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。     

基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题，提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成，其中，多尺度空洞卷积模块Inception用于图像的多尺度特征提取，在卷积模块中引入双注意力机制增强网络模型，显著表示图像中叶部病斑区域特征，降低非病斑区域与背景区域对识别结果的干扰，在原始残差模块上引入卷积层与非线性激活函数改进的残差模块，增加鲁棒性判别特征的跨层融合，在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明，所提出的方法具有参数量少、占用内存小以及性能好的优势，可进一步应用于田间苹果叶部病害智能识别系统。     

基于SVM和CNN组合模型的黄瓜病斑叶片检测与识别

为建立准确高效的黄瓜病斑叶片的检测与识别算法提供参考,针对黄瓜叶片常见病斑检测与识别时存在的环境适应性差、识别精度低等问题,提出基于改进的SVM（支持向量机）和CNN（卷积神经网络）组合模型的黄瓜病斑叶片检测与识别算法。依据黄瓜设施场景特征,首先对病斑图像进行色彩增强,通过直方图均衡化对图像进行再处理,利用优化的HOG+SVM分类器对黄瓜叶片进行提取;通过稀疏滤波器及增加偏置对CNN算法进行改进,识别出叶片的病斑类别。结果表明,在黄瓜设施场景下,改进SVM和CNN组合模型的黄瓜病斑叶片检测与识别算法对叶片提取的查准率及差全率分别达87.21%和88.77%,对病斑的整体识别精准率为91.9%,算法实时性强,具有实际推广应用前景。     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

基于卷积神经网络的小样本树皮图像识别方法

针对在树皮图像分类过程中图像训练数据数量少、识别准确率低的问题,提出一种基于卷积神经网络的小样本树皮图像识别方法。以5种常见树种的树皮图像作为研究对象,在基于卷积神经网络的Inception_v3模型基础上,对原始数据集进行数据增强的一系列操作,扩大数据集的数量;在此基础上,对所有数据集进行白化处理,以降低数据之间的冗余性,使得特征之间相关性较低;采用ReLU激励函数和Dropout方法,防止训练时引起的过拟合现象;同时,在模型的最后添加3层全连接层,增强模型的特征表达能力,采用softmax分类器。最终确定了一个10层CNN模型:5个卷积层、2个池化层、3个全连接层。结果表明,上述网络模型对数据集的识别准确率为94%,并且为验证本研究方法的可行性,分别在MNIST数据集、ImageNet数据集、CIFAR-10数据集进行测试,识别准确率分别为92%、90%、93%。因此,提出的方法在小样本的识别试验中具有较高的识别准确率和一定的可行性。     

基于改进ShuffleNet V2模型的苹果叶部病害识别及应用

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块（convolutional block attention module,CBAM）,提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明：改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0...     

基于注意力胶囊网络的作物病害识别方法

因病害叶片图像的复杂多变性,较难准确分割病斑图像和提取到鲁棒的病害分类特征。现有的基于卷积神经网络(CNN)的作物病害识别方法通过扩展训练样本来增加大量不同角度、方向的训练样本,从而增强模型的鲁棒性和泛化能力,但需要较长的训练数据和较大的算力,并且对于一些少见的病斑不能准确识别,因此提出一种基于注意力胶囊网络(ACapsNet)的作物病害识别方法。ACapsNet中的注意力机制用于提高CapsNet的训练能力。ACapsNet中的胶囊由多个神经元组成,每个神经元表示图像中特定病斑的各种属性,这些属性能够表达不同类型病斑的形状、颜色、纹理、位置、大小和方向等特征,在复杂黄瓜病害叶片图像数据集上进行交叉验证试验。结果表明,ACapsNet能够有效表达不同病害叶片图像的各种特征,加快网络的训练速度,能够应用于田间复杂场景的作物病害识别系统。     

