基于卷积神经网络的花生种子筛选识别算法

针对现有技术在花生种子筛选过程中分类复杂、准确率低、速度慢的问题,提出了基于卷积神经网络的花生种子的筛选识别算法。根据实际情况将花生种子分为完好花生、破损花生2类研究对象,收集1500张花生照片建立图像库,搭建卷积神经网络结构,提取花生种子图像的颜色特征和纹理特征,优化网络提高筛选的准确率和快速性。试验结果表明优化完成后的卷积神经网络筛选准确率为98.21%,筛选速度为16.4 ms/粒,说明该系统准确率高、筛选速度快,可以满足农业对花生种子的实际筛选要求。     

卷积神经网络在农业遥感图像语义分割中的应用综述

卷积神经网络是一种特殊的人工神经网络,通过卷积核遍历图获取更多的目标特征信息。近年来,遥感技术发展迅速并被广泛应用于土地利用分析、作物分类识别、作物生长监测和病虫害检测,卷积神经网络为提取农业遥感图像的有效信息提供了新方法。卷积神经语义分割网络可根据语义信息对遥感图像像素点进行标注分割,在计算机计算能力逐步提高的前提下,分割网络结构优化,深度加深,分割准确率提高,性能提升。针对实际需要网络侧重于模块化设计改进,在土地利用分析和农作物分类识别应用中,改进的网络分割边缘细化、清晰,且像素准确率较高。在作物生长监测和病虫害识别方面,模块化改进使网络可高效实现分割任务、满足实际需要,卷积神经网络对农业遥感图像信息的语义分割为农业现代化和精细化管理提供了信息支撑。     

深度迁移学习在花生叶部病害图像识别中的应用

运用深度学习方法对花生叶部病害图像进行分类时,需要大量训练样本。而花生叶部病害发生时间较短,多呈地域性分布,为叶部病害图像的采集增加难度。为降低图像采集难度,减少图像标注成本,提出了一种基于微调策略的Inception-v3花生叶部病害图像识别方法。首先迁移Inception-v3模型在茶叶叶部病害图像数据集上进行微调,然后将微调所得模型迁移至花生叶部病害图像数据集上继续训练。实验结果表明,Inception-v3、VGG19、ResNet50、卷积神经网络和微调卷积神经网络在测试集上的准确率分别为94.1%、92.9%、93.2%、80.3%和87.0%,本文提出的方法准确率为95.3%。在花生叶部病害图像数量有限时,本文提出的方法识别准确率显著提高。     

基于机器视觉的花生种子外观品质检测与分类方法研究

[目的]花生种子的有效分类是花生产业中选育良种的重要环节,为降低花生产业对人工的依赖程度,简化选种过程,提出了一种基于机器视觉的花生种子外观品质检测与分类方法.[方法]在相同环境下采集单粒花生种子图像,建立花生种子对象在图像中像素数与其实际质量的回归模型,以花生种子尺寸和外观颜色作为主要特征,采用支持向量机分类模型完成分类任务.[结果]使用该方法完成12个类别的分类,对批量花生种子的分类准确率达86％,符合实际生产中花生种子初步分类要求.[结论]该方法对花生种子图像代表性特征的选择和识别样本的简化使得分类系统更符合实际生产需要,对同品种花生种子的不同品质分类以及不同品种花生种子的直接分类有着积极意义.     

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。     

基于卷积神经网络优化因素的图像分类研究

为提高卷积神经网络的图像分类性能,通过图像数据集CIFAR-10的数据实验,验证了数据集、隐藏神经元数目和训练方法等优化因素对卷积神经网络的分类准确度、运行时间和网络参数量的影响,从而为有效提高卷积神经网络图像分类性能的研究提供了参考.     

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。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于改进全卷积神经网络的黄瓜叶部病斑分割方法

为了解决传统卷积神经网络在黄瓜叶部病斑图像分割中存在模型训练时间长、分割效果差以及分割过程中易受光照和背景影响等问题,提出了一种基于改进全卷积神经网络的黄瓜叶部病斑分割方法。首先在模型训练的初始阶段使用传统的卷积神经网络得到病斑图像的轮廓特征,在训练过程中将传统的修正性单元(RELU)激活函数替换为指数线性单元(ELU)激活函数;然后对传统的卷积神经网络得到的病斑图像轮廓特征进行二次模型训练,训练过程中使用批归一化(Batch normalization)函数稳定模型训练过程;最后将原始卷积神经网络的多项逻辑回归(Soft max)分类器更换为支持向量机(SVM)分类器,对分类器输出的像素分类结果进行反卷积操作,恢复图像分辨率,得到分割结果。使用本研究方法与改进OTSU、SVM、CRF和传统FCN等4种方法在黄瓜叶部病斑数据集上进行分割试验,结果表明本研究方法的平均像素分割准确率为80.46%,平均交并比为70.43%,具有较高的分割精度。     

基于分层卷积神经网络的牧草种子识别模型

针对目前识别牧草种子存在主要依赖于耗时费力的人工种植识别、自动化程度低等问题,本文提出并构建了基于深度学习的多层卷积神经网络禾本科牧草种子分类识别模型。通过改进单层卷积层优化提取牧草种子深度特征,并通过softmax种子分类器对10类禾本科牧草种子进行训练与分类,同时与其他分类识别方法进行比较分析。结果表明:本模型对10类纹理特征极为相似的禾本科牧草种子图像的识别率可达到91.67%,比其他方法平均高出7%～44%,并且模型具有很好的鲁棒性。验证了深度学习在牧草识别中的可行性,为牧草管理数字化提供了参考。