     

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。     

基于无人机低空高光谱遥感影像的柑橘黄龙病植株监测模型

以广西壮族自治区柳州市鹿寨县平山镇九简村的柑橘（Citrus reticulata Blanco）为研究对象,通过地面人工实测判别柑橘黄龙病（HLB）植株,协同无人机低空遥感获取标定柑橘种植地块的高光谱影像;计算柑橘健康植株和HLB植株冠层感兴趣区域（ROI）的平均光谱,并对初始光谱进行异常数据剔除、平滑去噪和光谱变换,得到原始光谱、一阶微分光谱（FDR）和二阶微分光谱（SDR）;采用主成分分析法对其进行降维后,构建支持向量机（SVM）分类模型。结果表明,通过选择400～1 000 nm的特征波段,使用ArcGIS软件提取样本平均光谱,其全波段一阶微分光谱的训练集和测试集分类准确率分别达87.41%、84.67%,SVM分类模型参数分别为C=35.39、γ=0.01;使用ENVI软件提取样本平均光谱,其全波段一阶微分光谱的训练集和测试集分类准确率分别达92.39%、96.43%,SVM分类模型参数分别为C=5.06、γ=1.02。无人机低空遥感高光谱监测柑橘HLB具有可行性,可快速识别柑橘种植园地的HLB植株。     

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。     

基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移

【目的】在家蚕种茧雌雄鉴别设备推广应用中,为了减少新品种、新设备需要重新建模的难度和时间,进行了基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移研究。【方法】首先使用2种型号光谱仪(NirQuest512光谱仪和SW2540光谱仪)采集4个品种蚕茧(9芙、7湘、7夏和932)的近红外漫透射光谱数据;然后用源域数据集训练的卷积神经网络作为源域模型,并对其中的中间层输出进行可视化分析;针对不同的种茧品种和不同的采集设备对源域模型进行微调,构建了迁移后的模型;最后将迁移后的模型预测准确率与卷积神经网络(Convolutional neural networks,CNN)、支持向量机(Support vector machine,SVM)和随机森林(Random forests,RF)算法进行对比。【结果】采用源域1 700个9芙样本(NirQuest512光谱仪)构建的CNN源域模型,具有很好的雌雄分辨能力,分辨准确率达到99%以上。以源域CNN模型中间层输出作为输入构建的SVM和RF模型,雌雄分辨准确率分别为92%和90%以上,通过可视化分析表明卷积层能很好地提取雌雄特征。对于目标域中样本数量较少的100个7湘(NirQuest512光谱仪)、77个7夏和112个932的样本(SW2540光谱仪),训练集比例为70%时,通过微调源域CNN模型后得到的目标域CNN模型的准确率分别为96.90%、99.67%、97.29%,效果最优;独立的SVM模型准确率分别为92.49%、94.25%、93.65%,效果次之;独立RF模型的准确率分别为80.93%、80.17%、81.47%,效果稍差;独立CNN模型的准确率分别只有58.87%、56.33%、72.17%,效果最差。通过多次不同训练集数量的建模比较,同样显示在数据量较少的情况下,迁移学习后CNN模型最优,传统机器学习方法次之,深度CNN模型最差。【结论】不同光谱仪或者不同品种的情况下深度迁移学习模型的可迁移性,为使用多种光谱仪和采集多种品种蚕茧时快速建立一个蚕茧雌雄分类模型提供了理论和实践的依据。     

基于宽度卷积神经网络的异常农情数据检测方法

【目的】为准确有效地检测农业物联网的感知数据异常,提出了基于宽度卷积神经网络的异常农情数据检测方法,为实现农业物联网数据高质量感知提供参考。【方法】首先将标准化后的农情数据编码为极坐标表示,通过滑动窗口机制划分子集,接着将每个子集数据重构为矩阵,最后设计并训练宽度卷积神经网络模型用于异常检测,采用养殖场环境监测数据进行试验。【结果】构建的滑动窗口机制可提升异常数据检测能力,缩短检测时间。所设计的宽度卷积神经网络对空气温湿度、土壤温湿度等数据中所存在的异常检测准确率均超过97.5%,优于SVM、RF和CNN模型1.69%、2.76%和3.05%;F1值均在0.985以上,优于SVM、RF和CNN模型0.009 3、0.014 9和0.016 3;且在处理波动性较大的空气、土壤温湿度数据时性能优势更为明显,准确率和F1值分别提高了3.61%～5.98%和0.018 8～0.031 0。此外,该方法模型检测耗时较短,仅为传统CNN模型的1/6～1/7,并且比SVM和RF模型使用更少的超参数。【结论】所建立的数据编码、子集划分和重构方法与宽度卷积神经网络模型对异常农情数据有较好的检测效果。     

