基于改进YOLOv4模型的茶叶病害识别

【目的】提出了一种改进的YOLOv4模型,为自然环境下3种常见茶叶病害（茶白星病、茶云纹叶枯病和茶轮斑病）的快速精准识别提供支持。【方法】使用MobileNetv2和深度可分离卷积来降低YOLOv4模型的参数量,并引入卷积注意力模块对YOLOv4模型进行识别精度改进。采用平均精度、平均精度均值、图像检测速度和模型大小作为模型性能评价指标,在相同的茶叶病害数据集和试验平台中,对改进YOLOv4模型与原始YOLOv4模型、其他目标检测模型（YOLOv3、SSD和Faster R CNN）的病害识别效果进行对比试验。【结果】与原始YOLOv4模型相比,改进YOLOv4模型的大小减少了83.2%,对茶白星病、茶云纹叶枯病和茶轮斑病识别的平均精度分别提高了6.2%,1.7%和1.6%,平均精度均值达到93.85%,图像检测速度为26.6帧/s。与YOLOv3、SSD和Faster R-CNN模型相比,改进YOLOv4模型的平均精度均值分别提高了6.0%,13.7%和3.4%,图像检测速度分别提高了5.5,7.3和11.7帧/s。【结论】对YOLOv4模型所使用的改进方法具备有效性,所提出的改进YOLOv4模型可以实现对自然环境下3种常见茶叶病害的快速精准识别。     

基于YOLOv5-C的广佛手病虫害识别

【目的】为实现复杂背景下广佛手发病早期的病虫害快速精准识别,提出一种基于YOLOv5-C的广佛手病虫害识别方法。【方法】使用YOLOv5s网络模型作为基础网络,通过引入所提出的多尺度特征融合模块,提高网络模型的特征提取与特征融合能力,均衡提高每一类广佛手病虫害的识别准确率;使用注意力机制模块提高网络模型对病虫害目标特征信息的关注度,弱化复杂背景的干扰信息,提高网络模型的识别准确率;利用改进的C3-SC模块替换PANet结构中的C3模块,在不影响网络模型识别性能的条件下减少网络模型的参数。【结果】基于YOLOv5-C的复杂背景下的广佛手病虫害识别,F1分数为90.95%,平均精度均值为93.06%,网络模型大小为14.1 Mb,在GPU上每张图像平均检测时间为0.01 s。与基础网络YOLOv5s相比,平均精度均值提高了2.45个百分点,7个类别识别的平均准确率的标准差由7.14减少为3.13,变异系数由7.88%减少为3.36%。平均精度均值比Retina Net、SSD、Efficientdet和YOLOv4模型分别高22.30、20.65、4.84和2.36个百分点。【结论】该方法...     

基于改进YOLOv4算法的番茄叶部病害识别方法

为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。     

基于实例分割苹果采摘机器人视觉定位与检测

为了实现采摘机器人对复杂环境中的苹果进行精准的视觉检测与定位,提出了一种基于Mask RCNN实例分割模型检测果园苹果的方法。为了降低模型的参数数量并提升检测的速度,将主干特征提取网络由Resnet101网络替换为轻量化Mobilenetv3网络。该网络结构采用深度可分离卷积代替普通卷积,能有效降低模型参数量。并采用空间金字塔池化(spatial pyramid pooling,简称SPP)模块,对输出网络进行语义增强,利用空洞卷积掩码特征图增加感受野。模型的参数量相较于Resnet101下降了62.03%,检测速度由5帧/s提高到9帧/s,检测速度提高80%。检测结果准确率为93.75%,召回率为89.99%,平均检测精度(mAP)为93.75%。试验证明,该算法能够对不同场景的苹果边缘位置信息以及类别进行有效的视觉识别检测,可为自动化采摘苹果机器人的视觉系统提供有力的技术支撑。     

