基于判别局部保持投影的苹果叶部病害识别方法

通过维数约简实现特征提取是图像识别的一个重要步骤.由于同一种作物病害叶片和病斑图像的高度复杂性,在各种不同拍摄角度、位置和光照等条件下得到的图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于作物叶部病害识别.本文在判别局部保持投影(Discriminant Locality Preserving Projections,DLPP)的基础上,提出一种基于DLPP的苹果叶部病害识别方法.首先利用GrabCut算法对采集的病害叶部图像进行背景分割,然后利用分水岭算法对去背景图像进行分割,得到病斑图像;再利用DLPP将病斑图像投影到低维判别空间,得到分类特征;最后利用K-最近邻分类器进行病害类别识别.在实际苹果病害叶片图像数据库上的实验结果表明,该方法是有效可行的.     

基于跨深度学习模型的作物病害检测方法

作物病害叶片症状是病害类型识别的依据,与作物病害发生相关的环境信息是作物病害预测的依据。由于病害叶片症状和环境信息的复杂多样性,使很多作物病害检测方法的准确率不高。针对大田作物病害检测难题,提出一种基于卷积神经网络(convolutional neural networks,简称CNN)和双向长短时记忆网络(BiLSTM)相结合的跨深度学习模型的作物病害检测方法。首先,利用CNN提取作物病害叶片图像的分类特征,利用BiLSTM提取病害发生的环境信息的特征;然后,利用注意力机制对2种特征进行融合;最后,利用Softmax分类器进行病害检测。在作物病害相关数据库上进行试验,识别准确率为92.35%。结果表明,该方法优于传统的病害检测方法和基于长短时记忆神经网络(LSTM)的检测方法。该方法能够准确检测出作物病害,有助于提高大田作物病害检测系统的准确率和鲁棒性。     

基于可形变VGG-16模型的田间作物害虫检测方法

由于田间害虫种类多,大小、形态、姿态、颜色和位置变化多样,且田间害虫的周围环境比较复杂,使传统田间害虫检测方法的性能不高,而现有基于卷积神经网络的作物害虫检测方法采用固定的几何结构模块,不能有效应用于田间多变的害虫检测。该研究在VGG-16模型的基础上构建了一种可形变VGG-16模型（Deformable VGG-16,DVGG-16）,并应用于田间作物害虫检测。在DVGG-16模型中,引入可形变卷积后能够适应不同形状、状态和尺寸等几何形变的害虫图像,提高了对形变图像的特征表达能力,然后利用1个全局平均池化层替代VGG-16模型中的3个全连接层,以加快模型的训练。通过DVGG-16模型与VGG-16模型对比试验发现,DVGG-16模型提升了对田间害虫图像的形状、大小等几何形变的适应能力,在不改变图像空间分辨率的情况下,实现了对不规则田间害虫图像的特征提取,在实际田间害虫图像数据库上的检测准确率为91.14%。试验结果表明,DVGG-16模型提升了VGG-16模型对害虫多样性图像的特征表达能力,具有一定的图像形变适应能力,能够较准确地检测到田间形状变化多样的害虫,可为田间复杂环境下作物害虫检测系统提供技术支持。     

基于多尺度注意力卷积网络的作物害虫检测

田间作物害虫检测是精确防治虫害和减少农药使用量的前提.由于田间害虫种类多,同种害虫个体间差异大,田间同一只害虫的大小、颜色、姿态、位置和背景变化多样、无规律,而且田间背景复杂、对比度低,使得传统的作物害虫检测方法的性能不高.现有的基于深度学习的作物害虫检测方法需要大量高质量的标注训练样本,而且训练时间长.在VGG16模型的基础上,本研究提出一种基于多尺度注意力卷积网络(Multi-scale convolu-tional network with attention,MSCNA)的作物害虫检测方法.在MSCNA中,多尺度结构和注意力模型用于提取多尺度害虫检测特征,增强对形态较小害虫的检测能力;在训练过程中引入二阶项残差模块,减少网络损失和加速网络训练.试验结果表明,该方法能较好地检测到农田中各种各样、大小不同的害虫,检测平均准确率为92.44％.说明该方法能够实现自然场景下作物害虫的精准检测,可应用于田间作物害虫自动检测.     

基于典型相关分析全局和局部特征融合 的植物识别方法

同类叶片图像的复杂多样性增加了植物识别研究的难度,导致利用叶片图像进行植物识别的识别率不高,因此提出一种基于典型相关分析(CCA)全局和局部特征融合的植物识别方法。首先,采用有较好的光照及旋转不变性的梯度直方图(HOG)和边缘轮廓Fourier描述子作为植物识别的特征;然后利用CCA在特征层将HOG和Fourier描述子相融合,构成更具分类鉴别力的一个特征向量;最后利用K-最近邻分类器进行植物识别。在ICL叶片图像数据库上的试验结果表明了该方法的有效性。