基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

【目的】研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取验本集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值。     

基于高光谱数据的棉田虫害鉴别研究

【目的】快速、准确、无损伤地鉴别棉花虫害类别,以便针对性制定植保施药方案。【方法】对棉花叶片高光谱数据进行采集和分析。采用波段范围为350～2 500 nm的FieldSpec?3便携式光谱分析仪,分别获取受蚜虫和红蜘蛛危害的棉花叶片以及正常棉花叶片的高光谱数据。采用K-近邻和SVM算法区分受红蜘蛛和蚜虫侵害的叶片以及正常叶片。为进一步优化虫害识别模型、提高识别精度,利用主成分分析方法 (PCA)进行特征降维,并利用网格搜索法进行参数寻优。【结果】使用K-近邻算法和SVM算法构建了虫害识别模型,2种模型的识别率分别为86.08%和89.29%;引入PCA进行特征降维并使用网格搜索进行参数寻优后,可以提高虫害识别率,K-近邻算法和SVM算法的识别精度分别达到88.24%和92.16%。【结论】利用高光谱数据可以区分受蚜虫和红蜘蛛侵害以及正常的棉花叶片;结合PCA降维和网格搜索法,能够提高识别率且不需要获得具体的特征波段;对于受蚜虫和红蜘蛛侵害以及正常的叶片识别,基于径向基核函数的SVM算法优于K-近邻算法。     

基于高光谱成像技术的柑橘黄龙病病情诊断及分类

【目的】柑橘黄龙病(Citrus Huanglongbing,HLB)是一种无法根治且易扩散的病害,建立柑橘黄龙病病情诊断及分类的方法,以及时发现并去除病株,防止感染其他果树。【方法】基于高光谱成像技术,利用最小噪声分离变换进行降维去噪、像元纯净指数获取纯净像元并建立训练集,通过Fisher判别法对柑橘黄龙病病情进行鉴别并分类。【结果】通过对训练集设置适当的门限值,柑橘黄龙病病情识别正确率达90%以上。【结论】利用高光谱技术进行柑橘黄龙病病情诊断具有较高的可行性。     

仁化县贡柑主要病害的调查与检测

【目的】贡柑生产是广东省韶关市仁化县的支柱性产业之一。近年来,其种植面积逐渐扩大;2019年仁化县柑橘产业园入选为广东省第二批省级现代农业产业园。但关于该地区贡柑上主要病害的调查和研究还未见详细报道。【方法】通过QPCR(probe)和RT-PCR的方法分别对采集的150个样品进行贡柑黄龙病和病毒病(衰退病、碎叶病、裂皮病、黄脉病)的检测;除此之外,在田间调查时有些果园的真菌病害发病较重,因此采用常规的真菌分离方法并利用真菌的通用引物转录间隔区ITS对采集自该地区的病样进行主要病原菌的分离和分子生物学鉴定。【结果】2019年4月抽检样品的黄龙病平均阳性率为13.2%;10月除黄坑镇黄坑村的失管园外,抽检阳性率均在17%以下。值得注意的是,来自黄坑镇黄坑村的失管果园,柑橘黄龙病的阳性检出率从2019年4月的18.2%上升到10月的87.5%;丹霞街葛布村果园的阳性检出率则从6.7%上升到14.3%。同时,衰退病毒病的平均抽检阳性率4月为41.2%,10月为100%,其他病毒病均未检测到;柑橘溃疡病、柑橘炭疽病和柑橘褐斑病也有发生,个别果园发生较严重。【结论】仁化县贡柑黄龙病有一定程度的发生,可通过加强以田间管理为重点的优质高产可持续发展的分类防控等综合防治措施进行防控,尽量减轻黄龙病对柑橘产业的危害,延长柑橘园的丰产年限和生产寿命。但柑橘衰退病毒病的发病率较高,建议在种苗生产或种植前加强对贡柑衰退病毒病的检测;同时加强对该地区柑橘炭疽病和柑橘褐斑病等病害的科学防治,合理用药,减少化学农药用量。     

