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。     

基于多尺度注意力残差网络的桃树害虫图像识别

自然场景下拍摄的桃树害虫图像,不同种类的害虫个体之间存在尺寸大小差异以及害虫颜色与背景颜色相近的问题,影响害虫图像识别精度。针对以上问题,本文提出了一种基于多尺度注意力残差网络的桃树害虫图像识别模型。首先,将残差网络的第一层普通卷积替换为多尺度卷积,缓解了大卷积核对于小尺寸目标特征的不敏感性,增强多尺度害虫特征提取能力。其次,在残差结构中加入注意力机制选择性内核卷积单元,它通过自适应调整感受野重点提取害虫信息,产生有效感受,抑制背景干扰问题。实验结果表明,本文提出的模型识别准确率为93.27%,取得了较好的识别效果。     

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。     

深度学习结合快速导向滤波识别自然环境下脐橙果实

【目的】为提高脐橙采摘机器人在自然环境下对脐橙果实进行识别定位的精度,提出采用深度学习结合快速导向滤波方法识别自然环境下脐橙果实。【方法】以赣南脐橙为对象,改进导向滤波方法,去除自然环境下脐橙图像的光照等噪声信息,突出图像颜色和纹理特征。采用带有残差模块的Darknet-53作为特征提取网络,将多尺度融合的3尺度检测网络减少为2尺度检测网络,引入GIoU边界损失函数代替原损失函数,并使用DBSCAN+Kmeans聚类算法,对训练数据集聚类分析,优化预测分支的先验框尺寸,通过迁移学习训练方法建立脐橙果实识别模型,设计单果、向光、背光、果实重叠、枝叶遮挡5组测试集的对比实验,并与其他几种识别模型性能进行比较。【结果】快速导向滤波方法能很好地去除脐橙图像在自然环境下光照及边缘模糊等噪音信息。当优化2个预测分支先验框尺寸时,改进后模型在5种环境下综合性能都优于其他网络,尤其在真实种植环境下识别准确率达到了91.22%,召回率为97.30%,F1平均值为94.16%,识别速率约为26.48 fps。【结论】使用快速导向滤波结合深度学习方法建立的脐橙果实识别模型对自然环境下脐橙果实的识别具有较高的...     

基于多尺度注意力卷积网络的作物害虫检测

田间作物害虫检测是精确防治虫害和减少农药使用量的前提.由于田间害虫种类多,同种害虫个体间差异大,田间同一只害虫的大小、颜色、姿态、位置和背景变化多样、无规律,而且田间背景复杂、对比度低,使得传统的作物害虫检测方法的性能不高.现有的基于深度学习的作物害虫检测方法需要大量高质量的标注训练样本,而且训练时间长.在VGG16模型的基础上,本研究提出一种基于多尺度注意力卷积网络(Multi-scale convolu-tional network with attention,MSCNA)的作物害虫检测方法.在MSCNA中,多尺度结构和注意力模型用于提取多尺度害虫检测特征,增强对形态较小害虫的检测能力;在训练过程中引入二阶项残差模块,减少网络损失和加速网络训练.试验结果表明,该方法能较好地检测到农田中各种各样、大小不同的害虫,检测平均准确率为92.44％.说明该方法能够实现自然场景下作物害虫的精准检测,可应用于田间作物害虫自动检测.     

基于卷积神经网络的水稻病害图像识别研究

【目的】针对传统水稻病害识别技术对图像特定特征依赖性强、识别效率低等问题,提出将深度学习理论应用到水稻病害识别中,以期取得较好的识别效果。【方法】通过使用深度卷积网络建立水稻病害识别模型,对水稻3种主要病害数据进行了归一化处理,采用深度学习框架Keras进行深度CNN训练。通过设置不同的卷积核尺寸和池化函数,对水稻3种常见病害进行分类识别研究。【结果】卷积核尺寸采用9×9和池化函数采用最大池化构建的模型识别率最高;模型经过5次迭代,其识别准确率就能达到90%以上;当迭代6次时,图像趋于稳定,模型基本达到收敛;从模型性能分析看,损失函数呈梯度下降趋势,变化相对平稳,预测损失偏差逐步减少。【结论】该模型具有泛化能力较强、准确率较高、鲁棒性较好及损失率较小等特点,这为植物病害的识别研究提供了参考和借鉴。     