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。     

无人机遥感图像中的玉米雄穗轻量化检测模型

【目的】玉米雄穗在玉米生产及品种鉴别等方面具有重要的作用,其性状在一定程度上也和产量相关,自动监测玉米抽雄期能有效观察玉米生长状况,现阶段的玉米雄穗检测方法无法很好地完成实时检测任务,从而提出一种兼顾检测精度与检测速度的新检测模型。【方法】使用无人机在中国西南地区的玉米农田采集数据样本,对数据样本进行处理,共得到1 000张有效数据,使用LabelImg软件标注出样本中雄穗的位置和大小。为使试验模拟出复杂环境下的玉米雄穗在不同气候与光照呈现出不同的特征,随机采用镜像对称、仿射变换、高斯加噪、对比度变化的方式对数据样本增强至11 000张,以此制作数据集。选用检测精度高但参数量和计算量较大的YOLOv4作为检测的基准模型,为了减少模型参数量与计算量,更好地完成雄穗实时检测任务,新的检测模型使用轻量级神经网络GhostNet替换YOLOv4的主干特征提取网络,在加强特征提取网络中使用深度可分离卷积模块替代普通卷积模块,并将激活函数更换为稀疏性较强的ReLU6,从而有效地进行轻量化。【结果】轻量化后的新模型参数量为43.4 MB,计算量为3.55 GFLOPs,仅占原基准模型YOLOv4的1...     

基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi-head self-attention,多头自注意力)替换了SPPF(Spatial pyramid pooling-fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self-attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。     

基于改进YOLOX-Nano的农作物叶片病害检测与识别方法

目的 实现精确迅速的农作物病害检测,减少人工诊断成本,降低病害带来的农作物产量和品质影响。方法 根据对农作物病害和病斑特征的分析,提出一种基于卷积注意力机制改进的YOLOX-Nano智能检测与识别模型,该模型采用CSPDarkNet作为主干网络,将卷积注意力模块CBAM引入到YOLOX-Nano网络结构的特征金字塔(Feature pyramid network,FPN)中,并在训练中引入Mixup数据增强方式,同时将分类的损失函数由二分类交叉熵损失函数(Binary cross entropy loss,BCE Loss)替换为焦点损失函数Focal Loss、回归损失函数由GIOU Loss替换为本文设计的CenterIOU Loss函数,采用迁移学习策略训练改进的YOLOX-Nano模型,以此提升农作物病害检测的精度。结果 改进后的YOLOX-Nano模型仅有0.98×10⁶的参数量,在移动端测试单张图片检测时间约为0.187 s,平均识别精度达到99.56%。实践结果表明,其能快速有效地检测与识别苹果、玉米、葡萄、草莓、马铃薯和番茄等农作物的常见病害,且达到了精度与速度的平衡。结论 改进后的模型不仅对农作物叶片病害识别具有较高的精度和较快的检测速度,参数量和计算量较少,还易于部署在手机等移动端设备。该模型实现了在田间复杂环境对多种农作物病害精准定位与识别,对于指导早期农作物病害的防治具有十分重要的现实意义。     

一种基于改进YOLOv5s的电动车头盔佩戴检测方法

为了解决电动车驾乘人员头盔佩戴检测问题,提出了一种基于改进YOLOv5s模型的电动车头盔佩戴检测方法.该方法以YOLOv5s模型为基础,首先使用GhostBottleneck模块替换YOLOv5s中的卷积模块以减少参数量;其次设计了 GhostCSP-Bottleneck来优化特征提取结构;最后在主干网络增加注意力机制...     