基于多特征融合和CNN模型的树种图像识别研究

目的在树种图像识别时会存在类内差异、类间相似的现象,因此导致基于单一人工特征的传统识别方法难以达到理想的识别效果。针对这一问题,本文基于卷积神经网络,提出一种将图像深层特征和人工特征融合的树种图像深度学习识别方法。方法将6类常见树种（樟子松、山杨、白桦、落叶松、雪松和白皮松）图像作为研究对象。首先,通过裁剪、水平翻转、旋转等操作,对原始树种图像集进行数量扩增,并划分为训练集和测试集,建立本次树种识别实验的图像库;其次,将本文模型设计为3路并列网络,分别选取RGB图像、HSV图像、LBP-HOG图像,从图像像素、色彩、纹理和形状的角度出发,对上述树种图像进行识别。一方面构建适合本文实验的CNN深度学习模型,将训练集样本中RGB图像和相对应的HSV图像作为第1路和第2路CNN模型的输入,进行树种图像深层特征提取;另一方面,对训练集进行高斯滤波去噪和人工提取LBP-HOG特征来代表纹理、形状特征,作为第3路CNN模型的输入。然后,将3路模型各自得到的特征在最后一层全连接层进行汇总,作为softmax分类器的最终分类依据。最后,为检验本文方法的可行性,利用上述特征和训练集对SVM分类器、BP神经网络以及现有的深度学习LeNet-5模型、VGG-16模型进行训练,对测试集进行识别验证,来比较最终的识别效果。结果本文提出的多特征融合CNN模型,训练准确率为96.13%,平均验证识别准确率为91.70%。基于单路训练的CNN树种识别模型中,RGB图像作为训练输入值时,识别率最高,为75.21%,HSV特征识别率次之,LBP-HOG特征最差;多特征融合情况下,基于RGB + H通道 + LBP条件下,验证识别准确率最高,达到93.50%;RGB + HSV + LBP + HOG组合识别率不增反降,识别率为89.50%。同样的特征或特征组合条件下,SVM、BP神经网络、LeNet-5模型和VGG-16模型所获得的识别率均低于本文模型的识别率。结论基于RGB + H通道 + LBP特征融合条件下,运用3路并列CNN模型,对本文6类树种图像进行识别的识别率最高,克服了在单一特征情况下识别率低的问题,识别效果也非常理想,实现了从大量不同树种图像中自动识别出具体类别。      

面向小麦生育进程监测的卷积神经网络精简化研究

目前,利用机器视觉进行小麦生育进程监测主要是通过人工来进行特征提取,存在客观性差、效率低等问题,为了解决该问题,把深度学习引入到小麦生育进程监测研究中。卷积神经网络作为深度学习中常用的算法被广泛应用于图像分类任务中,使用深层的特征提取网络能够自动识别和提取图像特征,但常规深度卷积网络带来的大量参数和计算开销使这些算法难以应用到对存储空间和参数量有一定限制的嵌入式设备中。为此提出将知识蒸馏方法用于目标检测网络的特征提取网络,以提升浅层特征提取网络的性能,在降低模型的计算量和模型大小的同时尽可能地保证识别结果的准确性。通过使用ResNet50、VGG-16这2个不同教师网络分别指导学生模型MobileNet进行训练,试验结果表明,当ResNet50作为教师模型、MobileNet作为学生模型时识别效果最好,学生模型MobileNet的平均识别准确率达到了97.3%,模型大小压缩为仅19.7 MB,相比于ResNet50缩小了88.9%,通过知识蒸馏的方法,使得到的模型能够在提高准确率的情况下还能减少网络模型的参数量和模型运行时间的消耗,大幅降低部署模型的成本,可以为田间小麦智慧化生产提供技...     

面向边缘计算的轻量级植物病害识别模型

  目的  传统深度学习模型因参数和计算量过大不适用于边缘部署，在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。  方法  联合使用多种模型压缩方法，得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络，在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L₁范数的通道剪枝方法，压缩MobileNet模型；第2阶段将模拟学习与量化相结合，在模型量化的同时恢复识别精度，得到高精度轻量级的端模型。  结果  在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍，量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍，识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比，具有更高的模型压缩率和识别准确率。  结论  联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型，可为农林业提供面向边缘计算的植物病害识别模型。图3表2参23     

基于深度可分离卷积神经网络的农作物病害识别方法

为了满足现代化、机械化农业生产的目标,降低模型的计算量,使农作物病害分类模型更适用于资源受限制的设备,提出了一种以深度可分离卷积为主的神经网络模型。利用深度可分离卷积和卷积相结合的方法取代标准卷积,计算量可降低至标准卷积的12%左右,并且大大减少网络模型的参数量。通过进一步减少通道数、改变网络输入图片大小的等方式,获得12种参数量和计算量不同的模型。结果显示,对含有复杂背景和光照不均匀的10类农作物的27种病害样本图片进行分类,该研究提出的模型准确率为98.26%,且参数量仅904 K。     