基于卷积神经网络的番茄叶部病害识别方法

【目的】利用卷积神经网络构建作物病害识别模型,提高识别性能,解决作物病害识别性能低、泛化效果差等问题。【方法】通过数据增广技术增加样本多样性,引入聚焦损失改进模型学习目标,解决样本非均衡问题,分析比较不同卷积神经网络结构的识别性能,并用类激活图生成技术度量模型的可靠性。在番茄叶部病害数据集上验证方法的有效性。【结果】应用数据增广技术后,模型在简单背景样本上的识别准确率提高了1.0%,在复杂背景样本上提高了12.5%;聚焦损失使模型的准确率提高了0.1%;该模型的识别准确率为99.8%,对各类病害的召回率在97.3%以上;应用类激活图技术生成的显著性图可有效标识模型在识别过程中的重点关注区域。【结论】该方法能够有效解决病害图像样本非均衡问题,提高了病害识别模型的泛化性能,同时类激活图可以用于分析模型的可靠性,从而为番茄叶部病害防治提供参考。     

广西砂糖橘黄龙病亚洲种的Nested—PCR检测

【目的】利用柑橘黄龙病病原亚洲种16S rDNA序列的特异引物检测疑似黄龙病的砂糖橘叶片样品,为砂糖橘黄龙病的综合防控提供理论依据。【方法】选取采自广西9市17个采样点的214份疑似黄龙病及无症状砂糖橘叶片样品,用试剂盒法提取叶脉基因组DNA,采用柑橘黄龙病亚洲种16S rDNA特异引物进行PCR扩增,扩增结果在1%琼脂糖凝胶电泳上检测,统计待检样品柑橘黄龙病病原菌亚洲种的带菌率。【结果】对214份样品的Nested-PCR扩增结果,部分样品可得到1160 bp左右的特异条带,与预期大小相符但条带明暗不同。来自广西9市17个采样点的砂糖橘叶片样品均检测出黄龙病亚洲种病原,平均检出率均在66.0%以上,其中检出率最高的是来自东兴市的样品,检出率为100.0%,检出率最低的是来自南宁市的样品,检出率为66.9%;斑驳、缺素型黄化、叶脉黄化、小叶和无症状叶片样品中均可检测出黄龙病亚洲种。【结论】Nested-PCR技术具有灵敏度高、特异性强的特点,能够快速、准确检测出各种症状样品的黄龙病病原,可用于柑橘黄龙病的早期诊断。     

基于改进 YOLOX 模型的柑橘木虱检测方法

【目的】黄龙病被称为柑橘的“癌症”，是一种毁灭性病害，而木虱是黄龙病传播的主要媒介， 对木虱的监测和精准消杀是防控黄龙病及抑制其传播的一种有效途径。【方法】传统方式消灭木虱主要是靠人 工喷洒药物，人力成本高但防控效果并不理想。采用基于改进 YOLOX 的木虱边缘检测方法，在主干网络加入卷 积注意力模块 CBAM（Convolutional block attention module），在通道和空间两个维度对重要特征进行进一步提取； 将目标损失中的交叉熵损失改为使用 Focal Loss，进一步降低漏检率。【结果】本研究设计的算法契合木虱检测 平台，木虱数据集拍摄于广东省湛江市廉江红橙园，深度适应农业农村实际发展需要，基于 YOLOX 模型对骨干 网络和损失函数做出改进实现了更加优秀的柑橘木虱检测方法，在柑橘木虱数据集上获得 85.66% 的 AP 值，比 原始模型提升 2.70 个百分点，检测精度比 YOLOv3、YOLOv4-Tiny、YOLOv5-s 模型分别高 8.61、4.23、3.62 个 百分点，识别准确率大幅提升。【结论】改进的 YOLOX 模型可以更好地识别柑橘木虱，准确率得到提升，为后 续实时检测平台打下了基础。