基于改进U-Net的不同容重小麦籽粒识别检测

小麦质量等级检测过程中，容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题，需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集，针对小麦籽粒目标小、边缘分割不清晰等特点对U-Net网络进行改进。在主干网络上，采用残差堆叠模块来减少特征损失，在网络桥接部分嵌入CBAM注意力机制模块来加强对特征的进一步提取，在解码器部分嵌入自注意力机制模块，还原细节信息。结果表明，改进网络模型CBSA＿U-Net的平均交并比（MIoU）为81.5%，比U-Net模型提升了1.8百分点，相较于PSPNet、DeepLabv3+模型分别提升了4.2、3.3百分点。     

基于注意力机制和残差网络的苹果叶片病害分类

苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源，进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率，提出一种残差网络与注意力机制结合的苹果叶片病害识别模型：P-D-ECA-ResNet101。首先构建苹果叶片病害数据集，然后使用常见的4种网络模型在构建的数据集上进行训练，选取训练效果最好的ResNet101为骨干网络模型，通过推迟下采样(delayed downsampling)、拆解大卷积层以及引入高效通道(efficient channel attention module, ECA)注意力模块对ResNet101网络模型进行优化，最后通过特征图可视化展示改进后网络模型的识别机制。试验结果表明，推迟下采样可以增强模型特征提取能力，拆解大卷积层可以有效减少模型的复杂度，引入ECA注意力模块可以削弱无效特征信息对模型的干扰。改进后的P-D-ECA-ResNet101模型在构建的苹果叶片病害测试集上的平均识别准确率达到96.20%,相较于原模型ResNet101提升了2.20百分点。特征图可视化分析表明改进后的P-D-ECA-ResNet101模型可以更好地聚焦于病...     

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。     

基于轻量化网络与注意力机制的育肥猪采食行为识别方法研究

[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题，提出一种具有轻量化结构的育肥猪采食行为检测模型，实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础，构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响，选取性能最优的模型；改进ShuffleNet V2网络结构基本单元，采用Mish激活函数提高模型泛化能力与推理速度，引入SE注意力机制给予目标特征更高的权重以提高目标识别精度；对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后，猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求，可在复杂养殖环境中全天候识别育肥猪采食行为。     

基于姿态估计和关键点特征向量的奶牛跛行识别方法

针对目前养殖场中自动检测奶牛跛行效率低、准确率不高等问题，设计了一种基于姿态估计和膝关节角度特征向量的奶牛跛行识别方法。鉴于奶牛行为具有随机停留的特点，制作奶牛在不同远近视场尺度和观测角度等条件下奶牛姿态估计数据集。将Faster RCNN卷积神经网络模型引入到奶牛关键点检测中提高跛行识别的可靠性；以ResNet101网络作为特征提取网络，构建奶牛姿态估计网络，并采用超参数微调训练方法，对网络模型进行迁移训练。通过视频中的奶牛姿态信息和关键点坐标信息，计算出奶牛行走时膝关节的角度特征，并利用1-D Convolution分类模型实现奶牛的跛行识别。实验结果显示：以ResNet101网络模型为基础的奶牛姿态估计网络的PCK@0.1值可以达到0.925 0；使用1-D Convolution模型对奶牛行为分类识别的准确率为97.22%，与LSTM、Bi-LSTM、GRU模型相比，分别提高5.55、2.78、11.11百分点。以上结果表明，所提方法对自然环境下奶牛跛行有较好的检测效果，可用于奶牛智能化养殖并为养殖管理提供技术参考。     

轻量级卷积神经网络在奶牛体况评分中的应用

为对奶牛体况信息进行高效地实时监测以便满足商业化的需求，提出一种改进轻量级注意力机制网络模型（Shuffle-ECANet）。首先，针对8 972幅含有奶牛尾部的图像样本，通过专家对奶牛体况进行人工评分，并构建数据集；然后以轻量级ShuffleNet-v2 1×网络为基础，在特征提取过程中引入高效的通道注意力模块，强化网络对奶牛体况特征的提取能力。此外，采用H-Swish激活函数，避免神经元坏死现象；最后通过进一步精简网络结构得到Shuffle-ECANet网络模型。结果显示，Shuffle-ECANet模型针对各类别奶牛的识别准确率为97%以上，且在体况评分（body condition scoring，BCS）误差分别为0、≤0.25和≤0.5的体况评价结果中，Shuffle-ECANet模型均优于EfficientNet-v1、MobileNet-v3、ShuffleNet-v2 1×和ResNet34等模型，证明本研究方法的有效性。     

