基于深度学习的香蕉病害远程诊断系统

目的 实现香蕉病害的远程诊断。方法 基于深度学习方法对香蕉作物的7种常见病害进行诊断。收集了5944幅健康及染病香蕉植株图像,按7：1：2分为训练集、验证集和测试集。利用迁移学习对GoogLeNet深度卷积神经网络训练获取诊断模型。进一步开发了包含手机移动应用程序(APP)和远程服务器的软件系统。结果 通过对比不同迭代次数及不同优化器,最终采用了MomentumOptimizer迭代10000次的模型,平均测试精度达到了98%。设计的APP能够就地获取香蕉图像,并通过网络与集成了诊断模型的远程服务器通信,实时获取诊断结果。结论 该病害诊断模型识别主要病害的精度高,在线诊断系统简单易操作,可快速有效地在线诊断香蕉常见病害,具有良好的应用前景。     

基于卷积神经网络的水稻病害图像识别研究

【目的】针对传统水稻病害识别技术对图像特定特征依赖性强、识别效率低等问题,提出将深度学习理论应用到水稻病害识别中,以期取得较好的识别效果。【方法】通过使用深度卷积网络建立水稻病害识别模型,对水稻3种主要病害数据进行了归一化处理,采用深度学习框架Keras进行深度CNN训练。通过设置不同的卷积核尺寸和池化函数,对水稻3种常见病害进行分类识别研究。【结果】卷积核尺寸采用9×9和池化函数采用最大池化构建的模型识别率最高;模型经过5次迭代,其识别准确率就能达到90%以上;当迭代6次时,图像趋于稳定,模型基本达到收敛;从模型性能分析看,损失函数呈梯度下降趋势,变化相对平稳,预测损失偏差逐步减少。【结论】该模型具有泛化能力较强、准确率较高、鲁棒性较好及损失率较小等特点,这为植物病害的识别研究提供了参考和借鉴。     

面向移动终端的农业害虫图像智能识别系统的研究与开发

【目的】农作物田间害虫种类繁多,存在种间相似和种内差异的现象,容易混淆。本研究开发一个面向移动终端的农业害虫图像智能识别系统,为广大农户和基层测报人员提供一个便捷准确的农业害虫智能识别工具。【方法】农业害虫图像智能识别系统包括装有系统APP的移动客户端、服务器和基于深度学习的农业害虫识别模型。APP是在Android环境下开发的,可安装于Android系统的移动设备中。APP包括登录模块、害虫信息查询模块、害虫智能识别模块、害虫地图标记模块和害虫专家远程鉴定模块,UI界面采用底部导航栏形式。移动终端与服务器间的信息交互采用HTTP协议,害虫采集地信息显示使用百度的Android地图SDK来实现,用户和害虫信息使用MySQL数据库进行保存。在相同训练集和测试集条件下,比较了不同深度卷积神经网络模型,筛选出基于DenseNet121的农业害虫识别模型具有最高的精准度和最低的虚警率。农业害虫识别模型的程序部署在阿里云远程服务器上,当服务器端接收到移动客户端上传的害虫图像时,运行害虫识别模型,识别结果通过服务器反馈给客户端,同时将上传的图像和识别结果保存在数据库中,便于害虫图像的追溯。【结果】当用户在农田遇到不认识的害虫时,可通过装有该系统APP的移动设备(如手机或平板)拍摄害虫图像,并上传到服务器,识别结果和害虫防治信息在1—2 s内反馈至用户移动终端的屏幕上,对识别结果不满意还可远程请求专家鉴定。该系统对66种常见农业害虫图像平均识别率为93.9%,平均虚警率为8.2%。【结论】面向移动终端的农业害虫图像智能识别系统实现了66种常见农业害虫信息查询、自动识别,害虫采集地的地图显示和专家远程鉴定等功能。为农民和基层测报人员提供了一个农业害虫便捷准确的自动识别工具,无需专家到田间即可实现了用户"一对一"的防治指导,大大节省了经济和时间成本。     

