卷积神经网络的多尺度改进及其在玉米病害症状识别中的应用

为解决传统卷积神经网络模型训练时间长、参数量大、泛化能力弱等问题,提出了一种基于VGG-16的改进多尺度卷积神经网络模型。用一个叠加卷积层替换VGG-16模型的最后3×3×512卷积层,并进行批归一化处理,提高模型训练速度;用全局池化层替换全连接层,大大减少模型参数总量。利用Plant Village公共数据集(健康玉米叶片、灰斑病、锈病和叶枯病叶片)结合大田试验采集的玉米病害图像数据对改进后模型进行训练和测试,并与常见的传统卷积神经网络模型进行对比。结果表明,模型参数和收敛时间均小于传统卷积神经网络,单一背景下的平均分类识别准确率达99.31%,明显优于传统神经网络模型(VGG-16的90.89%、ResNet-50的93.60%、Inception-V3的94.23%、MobileNet-V2的93.83%和DenseNet-201的95.70%)。同时,利用大田复杂背景病害图片测试新模型的泛化性,识别准确率达98.44%,单张图片测试平均仅需0.25 s。     

基于迁移学习的番茄叶片病害图像分类

针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。     

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。     

卷积神经网络在黄瓜叶部病害识别中的应用

针对传统黄瓜病害识别方法中提取到的分类特征容易受病害叶片形态多样性、光照和背景影响的问题,提出了一种基于卷积神经网络的黄瓜病害识别方法,并建立了一个具有6种黄瓜病害的155 000多幅训练叶片图像数据库。根据病害叶片图像的复杂性,利用卷积神经网络从该数据库中自动学习黄瓜病害叶片图像的属性特征,再利用Softmax分类器进行分类。试验结果表明,与基于特征提取的传统病害识别方法相比,该方法的识别性能较高。     

基于Faster-RCNN的花生害虫图像识别研究

为实现花生害虫图像的准确分类,共收集花生主要害虫图片2 038张,针对目前在基于Faster-RCNN的图像识别领域较为成熟的VGG-16和ResNet-50这2种网络模型进行对比研究,并针对ResNet-50模型参数进行调整,提出了基于学习率、训练集和测试集以及验证集的比例选择、迭代次数等参数改进的ResNet-50卷积神经网络的模型。结果表明:该模型可以准确高效地提取出花生主要害虫的多层特征图像,在平均识别率上,经过改进的ResNet-50网络模型在识别花生害虫图像上优于ResNet-50原始网络模型。该模型可以准确地分类花生主要害虫图像,可在常规情况下实现花生害虫的图像识别。     

融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类

快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义，为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题，融合Focal Loss与4种典型卷积神经网络结构对7种水稻病害进行分类识别。利用TensorFlow的Keras深度学习框架搭建卷积神经网络的图像识别分类系统，使用Focal Loss损失函数解决数据集不平衡导致识别准确率低的问题，采用ResNet50、ResNet101、MobileNetV2、VGG16作为特征提取骨干，对7种水稻病害进行识别。通过imgaug库增强数据，将13 543张水稻病害图像按照9∶1的比例划分为训练集和验证集并参与训练模型，将1 404张水稻病害图像作为测试集来验证模型的准确性。结果表明，所搭建的数据集中ResNet50、ResNet101、MobileNetV2、VGG16的识别准确率分别为98.06%、94.26%、92.47%、97.83%。可见，在融合Focal Loss损失函数的情况下，ResNet50作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率，该成果可在实...     

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。      

基于神经网络的大麦病害识别研究

试验首先提取甘肃大麦病斑的颜色和纹理特征,以特征向量为输入向量来构造大麦病害神经网络分类器模型.然后利用神经网络对采集到的训练集病害图像进行分类模型训练,最后以随机选取的两组测试图像进行了分类试验.结果表明:大麦病害神经网络分类器模型对甘肃大麦病害的整体识别正确率达到86.7%以上.因而,基于神经网络的大麦病害图像识别研究为大麦田间病害归类诊治提供了新型技术,为西北特别是甘肃大麦病害的早期诊断与科学防治奠定了技术基础.     

基于卷积神经网络的农作物病害识别

【目的】农作物生长过程中,作物产量会受到各种病害影响,实现自动精准地识别农作物病害以及病害程度的测定是农作物病害防治的关键。【方法】文章设计了一种基于卷积神经网络的农作物病害的识别方法并建立了农作物病害识别模型,模型利用10种作物中常见的59种病害类型的叶片图像数据集进行训练,并对模型的训练过程和训练结果进行评估。【结果】(1)农作物病害识别模型对59种病害类型的总识别精度达到0.83,部分类别的识别率高于0.9;(2)当训练的迭代次数增加到50轮以上时,农作物病害识别模型的性能不再提升,此时数据集图像的数量对模型性能的影响较大。【结论】实验证明,利用卷积神经网络进行农作物病害识别具有较高的可行性和准确性,为农作物病害的防治打下基础。     