基于迁移学习和改进残差网络的复杂背景下害虫图像识别

在农业生产中，虫害已经成为影响作物产量和质量的主要威胁之一，针对传统识别方法对复杂背景下虫害图像识别准确率和效率低等问题，本研究提出一种基于迁移学习和改进残差网络的虫害图像识别方法。首先，利用数据增强技术对采集的橘小实蝇虫害图像进行样本数据的扩充；再在ResNet-34模型的基础上，增加了2个注意力模块层，并重新设计了全连接层模块，获得能够改进后的网络模型；最后利用迁移学习的方法将预训练的参数权重迁移到本模型中进行训练，并在试验过程中分析学习方式、样本量、学习率、批量大小等参数对模型性能的影响。结果表明，采用旋转、翻转和亮度变换操作对图像进行数据扩充的数据集，在训练模型的全部层的迁移学习方法中获得99.77%的测试准确率。本研究提出的模型具有较高的识别准确率和较强的鲁棒性，可为实现复杂背景下虫害的识别提供参考。     

基于改进型YOLOv5s的番茄实时识别方法

针对现有番茄检测精度低、没有品质检测和部署难度高等问题，提出基于YOLOv5s改进的番茄及品质实时检测方法，并与原始YOLOv5模型及其他经典模型进行对比研究。结果表明，针对番茄大小不同的问题，采用K-Means++算法重新计算先验锚框提高模型定位精度；在YOLOv5s主干网络末端添加GAM注意力模块，提升模型检测精度并改善鲁棒性；应用加权双向特征金字塔网络(BiFPN)修改原有结构，完成更深层次的加权特征融合；颈部添加转换器(transformer),增强网络对多尺度目标的检测能力。改进后的YOLOv5s番茄识别算法检测速度达到72帧/s。在测试集中对番茄检测均值平均精度(mAP)达到93.9%,分别比SSD、Faster-RCNN、YOLOv4-Tiny、原始YOLOv5s模型提高17.2、13.1、5.5、3.3百分点。本研究提出的番茄实时检测方法，在保持检测速度的同时，可降低背景因素干扰，实现复杂场景下对番茄的精准识别，具有非常好的应用前景，为实现番茄自动采摘提供相应技术支持。     

基于改进DINO的牧场杂草检测

针对传统杂草识别方法对与牧草有相似特征的杂草的识别精度低的不足,提出一种基于改进DINO检测网络的牧场杂草检测模型。为了增强有效特征和精确位置信息的提取,并减少无效信息的干扰,在端到端模型DINO的主干网络ResNet中加入结合空间注意力和通道注意力的CBAM-G注意力机制模块;通过增加网络深度,让主干网络可以提取到更深层次的目标特征;引入更加轻量化的SFPN模块,替换了算法中原有的特征融合模块;最后为了提高特征提取网络与Transformer的稳定度和检测性能,在模型特征提取网络中加入高斯误差线性单元。结果表明,改进后的检测模型在Kaggle的牧场杂草数据集上的像素精度AP₅₀达到了95.89%,AP₇₅达到了89.23%,相较于原始模型可以更好地利用多尺度特征信息,并提升识别精度。     