基于YOLO v5的水稻害虫分类

针对水稻害虫识别过程中存在的检测难度大、模型精度低、计算量大等问题,以稻纵卷叶螟等14类水稻害虫为研究对象,改进了YOLO v5检测算法,引入高效通道注意力机制(efficient channel attention, ECA)与EIoU(efficient-IoU)损失函数,并结合Ghost卷积,提出了一种基于改进的YOLO v5水稻害虫识别方法：(1)通过引入ECA注意力机制实现对水稻害虫识别过程中重要信息的处理,采用跨通道信息交互,保证模型性能和降低复杂度;(2)引入EIoU损失函数代替CIoU(complete-IoU)损失函数,从而降低原有CIoU损失函数存在的回归精度问题;(3)利用Ghost卷积替换CBS模块及C3模块中的标准卷积,实现模型轻量化处理。结果表明,改进后的模型较原始YOLO v5模型精度略微提升,参数量减少,模型体积降低至7.38 MB,较原模型减少了46%,与YOLO v7、Faster-RCNN模型相比,mAP比YOLO v7高1.49百分点,比Faster-RCNN高12.89百分点,且本研究模型体积最小,检测速度满足实时性要求,使水稻害虫检测识别能够...     

基于改进区域卷积神经网络的田间玉米叶部病害识别

目的 引入区域卷积神经网络Faster R-CNN算法并对其改进，以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅，人工标注后对原始图像进行离线数据增强扩充；对Faster R-CNN算法进行适应性改进，在卷积层加入批标准化处理层，引入中心代价函数构建混合代价函数，提高相似病斑的识别精度；采用随机梯度下降算法优化训练模型，分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练，并测试得到最优特征提取网络，利用训练好的模型选取不同天气条件下的测试集进行对比，并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中，以VGG16卷积层结构作为特征提取网络具有更出色的性能，利用测试集图像检验模型，识别结果的平均精度为 0.971 8，平均召回率为0.971 9，F1为0.971 8，总体平均准确率可达97.23%；晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比，平均精度高0.088 6，单张图像检测耗时减少0.139 s；与SSD算法相比，平均精度高0.0425，单张图像检测耗时减少0.018 s，表明在大田环境中具有复杂背景的玉米病害智能检测领域，改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的，具有较高的准确率和较快的检测速度，能够避免传统人工识别的主观性，该方法为田间玉米病害的及时精准防控提供了依据。     

融合多头注意力的轻量级作物病虫害识别

【目的】解决当前病虫害识别方法参数多、计算量大、难以在边缘嵌入式设备部署的问题，实现农作物病虫害精准识别，提高农作物产量和品质。【方法】提出一种融合多头注意力的轻量级卷积网络(Multi-head attention to convolutional neural network,M2CNet)。M2CNet采用层级金字塔结构，首先，结合深度可分离残差和循环全连接残差构建局部捕获块，用来捕捉短距离信息；其次，结合全局子采样注意力和轻量级前馈网络构建轻量级全局捕获块，用来捕捉长距离信息。提出M2CNet-S/B/L 3个变体以满足不同的边缘部署需求。【结果】M2CNetS/B/L参数量分别为1.8M、3.5M和5.8M，计算量(Floating point operations,FLOPs)分别为0.23G、0.39G和0.60G。M2CNet-S/B/L对PlantVillage病害数据集取得了大于99.7%的Top5准确率和大于95.9%的Top1准确率，对IP102虫害数据集取得了大于88.4%的Top5准确率和大于67.0%的Top1准确率，且比同级别的模型表现优异。【结论】该方...     

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

目的 玉米穗丝是玉米的授粉器官，生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝，提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测，在VGG16-SSD的基础上，用MobileNet替换特征提取器，加入多层特征融合结构，得到MF-SSD网络模型；通过网络优化调整，试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构，优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集，应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验，并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力，提升识别速度。与VGG16-SSD相比，MF-SSD在交并比指标方面的平均精度提高7.2%，对玉米穗丝小目标检测的平均召回率提高19.6%，检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下，MF-SSD-cut-3模型在满足检测效果的前提下，以较小的空间代价获得了相对较短的运行时间；在不考虑空间和时间因素的情况下，MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性；Focal loss有效解决了SSD算法中正负样本数量不平衡问题，使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要，可以用于玉米生长状态的自动监控和产量的精准预测。     

