基于卷积神经网络的家蚕病害识别研究

病害是我国养蚕业健康发展面临的主要威胁之一,为研究机械化养蚕模式下的家蚕病害防治方法,采用卷积神经网络进行家蚕病害图像的识别研究。首先在实际环境下,采用饲养和添食病原的方法,集中获取家蚕品种芳·秀×白·春在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌病、农药中毒以及健康状态的样本,并开展图像采集工作,构建出家蚕病害图像数据集。其次采用特征融合和缩减结构的方法,对残差神经网络进行部分改进,以避免直接使用该算法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明:卷积神经网络能够高效准确识别家蚕病害图像,使用改进的算法在测试集上的准确率达到94.31%,与标准的残差神经网络准确率相当,但训练的参数量仅为原来的1/3,且识别效率大幅提升,更有利于网络的训练与部署。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型

卷积神经网络（CNN）的发展带来了大量的网络参数和庞大的模型体积,极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上,研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型,再将该模型中的知识通过蒸馏的方法迁移到MobileNet,从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试,结果表明,当VGG16作为教师模型时,模型准确率提升了97.54%;使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估,经测试,模型的平均准确率达到了97.62%,平均识别时间缩短至0.218 s,仅占VGG16模型的13.20%,模型大小压缩仅为19.83 MB,相比于VGG16缩小了93.60%,使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高,为内存和计算资源受限设备上的病害识别提供了新的思路。     

卷积神经网络水果识别

为提取水果图像的多维特征,运用卷积神经网络深度学习技术,在LeNet-5的模型结构的基础上,设计了一个卷积神经网络结构,进而完成水果识别任务.实验结果表明,所提出的网络结构取得了较高的识别准确率.     

深度学习在植物叶部病害检测与识别的研究进展

植物病害准确检测与识别是其早期诊断与智能监测的关键,是病虫害精准化防治与信息化管理的核心.深度学习应用于植物病害检测与识别中,可以克服传统诊断方法的弊端,大幅提升病害检测与识别的准确率,引起了广泛关注.本文首先收集和介绍了部分公开的植物病害图像数据集,然后系统地综述了近年来深度学习在植物病害检测和识别中的研究应用进展,...     

基于卷积神经网络的苹果树病虫害识别

基于深度学习中数字图像识别的理论,课题组构建了深层卷积神经网络,并使用网络模型对苹果树叶片进行分类试验,基于深度学习MobileNet,修改输出的全连接层尺寸,搭建了MobileNet苹果树叶分类模型,实现了Alternaria_Boltch(斑点落叶病)、Brown_Spot(褐斑病)、Grey_Spot(灰斑病)、...     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

基于卷积神经网络的车牌识别研究

针对现有的车牌识别方法存在车牌无法定位且车牌字符无法正确分割等情况,提出了一种基于卷积神经网络的车牌识别技术。首先,设计了一套图像处理流程实现车牌定位和字符分割,然后,利用提出的卷积神经网络对车牌字符集进行训练、识别。所提方法可以达到98.54%以上的准确率,极大提高适用性和准确率。     

基于迁移学习的卷积神经网络玉米病害图像识别

为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在Image Net图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95. 33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。     

基于轻量级无锚点深度卷积神经网络的树上苹果检测模型

为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的MobileNetV3网络,结合关键点预测的目标检测网络（CenterNet）,构建了用于苹果检测的轻量级无锚点深度学习网络模型（M-CenterNet）,并通过与CenterNet和单次多重检测器（Single Shot Multibox Detector,SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%;模型体积和帧率分别为14.2MB和8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为CenterNet网络的1/4;相比于SSD网络,所提网络模型的AP提升了3.9%,模型体积降低了84.3%;本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。     

基于分水岭算法结合卷积神经网络的玉米种子质量检测

为实现玉米种子快速、准确地优选,以不同质量的玉米种子为研究对象,提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法.首先利用分水岭算法分割出单粒玉米种子,然后通过卷积神经网络模型对每粒种子进行质量分类,根据分水岭算法得到的单粒种子的位置,将结果在图像中进行标注,实现种子质量检测.使用改进型的Inceptio...     

基于卷积神经网络的害虫分类

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量。由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战。针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类。首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别。试验表明：所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2%,损失函数Loss为0.031,模型训练时间为197 min。     

基于Xception-CEMs神经网络的植物病害识别

随着深度学习技术与农业的密切融合,越来越多的研究将深度学习技术用于农业病虫害检测,提高农产品产量和质量.本文提出一种新颖的基于Xception模型的植物病害识别方法.了解到植物病害图像会受到不确定环境因素的干扰而减小图像信息.在Xception的基础上,提出一种新的通道扩增模块,采用带有通道分配权重的多尺度深度卷积与组...     

深度学习在农作物病害图像识别中的研究进展

农作物病害识别关乎作物的产量与质量,是智慧农业发展过程中必不可少的重要环节。随着深度学习技术在图像处理领域的飞速发展,利用深度学习从图像中识别出农作物患病类型的方法已逐渐成为主流。主要对基于深度学习的农作物病害识别方法进行综述,简要地介绍深度学习和卷积神经网络,收集一些常用的病害图像公开数据集。根据训练样本采集环境的不同,从实验室和野外两个方面概述近年来基于深度学习病害识别方法的进展,指出每种方法的优势与不足,总结出该研究领域存在数据量不足、任务难度大、深度学习模型网络结构复杂3个主要问题,并在此基础上进行展望,提出建立大规模、多种类、多类型病害数据库和设计高性能的深度学习模型是未来的重要发展方向。     

基于卷积神经网络的互花米草识别研究

互花米草的侵入对我国的生态系统多样性造成了巨大损失,如何准确地识别零散斑块的互花米草对其早期监测及预警具有重要意义。采用低空无人机遥感技术,以广西北海地区春季时期红树林中的互花米草为研究对象,利用AlexNet、VGG16、GoogleNet、ResNet50、EfficientNetB0五种卷积神经网络,分别对包含互花米草、红树林及其他地物背景的图像数据集进行模型的训练、验证与测试,然后将训练好的五种网络模型对整个试验区域的互花米草及地物背景进行识别并标记,得到互花米草的分布图。基于混淆矩阵和运算时间的综合定量评估结果表明,ResNet50网络模型总体上优于另外四种网络模型,识别准确率最高,达到了96.96%,且在测试集上耗时仅为5.47 s。将识别结果图与互花米草实际分布图进行对比,ResNet50网络模型的识别结果与互花米草的实际分布基本重合。     

基于深度卷积神经网络的红树林物种无人机监测研究

红树林生态系统具有重要的生态价值和经济价值。但是近年来由于人类活动、环境污染等因素红树林的面积日益减少,红树林的保护变得极其迫切且重要。提出一种基于深度学习的红树林物种监测方法,以无人机采集红树林待监测区域图像为研究对象,基于LeNet-5模型结构构建深度卷积神经网络模型,将得到的新的网络模型命名为LeNet-5(2)。在新的卷积神经网络模型中,利用Leaky-ReLU激活函数解决模型中容易出现的梯度消失的问题,并且采用dropout技术提高网络模型的泛化能力,解决网络模型中容易出现的过拟合问题。利用LeNet-5(2)网络模型对红树林图像进行物种识别并标记,总体识别准确率87.31%,基本映射红树林各类物种的分布情况,预测出图像中4类红树林物种的面积分别为:白骨壤1 578.31 m^2、红海榄162.07 m^2、木榄58.94 m^2、秋茄871.79 m^2。将预测结果与图像中红树林物种的实际分布进行比较,总体上符合四类物种的实际分布情况。     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。