基于帧间差分法-单点多框检测器的圈养生猪打斗行为识别方法

在集约化养殖过程中,生猪打斗行为是影响生猪福利养殖的重要因素之一.针对复杂养殖环境下传统方法识别圈养生猪打斗行为准确率低的问题,提出1种基于帧间差分法(Frame difference,FD)-单点多框检测器(Single shot MultiBox detector,SSD)的生猪打斗行为识别方法.首先,利用帧间差分法提取生猪连续视频帧中的移动像素,排除光照度变化、地面水渍及尿渍等环境因素以及静止生猪对打斗行为识别的干扰.然后,以连续视频帧中的移动像素为样本,采用MobileNet v2、焦点损失函数、网络参数迁移学习对单点多框检测器进行改进,用于检测发生剧烈运动的生猪个体,提高SSD对运动生猪个体的检测精度与速度.最后,针对生猪发生打斗行为时的特点,设计精准的生猪打斗行为判别方法,以识别生猪是否发生打斗行为.试验结果表明,该方法对生猪打斗行为的识别准确率、查准率、查全率分别达到93.75％、96.79％、90.50％,可以有效识别圈养生猪的打斗行为,为饲养员判断生猪异常状况提供依据.     

基于迁移学习和改进残差网络的棉花叶螨为害等级识别

针对人工诊断棉叶螨害分级准确率低、耗时长、成本高的问题,提出一种基于迁移学习和改进残差网络的棉花叶螨为害等级识别方法。以3种受害等级的棉花叶片与健康叶片图像作为对象,分别于单一背景和自然环境下采集图像,构建图像数据集。首先,利用PlantVillage数据集预训练模型,使用数据增强技术对数据集进行数据增强,扩充训练样本;然后,在ResNet50网络模型的基础上,引入焦点损失函数,在不同网络层嵌入注意力机制模块,并加入Dropout正则化构建改进的ResNet50模型;最后,对比不同模型的识别效果。结果表明：同时在深层和浅层引入注意力机制模块,设定动量为0.9、学习率为0.001时,改进的ResNet50模型具有最好的分类效果,优于ResNet50、VGG16、MobileNet、AlexNet和SENet模型,对棉叶螨危害等级的平均识别准确率达到97.8%。     

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。     

基于轻量化神经网络的葡萄叶部病害检测装置研制

葡萄叶部病害判别对于葡萄病害防治至关重要，如何快速准确判别葡萄叶部病害并采取相应防治措施对于现代葡萄生产管理具有重要指导意义。因此，为了满足果园葡萄叶部病害的快速识别与检测需求，研制了一款葡萄叶部病害快速识别与检测装置。首先，对原SqueezeNet进行改进，利用3×3卷积替换7×7卷积并减少其数量，同时调整Fire模块中1×1与3×3卷积核比例以及Fire模块位置，以达到降低模型内存需求、参数量的目的。然后，利用采集的葡萄病害图像训练改进模型，并与原模型进行对比分析。最后，将改进模型量化后部署在树莓派4B上进行识别与检测试验。试验结果表明，改进后的SqueezeNet模型内存需求、参数量分别由2.46 MB、125万减少为0.52 MB、64万。与原模型相比，改进模型特征提取能力未出现明显下降，其识别准确率可达99.04%,仅比原模型低0.32百分点。对于真实环境下拍摄的葡萄叶片图像，所研制的葡萄叶部病害快速检测装置识别准确率可达95.75%,视频检测速度可达86帧/s。该装置能够满足果园葡萄病害快速识别与检测需求，可为现代果园葡萄病虫害检测与精准施药作业提供技术支持。     

基于多感受野与多尺度融合的草莓病害分割算法

针对草莓病害在区域分割时存在背景复杂、目标较小导致难以被有效分割等问题,提出一种基于多感受野与多尺度融合的草莓病害分割算法。首先搭建了U-Net基础模型,使用结合注意力机制与残差网络的主干特征提取网络(CBAM-ResNet50)替代U-Net中的主干特征提取网络VGG16,一方面来加强目标区域的表征能力,抑制背景区域,以此实现复杂背景下的病害区域分割问题;另一方面通过残差减少梯度消失,提升模型的收敛速度;接着在特征融合层,设计基于3D无参注意力机制(SimAM)的多尺度自适应特征融合模块,通过邻近特征信息弥补当前层特征的信息丢失,以此提升小目标的检测能力;最后在网络底层设计基于膨胀卷积的多感受野模块,通过不同膨胀率的膨胀卷积来增加特征的全局感受野以实现整体分割区域的感知。结果表明,本研究提出的方法mPA达90.30%,相比于标准U-Net模型提高了7.13百分点,本研究提出的方法能更好地对复杂背景下及小目标病害进行精准分割。     