基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型

【目的】网箱生物识别和统计是海洋牧场的养殖管理的关键参考因素之一。针对混响噪声和复杂背景的干扰,构建不同光照条件下鱼类检测数据集,采用前视声呐成像技术,提出一种基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型（LAPR-Net）,实现浑浊或黑暗场景下水体网箱的鱼类识别。【方法】以罗非鱼为研究对象,基于 YOLOV5 模型的框架结构,主干网络模块采用轻量级 MobileNetV3 bneck 模块,利用线性瓶颈的逆残差结构和深度可分离卷积提取声呐图像中鱼类的特征,通过注意力机制 SE-Net 获取声呐图像多尺度语义特征并增强特征之间的相关性;颈部网络采用路径聚合网络结构,对目标特征进行多尺度融合,增强特征融合能力;预测部分采用基于非极大抑制方法进行最大局部搜索,去除冗余的检测框,筛选置信度最高的检测框,最终输出并显示鱼的检测结果,包含位置、类别以及检测目标的概率。【结果】选择 4 种其他主流的检测模型进行对比试验,包含 YOLOV3-ting（Darknet53）、YOLOV5（CSPdarknet53）、YOLOV5（Repvgg）、YOLOV5s（Transformer）,提出模型参数量为 3 545 453、计算量为 6.3 G、mAP 为 0.957,模型平均每张图片推理速度为 0.08868 s,同 YOLOV5 模型相比,改进后模型 mAP 提高 9.7%。【结论】本文提出的模型提高了训练和识别速度,降低了硬件设备要求,可为海洋牧场网箱养殖鱼类检测模型提供参考。     

基于改进YOLOv7的水稻害虫识别方法

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2 帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。     

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。     

基于MSDB-ResNet的水稻病虫害识别

目的 水稻产量关乎全人类的粮食安全,如何有效地预防和高效地检测水稻病虫害是智慧农业领域的重要课题。深度学习由于具备自主学习图像特征等优异性能,成为水稻病虫害识别的首选方法。但在自然环境下,数据集偏小,且容易受到复杂背景的影响,在训练过程中容易产生过拟合,以及细微特征难以提取等问题。本研究致力于解决上述问题。方法 提出一种基于改进ResNet的多尺度双分支结构的水稻病虫害识别模型(MSDB-ResNet)。在ResNet模型的基础上,引入ConvNeXt残差块,以优化残差块的计算比例,构建双分支结构,通过调整每条分支的卷积核大小,提取输入病害图像中大小不同的病害特征。针对现实环境复杂、数据集太小、过拟合等问题,利用从自然环境拍摄到的5932张水稻病虫害图像,使用随机亮度、运动模糊等数据预处理方法,以及镜像、裁剪、缩放等数据增强方法,将数据集扩充到20000张,训练MSDB-ResNet模型识别4种常见的水稻病害。结果 MSDB-ResNet在水稻病虫害数据集上具有良好的识别性能,识别准确率高达99.10%,较原ResNet 模型提高了2.42个百分点,明显优于AlexNet、VGG、DenseNet和ResNet等经典网络。该模型具有良好的泛化能力和极强的鲁棒性。结论 MSDB-ResNet模型在水稻病虫害识别中具有一定的可行性和先进性,可为实现复杂背景下的水稻病虫害识别提供参考。     

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...     

基于卷积块注意力胶囊网络的小样本水稻害虫识别

针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了 一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法.采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和...     

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。     

基于知识图谱的水稻病虫害智能诊断系统

目的 利用知识图谱对水稻病虫害领域复杂的异构数据信息进行结构化存储,建立病虫害间语义关系,为水稻病虫害关联检索及智能诊断提供理论依据。方法 首先提出一种面向水稻病虫害的知识图谱构建方法和基于图的水稻病虫害检索算法,通过引入节气实体实现水稻病虫害的预警。其次提出基于确定性因子(Certainty factor,CF)模型和知识图谱相结合的知识推理方法,利用CF与水稻病株症状的结合实现水稻病虫害的诊断。结果 利用命名实体识别模型,得出病、虫害名称及危害症状实体的准确率分别为0.92、0.90及0.87,进一步构建包括1 972个实体及5 226个实体关系的垂直领域知识图谱。通过自主开发的智能诊断系统进行案例分析,试验表明,诊断算法正确率达到86.25%。结论 该系统有效地解决了水稻病虫害领域数据检索、预警与诊断中知识的复杂性及不确定性的问题,有较强的实用价值和推广前景。     