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。     

黄萎病菌毒素联合法鉴定棉花对黄萎病的抗性

【目的】黄萎病菌是危害棉花最严重的病菌,又属于被检疫的病菌,田间接菌鉴定棉花抗病性受到检疫的限制,通过比较多种鉴定棉花抗黄萎病的方法,提出一种使用黄萎病菌毒素进行联合鉴定的方法,以替代传统病圃鉴定法。【方法】将待测棉花品系种植于人工气候室内,以常规管理模式培养棉苗,在21 d后将所种植棉苗的根部放入黄萎病菌毒素中浸泡,浸泡72 h时统计病情指数;在待测棉花品系的盛花期取棉株倒数第三片叶片,用打孔器在叶片上取10-20个直径约1.5 cm的叶圆盘,将所取叶圆盘浸泡于黄萎病菌的毒素当中,经过24 h后观察所浸泡的叶圆盘黄化程度,并进行统计分析;综合上述两种方法的鉴定结果,对待测棉花品系的黄萎病抗性作出评价。【结果】通过对多种鉴定方法的比较,毒素蘸根法、无底塑钵菌液浇根法和菌液蘸根法所需的鉴定时间较长,而毒素浸根法和毒素浸泡叶圆盘法所需鉴定时间较短;在应用毒素浸根法进行鉴定时,最适毒素浓度为15 μg·mL^-1,在此浓度下,毒素浸根法的鉴定结果与田间病圃法鉴定结果的相关系数为0.94（P＜0.01）;在使用毒素浸泡叶圆盘法进行鉴定时,浸泡叶圆盘的最适毒素浓度为18 μg·mL^-1;在应用毒素浸泡叶圆盘法鉴定时,应于盛花期选取待测棉花的倒三叶的叶圆盘进行鉴定,其鉴定结果与常规病圃法鉴定结果的相关系数为0.92（P＜0.01）;2013年和2014年两年的试验结果证明联用毒素浸根法和毒素浸泡叶圆盘法的鉴定结果与常规病圃法的鉴定结果相关系数较高。2013年其与常规病圃法的鉴定结果相关系数为0.94（P＜0.01）,2014年为0.95（P＜0.01）。【结论】通过联用毒素浸根法和毒素浸泡叶圆盘法可以准确、环保、便捷地鉴定棉花抗黄萎病性,可以在一定程度上代替传统的病圃鉴定法,其结果比用单一鉴定方法更为准确可靠。     

复杂背景与天气条件下的棉花叶片图像分割方法

为实现自然条件下棉花叶片的精准分割,提出一种粒子群(Particle swarm optimization,PSO)优化算法和K-means聚类算法混合的棉花叶片图像分割方法。本算法将棉花叶片图像在RGB颜色空间模式下采用二维卷积滤波进行去噪预处理,并将预处理后的彩色图像从RGB转换到目标与背景差异性最大的Q分量、超G分量、a*分量;随后在K均值聚类的一维数据空间中,利用PSO算法向全局像素解的子空间搜寻,通过迭代搜寻得到全局最优解,确定最佳聚类中心点,改善K均值聚类的收敛效果;最后,对像素进行聚类划分,从而得到棉花叶片分割结果。按照不同天气条件和不同背景采集了1 200幅棉花叶片样本图像,对本研究算法进行测试。试验结果表明:该算法对于晴天、阴天和雨天图像中目标(棉花叶片)分割准确率分别达到92.39%、93.55%、88.09%,总体平均分割精度为91.34%,并与传统K均值算法比较,总体平均分割精度提高了5.41%。分割结果表明,本研究算法能够对3种天气条件(晴天、阴天、雨天)与4种复杂背景(白地膜、黑地膜、秸秆、土壤)特征混合的棉花叶片图像实现准确分割,为棉花叶片的特征提取与病虫害识别等后续处理提供支持。     

植物枯萎病拮抗细菌KL-1菌株的分离及鉴定

[目的]筛选、鉴定植物枯萎病菌拮抗细菌,为植物枯萎病生防制剂的研究奠定基础。[方法]采用对峙培养法筛选对植物枯萎病菌具有良好抑制作用的生防细菌,通过Biolog细菌自动鉴定系统和16SrDNA序列分析法鉴定其分类地位,并研究该菌株对棉花和小鼠的安全性。[结果]从棉花根际土壤中分离出的12株细菌中,有5株对多隔镰刀菌、香石竹尖孢镰刀菌、棉花枯萎病菌具有拮抗活性;其中,KL-1菌株对3株目标病原菌的抑菌活性分别达69.09%、80.78%、78.89%。Biolog细菌自动鉴定系统和16SrDNA序列分析法鉴定结果表明,KL-1菌株为解淀粉芽孢杆菌;生物安全性初步测定结果表明,KL-1菌株对棉花和小鼠安全无毒。[结论]解淀粉芽孢杆菌KL-1菌株具有对多种植物枯萎病菌的抑菌活性,且对棉花和小鼠安全无毒,是一株具有研究和开发潜能的生防菌株。     