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BCE-YOLOv5的苹果叶部病害检测方法

针对自然环境中，人工目视解译苹果叶部病害耗时耗力、人为主观因素强的问题。本研究提出了一种融合自注意力机制和Transformer模块的目标检测算法——BCE-YOLOv5,实现对自然环境下对苹果叶片病虫害的自动识别与检测。该算法首先使用BotNet、ConvNeXt模块分别替换Backbone网络和Neck网络的CSP结构，增加自注意力机制对目标的特征提取能力。通过将改进的CBAM引入YOLOv5的特征融合网络之后，使注意力机制对特征融合信息更加地关注。最后，用α-IoU损失函数替换IoU损失函数，使得网络在模型训练过程中收敛的更加稳定。BCE-YOLOv5算法在传统算法YOLOv5基础上平均精准率均值提升了2.9百分点，并且改进后的算法的模型大小和计算量较传统算法分别减小了0.2 M和0.9 GFLOPs。平均精度均值比YOLOv4s、YOLOv6s、YOLOx-s和YOLOv7模型分别高2.5、1.3、3.5、2.2百分点。该方法能快速准确识别苹果叶部病害，为苹果种植过程中提供智能化管理做参考。     

基于改进YOLO v5的橙子果实识别方法

针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题，提出一种改进的YOLO v5方法。首先，在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块，加强网络对特征信息的提取能力；其次，在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积，能够在保证精度的前提下，降低模型参数量；再次，在预测头前加入ECA(efficient channel attention)注意力模块，能够更加准确定位目标信息；最后，引入EIOU(efficient intersection over union)损失函数加速预测框的收敛，提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见，所提出的改进网络在橙子检测上更有优势，能为今后智能采摘机器人的研发提供理论支撑和技术参考。     

基于改进残差网络的苹果叶片病害识别研究

苹果叶片病害形态相似、斑点大小不同，依靠人工和农业专家识别的传统方式效率较低。为此提出一种基于改进残差网络的苹果病害识别模型REP-ResNet。该模型在基准模型ResNet-50的基础上通过采用批标准化、激活函数、卷积层的残差结构顺序，加入通道注意力机制和并行卷积的方式进行改进。训练过程中，将公开数据集PlantVillage预训练的模型权重参数迁移至上述网络模型中重新训练，达到加快网络的收敛速度和提高模型识别能力的目的。采用数据扩充的方式解决训练过程中样本不均的问题。结果表明，REP-ResNet模型与基准网络模型相比识别准确率提高2.41个百分点。模型使用迁移学习的方式进行训练，在复杂背景下的苹果叶片病害识别中准确率达到97.69%，与传统卷积神经网络相比识别效果有较大提高。     

基于Bi-LSTM与多尺度神经网络模型的番茄病害识别

番茄叶片病害的精准识别对农业领域未来的发展至关重要，农业研究人员逐渐使用深度学习的方法进行植物病害的精准检测。然而对比以往的神经网络可以发现，它们普遍缺少上下文信息的连续性以及全文信息的完整性。对此本研究提出了一种Bi-LSTM和多尺度卷积神经网络相结合的模型，采用双向长短期记忆网络，可以更好地捕捉双向信息的反馈，使上下文的信息更具有连续性，而所提出的多尺度卷积神经网络既保证了全局信息的完整性，同时减少了细节信息的丢失，为了提高模型对病害特征的识别能力引入注意力模块，从而使模型重点关注疾病的特征部分。从公开的PlantVillage数据集中选取番茄的9类疾病和健康的叶片作为研究对象，试验结果在验证集上得到最高分类准确率为98.16%,与其他几个经典的CNN模型相比较，该模型的识别准确率优于其他的基础模型，并且具有较好的稳定性。经过试验验证，该模型可以为番茄病害识别提供一种有效的解决方法。