基于改进YOLOX-Nano算法的柑橘梢期长势智能识别

【目的】采用机器视觉技术开展柑橘梢期的智能感知技术研究,以解决背景与目标颜色相似造成识别精度低的问题,实现柑橘梢期自动监测,探索算法的改进方法。【方法】根据不同卷积层提取特征的特点与不同注意力机制的作用,提出了一种基于多注意力机制改进的YOLOX-Nano智能识别模型,建立多元化果园数据集并进行预训练。【结果】改进的YOLOX-Nano算法使用果园数据集作为预训练数据集后,各类别平均精度的平均值(Mean average precision, mAP)达到88.07%。与YOLOV4-Lite系列模型相比,本文提出的改进模型在使用较少的参数和计算量的情况下,识别精度有显著的提升,mAP分别比YOLOV4-MobileNetV3和YOLOV4-GhostNet提升6.58%和6.03%。【结论】改进后的模型在果园监测终端的轻量化部署方面更具有优势,为农情实时感知和智能监测提供了可行的数据和技术解决方案。     

三七育苗播种机导种管设计与试验

【目的】为提高三七Panax notoginseng育苗机械化播种精确性,针对三七小行株距的特点,研究一种新型导种管。【方法】分别建立有、无导种管情况下种子运动的力学模型。在土槽上开展了以投种高度、播种机前进速度、投种角度为试验因素,以理论播种点与实际播种点距离偏差的标准差和弹跳率为试验指标的三因素五水平二次回归正交旋转组合试验;借助Design-Expert 10.0.3软件建立了试验因素与指标间的回归方程及多目标优化数学模型,获取最佳投种参数组合;在最优参数组合下,使用高速摄像技术获取种子运动轨迹,结合运用图像处理技术和曲线拟合法进行种子运动轨迹曲线方程研究;借助EDEM软件进行导种管截面尺寸仿真分析,确定截面尺寸;用3D打印技术试制导种管并开展播种验证试验。【结果】在有、无导种管情况下,影响种子离开排种器后运动的共同因素为排种器的周围速度、投种高度和投种角度。通过正交旋转组合试验得出最优投种参数组合为投种高度20 cm、播种机前进速度7.8 m/min、投种角度42°。在未安装导种管条件下,理论播种点与实际播种点距离偏差的标准差、弹跳率分别为51.66 mm和72.31%。研制的...     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

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。     

三七种子的大小对窝眼轮排种器充种性能的影响

【目的】探究窝眼轮排种器型孔尺寸与分级后三七Panax notoginseng种子的适配性对充种性能的影响规律,确定各级三七种子与适配型孔尺寸之间的关系。【方法】将三七种子分为4级,设计了4种不同型孔尺寸的窝眼轮排种器,利用离散元软件EDEM模拟各级种子在不同型孔尺寸排种器中的充种过程,分析各级种子在不同型孔尺寸排种器中的充种性能,得到各级种子适配排种器型孔尺寸,并进行了试验验证。【结果】各级三七种子均有适配型孔排种器,5.0～5.5和6.5～7.0 mm分级段的种子适配排种器型孔尺寸为7.5和8.5 mm;5.5～6.0和6.0～6.5 mm分级段的种子适配排种器型孔尺寸为8.0 mm。各分级段的种子在其适配排种器中充种时,合格指数均大于95.83%,漏播指数均低于2.00%,重播指数均低于2.17%。确定了种子长轴(l)与孔径(L)之间以及高轴(h)与孔深(H)之间的线性关系方程分别为L=0.58l+4.28和H=0.75h+3.96。【结论】排种器充种性能满足了三七播种的农艺要求,为窝眼轮排种器型孔尺寸的设计提供了理论依据。     

基于深度卷积神经网络的水稻田杂草识别研究

目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别，得出最优的网络模型，为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象，利用CCD感光相机采集杂草图像样本，构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取，并进行建模与试验。结果 在各深度模型对比试验中，VGG16模型取得了最高精度，其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992，其平均F值为0.954。在所设置的深度模型优化器试验中，VGG16-SGD模型取得了最高精度，其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982，其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中，无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900，而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草，这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义，可以有效地协助农业种植过程中的杂草防治工作。