基于特征融合的单幅图像超分辨率重构方法

目的 针对低分辨率图像不清晰、质量低等问题,提出一种新的特征融合超分辨率重构网络.方法 所提网络包括特征提取、特征融合、图像重构3个部分.首先,网络通过卷积和局部残差学习,提取到不同层次的特征.之后,网络自适应地保存浅层的信息,并将其传递到更深的层次,最后通过拼接层进行特征融合.结果 通过非线性映射实现高分辨率图像的重...     

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。     

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。     

结合区域协方差分析的图像显著性检测

目的 图像显著性检测的目的是为了获得高质量的能够反映图像不同区域显著性程度的显著图,利用图像显著图可以快速有效地处理图像中的视觉显著区域。图像的区域协方差分析将图像块的多维特征信息表述为一个协方差矩阵,并用协方差距离来度量两个图像块特征信息的差异大小。结合区域协方差分析,提出一种新的图像显著性检测方法。方法 该方法首先将输入的图像进行超像素分割预处理;然后基于像素块的区域协方差距离计算像素块的显著度;最后对像素块进行上采样用以计算图像像素点的显著度。结果 利用本文显著性检测方法对THUS10000数据集上随机选取的200幅图像进行了显著性检测并与4种不同方法进行了对比,本文方法估计得到的显著性检测结果更接近人工标定效果,尤其是对具有复杂背景的图像以及前背景颜色接近的图像均能达到较好的检测效果。结论 本文方法将图像像素点信息和像素块信息相结合,避免了单个噪声像素点引起图像显著性检测的不准确性,提高了检测精确度;同时,利用协方差矩阵来表示图像特征信息,避免了特征点的数量、顺序、光照等对显著性检测的影响。该方法可以很好地应用到显著目标提取和图像分割应用中。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图，为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法，对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较；引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN)，对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s，分类精度分别达到89.75%、85.58%和90.25%，CNN对图像的分类精度达到92.41%，高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草，获取杂草的分布信息，生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高，生成的水稻田杂草分布图效果最好。     

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。     

基于改进深度学习的海量多媒体图像信息快速检索研究

目的 为了更为快速、准确地完成图像检索,提出一种基于改进深度学习的海量多媒体图像信息快速检索方法.方法 首先对多媒体图像进行预处理,包括混合滤波去噪和直方图均衡化,以此提升图像质量,然后对深度学习中的卷积神经网络进行改进,增加图像特征融合层,避免图像细节特征丢失,最后通过度量图像特征之间的相似度来完成图像信息检索.结果...     

多任务学习框架下的单帧图像超分辨率重建（英文）

为了充分利用图像的自相似性质,针对图像的超分辨率重建问题构造了一个多任务学习的问题,并基于高斯过程回归进一步扩展,提出了一个新颖的单帧图像超分辨率重建算法.该算法能够在图像的超分辨率重建结果中有效地抑制图像显著边缘处出现的噪声和伪影,并能生成视觉效果更为自然的高分辨率图像.实验表明该算法产生的高分辨率图像结果能够相当于甚至超越当前先进的算法.     

高光谱图像与卷积神经网络相结合的油桃轻微损伤检测

[目的]油桃表面轻微损伤的快速检测对提高油桃的品质及市场竞争力具有重要作用。[方法]本研究以"中油四号"油桃为研究对象,提出了基于高光谱图像与卷积神经网络相结合的油桃分块损伤区域检测算法。针对原始图像存在的复杂背景及油桃自身颜色特征,采用基于颜色特征的图像分割算法实现油桃与复杂背景的分离。针对损伤部位占比较小的特点,采用分块算法将原始图像分成64×64的块,并为每个分块制作标签(正常、损伤、背景区域),分块数据与其对应标签共同构成试验数据集。构建卷积神经网络模型,将数据输入该模型进行识别。[结果]油桃损伤区域识别率为88.2%。[结论]基于高光谱图像与卷积神经网络相结合的方法可以较准确地实现油桃表面轻微损伤的检测。     

基于小规模数据集的柑橘树冠层施药情况的分类模型

目的 提升柑橘果园的智能化管理水平,快速无损获取柑橘树冠层的施药情况,改善小规模数据集导致施药情况分类模型易发生过拟合的问题。方法 提出一种基于卷积神经网络的柑橘树冠层施药情况分类模型——VGG_C模型。模型以VGG模型核心思想为基础进行构建,通过交叉熵损失函数优化,加速概率分布与真实分布的迭代过程,并在输出端引入不确定性度量计算以及在下采样模块中插入Droupout方法,降低由于数据较少而发生过拟合的概率。结果 VGG_C模型针对训练集的分类损失值为0.44%,比ResNet和VGG模型分别降低了87%和91%;准确率为95.3%,比ResNet和VGG模型分别提高了5%和10%;验证集的预测平均准确率为96.4%。结论 VGG_C模型通过多层卷积模型协同实现柑橘冠层热红外图像特征的高效提取,通过优化输出端结构提高了柑橘冠层施药情况分类模型在小数据集规模上的训练测试优度,可为柑橘树施药情况的智能化判断提供有效参考。     