基于分层卷积深度学习系统的植物叶片识别研究

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。      

利用特征分割和病斑增强的杨树叶部病害识别

  目的  针对杨树Populus黑星病早期特征和杨树花叶病病斑不明显的特点，提出通过对图像集进行预处理的方法以提高识别精度的方案。  方法  为去除图像背景的影响，采用基于改进的Canny算子边缘检测法并结合霍斯变换提取叶片轮廓；借助限制对比度自适应直方图均衡化算法降低局部光照不均带来的影响并增强病斑的特征；使用自适应阈值的OTSU分割算法提取病斑图像。最后将预处理得到的病斑特征二值化图像和病斑图像，分别输入由5个卷积层、3个全连接层、650 000个神经元及超过6 000万个学习参数的Alexnet神经网络进行训练并验证准确率。  结果  研究最终分别获得93.56%和98.07%的验证集识别精度，较原图像实验组88.77%的识别精度有显著提升。提出的提取叶片轮廓的结合方法能够完整提取不同背景下的叶片主体图像，有效避免目标叶片的背景干扰；限制对比度自适应直方图均衡化算法对自然环境下拍摄产生的不均匀光照有较好的处理效果，有效降低反光等因素的干扰。  结论  几种病害图像预处理对提高识别精度效果明显，识别能力远超过未经处理的原始病害图像识别，有助于提高杨树叶部病害的智能识别能力。图8表1参22     

基于卷积神经网络的马铃薯叶片病害识别系统

深度学习是图像处理领域的研究热点,为实现马铃薯叶片病害识别,达到及时防治的目的,采用深度学习理论设计病害识别系统,系统包括分层卷积神经网络识别模型、WEB服务器和手机端APP。基于Tensor Flow框架,搭建8层CNN+softmax分层卷积神经网络模型,自动学习到256个病害图像特征,采用softmax分类器识别病害,简单背景单一病斑识别准确率达到87%。在ubuntu上搭建Nginx Web服务器,应用Flask框架开发后台服务,基于vue. js开发手机端APP,实现手机采集、上传病害图像、获取病害结果等功能,为相关应用提供完整全栈式解决方案。     

基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别

茶树是重要的经济作物,叶部病害的发生直接影响其产量和质量。针对胶囊网络在茶树叶部病害图像识别中识别率低和参数量大的问题,提出了一种基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别算法。首先,由于尚无茶树叶部病害图像标准数据集,构建了茶树叶部病害图像数据集。其次,在胶囊网络中引入深度可分离卷积,并在深度可分离卷积层后加入SENet。实验结果表明,提出算法的识别准确率为94.20%,相同条件下优于其它模型。     

基于改进Bernsen 二值化算法的 植物病害叶片病斑检测

针对大区域田间复杂背景下植物病害远程识别中的叶片病斑检测难问题,提出一种基于改进Bernsen二值化算法的植物病害远程检测方法。通过物联网采集不同区域的植物叶片图像,根据在RGB和HIS颜色空间中叶片病斑与正常叶片和背景的色调差异的特点,利用改进Bernsen二值化算法分别在图像的R、G、B、H 4个颜色通道上提取病斑,然后进行病斑图像融合,得到病斑图像。采用该方法对多幅物联网视频植物病害叶片图像进行病斑分割。实验结果表明,该算法在复杂背景环境下能够有效分割植物病斑图像,去除大量复杂背景,得到病斑图像。该方法能够为大区域植物病害远程智能监控系统提供技术指导。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

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。     

基于多尺度卷积与通道域增强的草莓病害识别方法

为提高草莓病害图像的分类准确性，提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先，针对草莓病害的多尺度特点，基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv),在提取多尺度病害特征的同时，缓解参数量增加导致的收敛干扰；其次，提出基于双重池化的通道增强模块，用以提高模型的特征选择能力，增强有用尺度下的特征；最后，将上述方法与ResNet18结合，将原本的3×3卷积替换为DOPConv,同时在残差块中加入通道增强模块，构建出草莓病害分类网络。为验证模型识别性能与模块有效性，在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明，与原有ResNet18模型相比，CEM-DOPConv-ResNet18的准确率达97.867%,提高3.045百分点，同时内存占用量下降16.6%;消融试验结果表明，相较于原始金字塔卷积，DOPConv可以优化模型收敛，对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率，降低了网络复杂度，为病害的精准识别提供了一种有效解决模型。     

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。