基于双线性注意力网络的农业灯诱害虫细粒度图像识别研究

【目的】智能虫情测报灯诱捕到的农业害虫因种类繁多、虫体姿态多样、鳞片脱落等原因造成有些害虫图像存在种间相似和种内差异的现象。为了提高农业灯诱害虫识别率,针对YOLOv4检测模型检测到且容易混淆的19种灯诱害虫,本文提出了基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型。【方法】首先,根据灯诱害虫外观图像的相似性和检测误检的情况,将19种害虫分为6类;将所有害虫图像通过补边操作使得长宽相等,并缩放至统一尺寸224×224像素。为了提高模型的鲁棒性和泛化能力,对害虫图像进行镜像翻转、旋转180度、高斯噪声和均值滤波的数据增强,训练集、验证集和测试集样本量按照8:1:1比例划分。然后,针对6类19种农业灯诱害虫细粒度图像,建立了基于双线性注意力网络的农业灯诱害虫识别模型（bilinear-attention pest net,BAPest-net）,模型包括双线性特征提取、注意力机制和分类识别3个模块;通过修改特征提取模块的下采样方式提高特征提取能力;添加注意力机制模块让整个模型更关注于局部细节的特征,将双线性结构中的上下两个注意力机制的输出进行外积运算增加细粒度特征的权重,提高识别的准确性和学习效率;模型优化器使用随机梯度下降法SGD,分类模块中使用全局平均池化,旨在对整个网络从结构上做正则化防止过拟合。最后,在同一个训练集训练VGG19、Densenet、ResNet50、BCNN和BAPest-net 5个模型,对6类相似的19种农业灯诱害虫进行识别,以精准率、Precision-Recall（PR）曲线和平均识别率作为模型的评价指标。【结果】BAPest-net对6类相似的19种农业灯诱害虫平均识别率最高,达到94.9%;BCNN次之,为90.2%;VGG19模型最低,为82.1%。BAPest-net识别的6类害虫中4类鳞翅目害虫的平均识别率均大于95%,表明该模型能较好地识别出鳞翅目害虫。测试结果中仍存在少数相似度较高的害虫误判,特别当害虫腹部朝上或侧身,种类特征不够明显的时候容易引起相似害虫的误判。对于区分度较低的相似害虫需要更多的训练样本以获取更多的特征,提高模型的识别率和泛化能力。【结论】基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型可以自动识别6类相似的19种农业灯诱害虫,提高了农业灯诱害虫自动识别的准确率。     

湖北省水稻主要病虫害绿色防控技术

概述了农作物病虫害绿色防控技术体系的基本原理,介绍了湖北省水稻主要病虫害现状与背景、水稻主要病虫害绿色防控技术体系以及水稻品种抗逆性鉴定技术。     

Development of an automatic monitoring system for rice light-trap pests based on machine vision

Monitoring pest populations in paddy fields is important to effectively implement integrated pest management. Light traps are widely used to monitor field pests all over the world. Most conventional light traps still involve manual identification of target pests from lots of trapped insects, which is time-consuming, labor-intensive and error-prone, especially in pest peak periods. In this paper, we developed an automatic monitoring system for rice light-trap pests based on machine vision. This system is composed of an intelligent light trap, a computer or mobile phone client platform and a cloud server. The light trap firstly traps, kills and disperses insects, then collects images of trapped insects and sends each image to the cloud server. Five target pests in images are automatically identified and counted by pest identification models loaded in the server. To avoid light-trap insects piling up, a vibration plate and a moving rotation conveyor belt are adopted to disperse these trapped insects. There was a close correlation(r=0.92) between our automatic and manual identification methods based on the daily pest number of one-year images from one light trap. Field experiments demonstrated the effectiveness and accuracy of our automatic light trap monitoring system.     

基于卷积神经网络的水稻虫害识别方法

为解决人工识别水稻虫害难度大、费时费力的问题,研究了一种自动识别水稻虫害的方法。选取2 500张红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟图片建立数据库,利用深度卷积神经网络提取水稻虫害数据集特征,采用随机梯度下降法训练,得到最优权重文件。测试训练好的模型,并对比Faster-RCNN、SSD和YOLOv3算法的效果。结果表明,YOLOv3算法的平均精度最高,其在红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟5种水稻虫害中分别为97.40%、88.76%、85.74%、92.96%、94.78%,五类水稻虫害mAP为91.93%。与Faster-RCNN算法相比,平均准确率高1.43个百分点,单张图像检测耗时减少853.68 ms;与SSD算法相比,平均准确率高5.56个百分点,单张图像检测耗时减少2.9 ms。选择5类比较具有代表性的水稻虫害图片进行测试,对于叶片遮挡目标和相似背景等情况,YOLOv3算法能够正确识别不会出现漏检错检,且识别准确率大于98%。将YOLOv3算法引入田间复杂情况下的水稻虫害识别是可行的,具有较高的平均准确率以及较快的检测速度,能够准确识别水稻虫害,这对于水稻虫害防治和田间喷药等方面具有重要意义。     

江汉稻区水稻主要病虫综合防治技术

依据综防理论，研究了江汉稻区水稻生育期病虫发生规律和抗耐害能力以及天敌、有益微生物、环境、耕作栽培等稻田生态系统的生物和非生物组份全系统的调节作用。提出了以农业防治为基础，科学合理地使用农药，积极保护天敌，充分发挥作物、天敌、环境的综合效应，将病虫损失控制在经济允许水平以下的水稻病虫综防规范化技术。