基于改进Faster R-CNN的苹果叶部病害识别方法

针对苹果叶片图像中小尺度病斑和复杂背景带来的病斑目标难以精确定位和识别的问题,以苹果的斑点落叶病、黑星病、灰斑病、雪松锈病和花叶病为研究对象,提出一种基于改进Faster R-CNN的苹果叶片病害识别方法.先通过数据增广操作对训练集数据进行扩充以增强模型鲁棒性,再通过对增广训练集图像进行训练来得到一个可靠的病害识别模型...     

基于改进YOLOv5s和迁移学习的苹果果实病害识别方法

为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型：GHTR2-YOLOv5s （YOLOv5s with Ghost structure and TR2 module）,并通过迁移学习策略对其进行优化。在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块（Convolutional Block Attention Module, CBAM）和加权双向特征金字塔网络（Bidirectional Feature Pyramid Network, BIFPN）提高模型精度,使用TR2（Two Transformer）作为检测头增强模型对全局信息的获取能力。改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值（mAP0.5）达到0.909,能快速准确地识别苹果果实病害。研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5%。试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别。     

苹果产量集成预测模型研究

苹果产量与气象因素密切相关,建立以气象因子为变量的预测模型是实现产量预测的重要手段。单一预测模型受限于年际及空间变化,预测效果不佳。选取山东省4个苹果主产县,通过对2005—2019年气象数据和苹果产量数据进行分析,构建苹果产量集成预测模型。首先,通过趋势分析法将苹果产量分解为趋势产量和气象产量。其次,分别针对月平均气象数据,依据距离相关系数筛选影响产量的关键气象因子。最后,以支持向量机回归、多元线性回归和决策树回归为基础模型形成集成预测模型。结果表明,集成预测模型精度优于单一模型,其平均相对误差在3.0%～4.5%,均方根误差在1.5～2.6。该模型在不同地区均表现出较好的预测效果,可为苹果产量预测提供理论支撑。