面向移动终端的农业害虫图像智能识别系统的研究与开发

【目的】农作物田间害虫种类繁多,存在种间相似和种内差异的现象,容易混淆。本研究开发一个面向移动终端的农业害虫图像智能识别系统,为广大农户和基层测报人员提供一个便捷准确的农业害虫智能识别工具。【方法】农业害虫图像智能识别系统包括装有系统APP的移动客户端、服务器和基于深度学习的农业害虫识别模型。APP是在Android环境下开发的,可安装于Android系统的移动设备中。APP包括登录模块、害虫信息查询模块、害虫智能识别模块、害虫地图标记模块和害虫专家远程鉴定模块,UI界面采用底部导航栏形式。移动终端与服务器间的信息交互采用HTTP协议,害虫采集地信息显示使用百度的Android地图SDK来实现,用户和害虫信息使用MySQL数据库进行保存。在相同训练集和测试集条件下,比较了不同深度卷积神经网络模型,筛选出基于DenseNet121的农业害虫识别模型具有最高的精准度和最低的虚警率。农业害虫识别模型的程序部署在阿里云远程服务器上,当服务器端接收到移动客户端上传的害虫图像时,运行害虫识别模型,识别结果通过服务器反馈给客户端,同时将上传的图像和识别结果保存在数据库中,便于害虫图像的追溯。【结果】当用户在农田遇到不认识的害虫时,可通过装有该系统APP的移动设备（如手机或平板）拍摄害虫图像,并上传到服务器,识别结果和害虫防治信息在1—2 s内反馈至用户移动终端的屏幕上,对识别结果不满意还可远程请求专家鉴定。该系统对66种常见农业害虫图像平均识别率为93.9%,平均虚警率为8.2%。【结论】面向移动终端的农业害虫图像智能识别系统实现了66种常见农业害虫信息查询、自动识别,害虫采集地的地图显示和专家远程鉴定等功能。为农民和基层测报人员提供了一个农业害虫便捷准确的自动识别工具,无需专家到田间即可实现了用户“一对一”的防治指导,大大节省了经济和时间成本。     

基于改进ShuffleNet V2模型的苹果叶部病害识别及应用

苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块（convolutional block attention module,CBAM）,提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明：改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0...     

融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类

快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义，为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题，融合Focal Loss与4种典型卷积神经网络结构对7种水稻病害进行分类识别。利用TensorFlow的Keras深度学习框架搭建卷积神经网络的图像识别分类系统，使用Focal Loss损失函数解决数据集不平衡导致识别准确率低的问题，采用ResNet50、ResNet101、MobileNetV2、VGG16作为特征提取骨干，对7种水稻病害进行识别。通过imgaug库增强数据，将13 543张水稻病害图像按照9∶1的比例划分为训练集和验证集并参与训练模型，将1 404张水稻病害图像作为测试集来验证模型的准确性。结果表明，所搭建的数据集中ResNet50、ResNet101、MobileNetV2、VGG16的识别准确率分别为98.06%、94.26%、92.47%、97.83%。可见，在融合Focal Loss损失函数的情况下，ResNet50作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率，该成果可在实...     

基于MobileNetV3的马铃薯病害识别

针对传统卷积神经网络在马铃薯叶部病害识别中结构复杂、参数庞大,难以实现在移动设备上的良好应用的问题,提出一种基于轻量级卷积神经网络和迁移学习的马铃薯叶部病害识别方法。首先,采集马铃薯叶部病害图像样本,再运用GrabCut算法进行图像分割;再基于MobileNetV3构建病害识别基础模型,并通过调整模型结构及宽度系数α等方式对模型进行优化,最后运用迁移学习的方式将预训练参数迁移至优化模型进行训练。结果表明,该方法对马铃薯健康、晚疫病、早疫病、炭疽病及其他病害叶部图像识别准确率为98.00%,模型权重仅为0.68 MB,识别速率为0.014 s/幅。本研究结果可为马铃薯叶部病害识别在移动设备上应用的实现提供理论支持。     

基于深度学习的人脸自动识别模型构建

利用Google的开源框架TensorFlow搭建一个卷积神经网络模型,以实现自动人脸识别。将LFW人脸数据集和需要被识别对象的人脸图像作为人脸样本库,对构建的深度学习模型进行训练,训练之后再用测试样本进行测试。测试结果表明,在需要被识别对象的样本数量达到1024时,该模型识别率可以达到99.9%,同时,增加被识别对象样本,识别率还会有所提高。     

基于分层卷积神经网络的牧草种子识别模型

针对目前识别牧草种子存在主要依赖于耗时费力的人工种植识别、自动化程度低等问题,本文提出并构建了基于深度学习的多层卷积神经网络禾本科牧草种子分类识别模型。通过改进单层卷积层优化提取牧草种子深度特征,并通过softmax种子分类器对10类禾本科牧草种子进行训练与分类,同时与其他分类识别方法进行比较分析。结果表明:本模型对10类纹理特征极为相似的禾本科牧草种子图像的识别率可达到91.67%,比其他方法平均高出7%～44%,并且模型具有很好的鲁棒性。验证了深度学习在牧草识别中的可行性,为牧草管理数字化提供了参考。     

基于卷积神经网络的草莓叶部白粉病病害识别

针对计算机视觉下草莓叶部白粉病病害的识别,提出了一种基于卷积神经网络的病害识别模型。首先,设计了3种网络深度(经过3、4和5次卷积操作)与3种卷积核(5×5、3×3,5×5、3×3混合)交叉组合共9种不同网络深度与卷积核尺寸的卷积神经网络结构;其次,分别选择了4种采样层构建方法(均值池化、最大值池化、中间值池化和混合池化);最后,进行了9组训练集与测试集不同比例的模型识别。结果表明,基于混合池化的CNN-9模型(卷积核尺寸5×5,3×3;卷积神经网络深度11)表现最好,对草莓叶部白粉病病害的正确识别率达到98.61%。该方法可较好地实现草莓叶部白粉病病害的识别,且图像预处理步骤简单,易推广,可用于草莓白粉病病害的实时监测。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

