融合迁移学习和知识蒸馏的轻量级马铃薯叶片病害识别模型的构建方法

轻量级深度学习模型常被部署于移动端或物联网端,以实现算力资源受限条件下马铃薯病害的识别。但轻量级模型网络层数较少,模型特征提取能力有限,无法实现相似表型特征的精确提取。为解决上述问题,提出一种轻量级残差网络模型的构建方法,该方法融合迁移学习和知识蒸馏策略训练模型,在教师模型上使用迁移学习策略缩短教师模型的训练时间,并将ResNet18模型进行模型剪枝,使用降采样的方法提高模型识别准确率,最终在保证轻量化的前提下,实现对马铃薯叶片病害类别的精准识别。在马铃薯叶片数据集上进行试验,结果表明,本研究方法构建的轻量级模型的识别准确率相较于Resnet18提高1.55百分点,模型大小缩小49.18%;相较于目前农作物病害识别领域,常用的轻量级模型MobileNetV3在模型大小相近的情况下,识别准确率提高2.91百分点。该模型能够满足大部分实际应用下的场景,可为部署在物联网和移动端设备上的模型提供参考。     

基于OpenCV和模糊数学的茶叶病害分析方法研究

茶叶病害的图像特征具有复杂性、多样性和模糊性,对茶叶的健康和群体造成威胁。目前缺乏相应的病害程度评价体系,评价指标权重未能准确反映茶叶当前生长情况。OpenCV是一个功能强大的图像处理工具,其图像边缘缺陷识别算法可以降低病害误判率,并具有良好的背景噪声处理效果。该研究利用OpenCV对茶叶病斑占比进行训练分析,得到定性评价结果。同时,通过专家对茶叶病斑大小、茶叶纹理、茶叶色泽和茶叶大小4个特征指标的重要性进行定量评价,引入模糊数学的隶属度理论后进行综合判断,建立茶叶病害的综合表达式。基于适宜评价权重,进一步判断不同因素对茶叶病害程度的影响。实际应用结果表明,结合OpenCV和模糊数学的评价方法通过可靠和稳定的图像识别技术,可以更科学合理地评估茶叶病害程度,提供有关茶叶健康生长和质量保证的参考价值。     

基于迁移模型集成的马铃薯叶片病害识别方法

针对目前马铃薯叶片病害识别工作量大、准确率低且主观性强等热点问题，提出1种通过ResNet34模型结合不同迁移方式进行集成学习以快速识别马铃薯叶片病害图像的方法。首先，利用多种迁移方式(全部参数迁移、特征提取、微调及全新训练4种训练方法),通过调整超参数，使模型快速收敛达到全局最优点。其次，使用混淆矩阵对多种迁移方式的训练模型结果进行对比分析，微调模型识别准确率达到95.45%。最后，利用集成学习将3种训练较优的模型进行集成并与微调模型进行对比。通过试验建立了1个马铃薯叶片病害图像数据集，结果表明，相比现有热门神经网络模型，该数据集无论是识别准确率还是识别效率均有显著提升，通过对比发现，试验的总体准确率提升了3.68百分点，达到99.13%,迁移学习能够更快速地收敛，减少训练时间，并且集成学习能够大幅提升平均识别准确率。本研究提出的针对马铃薯叶片病害的识别方法成本低、精确率高，能更好地应用于日常病害识别中，为植物叶片病害的智能诊断提供借鉴和参考。