基于迁移学习和卷积神经网络的生菜鲜重估测

为提高设施生产中对各生长阶段生菜鲜重的无损估测精度进而更好地指导生产，提出一种利用生菜冠层图像为输入，基于迁移学习技术和卷积神经网络估测鲜重的方法，对比分析AlexNet、VGG-16、GoogLeNet和ResNet-18模型迁移学习后在生菜鲜重估测任务上的效果；同时，对比不同迁移学习方法对模型性能的影响，通过冻结卷积层和减少全连接层改善模型的参数量和训练速度。结果表明:1)AlexNet和VGG-16两种模型能较好的实现生菜鲜重的估测，AlexNet模型的决定系数R²为0.928 0，标准均方根误差NRMSE为19.08%，VGG-16模型的R²为0.938 0，NRMSE为17.71%，但VGG-16模型存在参数量大训练慢的问题，综合考虑选取AlexNet模型迁移学习后作为生菜鲜重估测模型；2)与全新学习方法相比，在预训练模型基础上对生菜鲜重数据集进行迁移学习，可以明显提升生菜鲜重估测模型的训练速度和准确度；3)冻结卷积层能显著加快模型的训练速度，训练时间可减少18%，减少全连接层在保持精度的前提下能大幅度减少模型的参数量。基于迁移学习的卷积神经网络模型可用于生菜鲜重的快速估测，该方法也可以拓展应用到其他叶类蔬菜的鲜重估测中。     

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。     

基于双通道PCNN的玉米种子机械裂纹检测方法

针对玉米种子机械裂纹检测准确率低的问题,提出一种基于双通道脉冲耦合神经网络(PCNN)模型的数字图像融合方法:1)运用离散小波变换(DWT)、非下采样轮廓波变换(NSCT)分别对预处理后的玉米种子机械裂纹图像进行分解,得到各自的高低频子带;2)对高低频子带系数分别采用不同链接强度的改进空间频率激励的双通道PCNN模型进行融合操作,得到融合后的高低频子带系数;3)通过NSCT反变换得到最终的玉米种子机械裂纹图像.试验结果表明:采用双通道PCNN模型检测玉米种子机械裂纹的准确率为97.2％;图像熵、相关熵、相关系数、均方根误差分别为0.3511、1.7314、0.9835和0.5263,整体优于LoG、DWT、NSCT和PCNN方法;双通道PCNN方法的单张图像的执行时间为14.9007 s,运行时间最长,但效果最优.     

Citrus fruits maturity detection in natural environments based on convolutional neural networks and visual saliency map

Citrus fruits do not ripen at the same time in natural environments and exhibit different maturity stages on trees, hence it is necessary to realize selective harvesting of citrus picking robots. The visual attention mechanism reveals a physiological phenomenon that human eyes usually focus on a region that is salient from its surround. The degree to which a region contrasts with its surround is called visual saliency. This study proposes a novel citrus fruit maturity method combining visual saliency and convolutional neural networks to identify three maturity levels of citrus fruits. The proposed method is divided into two stages: the detection of citrus fruits on trees and the detection of fruit maturity. In stage one, the object detection network YOLOv5 was used to identify the citrus fruits in the image. In stage two, a visual saliency detection algorithm was improved and generated saliency maps of the fruits; The information of RGB images and the saliency maps were combined to determine the fruit maturity class using 4-channel ResNet34 network. The comparison experiments were conducted around the proposed method and the common RGB-based machine learning and deep learning methods. The experimental results show that the proposed method yields an accuracy of 95.07%, which is higher than the best RGB-based CNN model, VGG16, and the best machine learning model, KNN, about 3.14% and 18.24%, respectively. The results prove the validity of the proposed fruit maturity detection method and that this work can provide technical support for intelligent visual detection of selective harvesting robots.

     

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。     

Intelligent diagnosis of northern corn leaf blight with deep learning model

Maize (Zea mays L.), also known as corn, is the third most cultivated crop in the world. Northern corn leaf blight (NCLB) is a globally devastating maize foliar disease caused by Setosphaeria turcica (Luttrell) Leonard and Suggs. Early intelligent diagnosis and warning is an effective and economical strategy to control this disease. Today, deep learning is beginning to play an essential role in agriculture. Notably, deep convolutional neural networks (DCNN) are amongst the most successful machine learning techniques in plant disease detection and diagnosis. Our study aims to identify NCLB in the maize-producing area in Jilin Province based on several DCNN models. We established a database of 985 leaf images of healthy and infected maize and applied data augmentation techniques including image segmentation, image resizing, image cropping, and image transformation, to expand to 30 655 images. Several proven convolutional neural networks, such as AlexNet, GoogleNet, VGG16, and VGG19, were then used to identify diseases. Based on the best performance of the DCNN pre-trained model GoogleNet, some of the recent loss functions developed for deep facial recognition tasks such as ArcFace, CosFace, and A-Softmax were applied to detect NCLB. We found that a pre-trained GoogleNet architecture with the Softmax loss function can achieve an excellent accuracy of 99.94% on NCLB diagnosis. The analysis was implemented in Python with two deep learning frameworks, Pytorch and Keras. The techniques, training, validation, and test results are presented in this paper. Overall, our study explores intelligent identification technology for NCLB and effectively diagnoses NCLB from images of maize.