基于多任务学习农作物叶片病害诊断方法

为了快速、准确判别农作物叶片病害图像的病害类型及病害程度，提出基于多任务学习的诊断方法。引入通道和空间注意力模型，对经典的MobileNetV3网络模型进行改进，并在此基础上构建基于特征金字塔的多任务深度卷积神经网络模型，实现作物类型、病害类型和病害程度的精准识别。采用多种图像增强方法对农作物叶片病害图像进行扩展，对改进前后模型与其他图像识别模型在农作物病害叶片识别性能上进行对比试验，并探究在有无数据增强处理条件下不同模型的性能。结果表明：该模型在作物类型识别、病害类型识别与病害程度识别任务上，平均准确率比原模型分别提升1.38、2.24和2.03个百分点；召回率比原模型分别提升2.38、1.62和1.18个百分点；对比MobileNetV3,InceptionV3、YOLOv7模型，该模型在上述3个任务上平均识别准确率和召回率均达到最高。     

基于深度学习的5种树皮纹理图像识别研究

目的针对在树皮图像识别时,现有的算法和识别过程过于复杂的问题,提出了基于深度学习的方法来对不同树种的树皮图像进行识别。方法本文以5种常见树种的树皮纹理图像为例,采用基于卷积神经网络的深度学习方法,将原始图像直接作为输入,通过卷积和池化层对图像的低级、高级特征进行自动提取,解决了手动提取纹理特征的困难和问题;在此基础上,对CNN模型结构进行改进,采用带Maxout的ELU激励函数来代替ReLU函数,解决模型的偏移和零梯度问题;对损失函数进行改进,通过添加规范项来优化结构参数,并使用分段常数衰减法对学习率进行动态调控;最后采用softmax分类器对图像类别进行输出。结果对5个树种的树皮图像共计10 000张图像进行实验,其中每类选取200张图像作为测试集。最终训练准确率达到93.80%,测试集识别准确率为97.70%。另外,为验证本文方法的可行性,与传统人工特征提取法,提取HOG特征、Gabor特征和灰度共生矩阵统计法,训练SVM分类器。通过实验比较,本文方法识别准确率最高。结论本文提出的基于深度学习的树皮纹理图像识别方法是可行的,提高了识别效率和精度,为树种的智能化识别提供新的参考。      

基于AI的桃树病害智能识别方法研究与应用

为解决传统人工识别桃树病害效率低、成本高、准确率低等问题，提出了基于AI深度学习的桃树病害智能识别方法，利用并微调ImageNet预训练的DenseNet-169分类模型，对桃树常见的11种病害图像进行预处理与模型训练，搭建桃树病害智能识别软件环境。该方法对常见桃树病害的平均识别率达到91%以上，结合图像处理、深度学习、数据挖掘等技术自动对桃树病害进行识别，实现桃树病害的智能诊断并提供防治建议。该方法具有人力成本低、操作简单、识别效率高等优点，利于病害的及时诊出与防治决策的制定，对促进果园病害防控的智慧化管理具有重要研究意义与应用价值。     

基于改进VGG卷积神经网络的棉花病害识别模型

为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。     

一种基于卷积神经网络的小麦病害识别方法

针对准确识别小麦常见病害的需要,提出了一种基于卷积神经网络的小麦病害识别方法。该方法首先以小麦病害图片资料为基础,利用中值滤波法、直方图阈值法等对图像进行去背景、去噪、病斑分割等预处理形成样本库,然后利用卷积神经网络构建一个具有五层结构的深度学习模型进行样本学习,并利用随机梯度下降法进行学习过程控制,最后以获取的特征集对小麦图片进行病害识别,并形成一个在线识别系统。在泰安市4样点的试验结果表明,利用该方法可以有效实现对小麦常见病害——纹枯病、条锈病、叶锈病、秆锈病、赤霉病和白粉病的识别,综合识别率可达99%以上,可以应用于实际生产管理。     

基于卷积神经网络的农作物病害识别

【目的】农作物生长过程中,作物产量会受到各种病害影响,实现自动精准地识别农作物病害以及病害程度的测定是农作物病害防治的关键。【方法】文章设计了一种基于卷积神经网络的农作物病害的识别方法并建立了农作物病害识别模型,模型利用10种作物中常见的59种病害类型的叶片图像数据集进行训练,并对模型的训练过程和训练结果进行评估。【结果】(1)农作物病害识别模型对59种病害类型的总识别精度达到0.83,部分类别的识别率高于0.9;(2)当训练的迭代次数增加到50轮以上时,农作物病害识别模型的性能不再提升,此时数据集图像的数量对模型性能的影响较大。【结论】实验证明,利用卷积神经网络进行农作物病害识别具有较高的可行性和准确性,为农作物病害的防治打下基础。     

基于轻量级神经网络的农作物病害识别算法

应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展.利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、...     

基于深度学习和支持向量机的4种苜蓿叶部病害图像识别

为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。     

基于迁移学习的番茄叶片病害图像分类

针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。