多尺度特征融合的柑橘冠层施药沉积量分类模型

针对传统农作物冠层施药沉积量分类模型分类准确率低、网络模型参数量大且运算速度慢的问题，该研究提出一种改进的SPP-Net-Inception-v4模型。该模型通过构建稀疏网络结构平衡各个模型子网间的计算量，利用3个Inception模块生成施药沉积量在柑橘冠层热红外图像的稠密有效特征数据；在模型的卷积层与全连接层间创新性接入空间金字塔池化网络（Spatial Pyramid Pooling Network, SPP-Net），进行一次历遍提取热红外图像特征信息，再通过空间池化操作融合3种池化方式提取的多尺度特征，实现柑橘冠层热红外图像施药沉积量表现特征的提取与融合。搭建多环境因素自主控制试验环境，模拟无人机低空采集柑橘冠层热红外图像，应用3个分类模型进行对比试验，试验结果表明，SPP-Net-Inception-v4模型与Inception-v4和ResNet-152两种模型相比，准确率分别提高1.58%和3.26%，模型大小分别降低13%和24%，表明SPP-Net-Inception-v4模型在降低模型规模的基础上，提高了柑橘树冠层施药沉积量分类的准确率，可为精准农业航空中无人机植保技术的进一步发展提供参考。     

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。     

基于坐标注意力机制与高效边界框回归损失的线虫快速识别

绿色高效杀线农药是现阶段防治植物线虫病的有效手段之一,针对在大规模杀线农药活性筛选测试阶段,传统人工镜检工作存在耗时长、准确率低、工作量大等问题,提出一种基于坐标注意力机制与高效边界框回归损失的线虫快速识别方法YOLOFN（YOLO for Nematodes）。基于YOLOv5s目标检测理论框架,在主干网络嵌入坐标注意力机制特征提取模块,融合线虫特征图位置信息于通道注意力中;进一步,平衡考量线虫目标的重叠比例、中心点距离、预测框宽高以及正负样本比例,以精确边界框回归的高效损失函数（Efficient IoU,EIoU）和焦点损失函数（Focal loss）优化定位损失函数和分类损失函数,最小化真实框与预测框的宽高差值,动态降低易区分样本的权重,快速聚焦有益训练样本,以提升模型对重叠黏连线虫目标的解析能力和回归精度。试验结果表明,YOLOFN在准确率、召回率和平均精度均值（mean Average Precision,mAP）性能指标上较改进前提高了0.2、4.4和3.8个百分点,与经典检测算法YOLOv3、SSD、Faster R-CNN3相比,mAP分别提高了1.1、31.7和15.1个百分点;与轻量化主干算法深度可分离卷积-YOLOv5、Mobilenetv2-YOLOv5、GhostNet-YOLOv5相比,在推理时间基本无差别情况下,mAP分别高出11、16.3和15个百分点。YOLOFN模型可快速、准确、高效完成线虫镜检统计工作,满足植物线虫病农药研发的实际需求,为加快植物线虫病防治新药的研制提供有力技术支持。