Using Deep Learning for Soybean Pest and Disease Classification in Farmland

To accurately identify soybean pests and diseases, in this paper, a kind of deep convolution network model was used to determine whether or not a soybean crop possessed pests and diseases. The proposed deep convolution network could learn the highdimensional feature representation of images by using their depth. An inception module was used to construct a neural network. In the inception module, multiscale convolution kernels were used to extract the distributed characteristics of soybean pests and diseases at different scales and to perform cascade fusion. The model then trained the SoftMax classifier in a uniformed framework. This realized the model of soybean pests and diseases so as to verify the effectiveness of this method. In this study, 800 images of soybean leaf images were taken as the experimental objects. Of these 800 images, 400 were selected for network training, and the remaining 400 images were used for the network test. Furthermore, the classical convolutional neural network was optimized. The accuracies before and after optimization were 96.25% and 95.81%, respectively, in terms of extracting image features. This type of research might be applied to achieve a degree of automation in agricultural field management.     

基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

【目的】研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取验本集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值。     

基于叶片图像多特征融合的观叶植物种类识别

叶片图像特征提取对于植物自动分类识别有着重要的研究意义。本文以观叶植物叶片为研究对象,综合提取叶片图像的颜色、形状和纹理特征,基于支持向量机(SVM)原理提出了基于图像分析的观叶植物自动识别分类方法。通过对50种观叶植物样本图像进行训练和识别,与BP神经网络和KNN识别方法进行比较,本文所采用的SVM分类器的识别率能够达到91.41%,取得了较好的识别效果。      

转双价几丁质酶和葡聚糖酶基因对棉花主要病虫害及天敌发生的影响

以转双价基因（Chi+Glu）棉花株系61217-1为对象,以其受体品种“中棉所24”和转Bt棉花品种“鲁棉研28”为对照,研究转双价基因对棉花主要病虫害及天敌发生的影响。结果表明,转基因株系61217-1的抗黄萎病性较受体品种显著提高,同时对苗病、早衰和铃病具有显著的控制作用,对叶斑病发生具有显著促进作用,对角斑病无显著影响;与受体品种相比,转基因株系61217-1上蚜虫、棉铃虫和棉盲蝽发生危害显著减轻,对红蜘蛛、白粉虱、蓟马及天敌瓢虫、草蛉、小花蝽、蜘蛛均无显著影响。     

棉花黄萎病病叶光谱特征与病情严重度的估测

 【目的】阐明棉花黄萎病病叶光谱特征并对其病情严重度进行估测，为今后通过航空、航天遥感大面积监测棉花黄萎病提供依据。【方法】试验采用不同品种棉花黄萎病的病叶材料，在不同发病时期的病谱田和大田同步测定其光谱和发病严重度，定性和定量地分析病叶光谱反射特征、微分光谱特征差异。【结果】棉花不同品种、不同发病时期的黄萎病的病叶光谱均随发病严重度的增加而表现出有规律的变化，可见光（400～700 nm）到近红外区（700～1 300 nm）波段，光谱反射率随病情加重呈现上升趋势，可见光520～680 nm波段范围内尤为明显。当病叶严重度达到b2（25%）时，可作为病害识别的临界，对其进行早期诊断。对光谱一阶微分特征研究表明，在红边范围内（680～780 nm）处理间变幅最大，分析后发现红边斜率减小，红边位置发生了“蓝移”，表现出了病害特有的特征。试验证明：434～724和909～1 600 nm为棉花黄萎病病叶光谱敏感波段，建立的多个遥感估测模型均达到极显著水平。【结论】棉花黄萎病病叶光谱特征明显，建立的相应病害反演模型中利用一阶微分光谱723 nm建立的模型精度最高，可用来定量反演棉花单叶黄萎病的发生情况。     

一种室内快速鉴定棉花苗期黄萎病抗性的新方法——无纺布育苗袋接种法

为了快速准确筛选棉花抗黄萎病品种,为抗病育种提供理论支撑,利用植物根系可伸出无纺布育苗袋特点,将棉花种植于育苗袋中,接种时将伸出育苗袋的根系造成创伤,于黄萎病菌孢子悬浮液(孢子数密度为107 cfu/mL)中浸蘸1s。结果表明,接种后于第7天棉花植株开始发病,第20~25天病情稳定;利用该方法对16个棉花品种进行接种鉴定,试验表明,该方法能够快速准确区分16个棉花品种的抗、感病情况。无纺布育苗袋接种无需剪底,移苗等繁琐伤根过程,简单快速,易操作,不影响棉花正常生长,接种后发病均匀,鉴定结果准确可靠。