基于多层信息融合和显著性特征增强的农作物病害识别

现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够，且提取的农作物病害图像显著性特征大多不足，为了更加有效地提取农作物病害图像中的判别特征，提高农作物病害识别精度，提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中，ConvNext主干网络主要用于提取农作物病害图像的特征；多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息；显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明，MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95....     

基于快照集成卷积神经网络的苹果叶部病害程度识别

针对苹果叶部病害程度识别准确率低的问题,构建了一种基于快照集成方法的苹果叶部病害程度识别模型。首先,通过多种数字图像处理技术对原始苹果叶部病害图像进行数据增强;然后,选取Inception-ResNet V2作为基模型,引入CBAM模块提升网络的特征提取能力,使用焦点损失函数缓解苹果叶部病害数据集类别不平衡问题;最后,通过快照集成方法进行模型集成,得到苹果叶部病害程度识别模型。利用苹果黑星病和锈病的早期和晩期病害数据集进行了模型验证,准确率高达90.82%,比单一Inception-ResNet V2模型的准确率提高了2.50个百分点。实验结果表明,基于快照集成的识别模型准确率较高,为苹果叶部病害程度识别研究提供了参考。     

基于快照集成卷积神经网络的苹果叶部病害程度识别

针对苹果叶部病害程度识别准确率低的问题,构建了一种基于快照集成方法的苹果叶部病害程度识别模型。首先,通过多种数字图像处理技术对原始苹果叶部病害图像进行数据增强;然后,选取InceptionResNet V2作为基模型,引入CBAM模块提升网络的特征提取能力,使用焦点损失函数缓解苹果叶部病害数据集类别不平衡问题;最后,通过快照集成方法进行模型集成,得到苹果叶部病害程度识别模型。利用苹果黑星病和锈病的早期和晩期病害数据集进行了模型验证,准确率高达90.82%,比单一InceptionResNet V2模型的准确率提高了2.50个百分点。实验结果表明,基于快照集成的识别模型准确率较高,为苹果叶部病害程度识别研究提供了参考。     

基于注意力机制和多尺度残差网络的农作物病害识别

针对传统农作物病害识别方法依靠人工提取特征,步骤复杂且低效,难以实现在田间环境下识别的问题,提出一种多尺度卷积结构与注意力机制结合的农作物病害识别模型。该研究在残差网络（ResNet18）的基础上进行改进,引入Inception模块,利用其多尺度卷积核结构对不同尺度的病害特征进行提取,提高了特征的丰富度。在残差结构的基础上加入注意力机制SE-Net（Squeeze-and-excitation networks）,增强了有用特征的权重,减弱了噪声等无用特征的影响,进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明,改进后的多尺度注意力残差网络模型(Multi-Scale-SE-ResNet18)在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.62%,相较于原ResNet18模型准确率提高10.92个百分点,模型占用内存容量仅为44.2MB。改进后的Multi-Scale-SE-ResNet18具有更好的特征提取能力,可以提取到更多的病害特征信息,并且较好地平衡了模型的识别精度与模型复杂度,可为田间环境下农作物病害识别提供参考。     

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络（Multi scale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络（Wasserstein generative adversarial networks, WGAN）进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块（Coordinate attention, CA）嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。     

融合注意力机制的开集猪脸识别方法

针对闭集猪脸识别模型无法识别训练集中未曾出现的生猪个体的问题,本文设计了一种融合注意力机制的开集猪脸识别方法,可实现开集猪脸图像识别,识别模型从未处理过的生猪个体。首先基于全局注意力机制、倒置残差结构和深度可分离卷积构建了轻量级的特征提取模块(GCDSC);然后基于高效注意力机制、Ghost卷积和残差网络设计C3ECAGhost模块,提取猪脸图像高层语义特征;最后基于MobileFaceNet网络,融合GCDSC模块、C3ECAGhost模块、SphereFace损失函数和欧氏距离度量方法,构建PigFaceNet模型,实现开集猪脸识别。实验结果表明,GCDSC模块可使模型猪脸识别的准确率提高1.05个百分点,C3ECAGhost模块可将模型准确率进一步提高0.56个百分点。PigFaceNet模型在开集猪脸识别验证中的准确率可达94.28%,比改进前提高1.61个百分点,模型占用存储空间仅为5.44 MB,在提高准确率的同时实现了模型轻量化,可为猪场智慧化养殖提供参考方案。     

基于改进Yolov5植物病害检测算法研究

苹果和番茄是日常生活非常常见的果蔬,准确地识别病害能够提升作物产量,减少经济损失。针对现有的植物病害检测方法不能准确且快速地检测植物叶片中病害区域的问题,设计一种基于改进Yolov5的深度学习方法,用于检测苹果、番茄叶片常见病害。通过数据增强和图像标注技术构建苹果、番茄叶片病害数据集,利用K-means算法对初始锚框进行调整,在此基础上使用复合主干网增强Yolov5主干网对病害特征的提取能力,使用Varifocal Loss函数提高对密集感染区域的识别精度。试验结果表明：改进后的Yolov5病害检测算法mAP达到95.7%,在原来Yolov5模型基础上mAP提升1.7%,平均检测一张图像耗时0.033 s,为苹果、番茄叶片病害检测提供一种高性能的解决方案,能够以较高的准确率对植物叶片病害进行分类与定位。     

基于RSTCNN的小麦叶片病害严重度估计

以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病害进行严重度估计。RSTCNN包含3个尺度网络,并由区域检测子网络进行连接。每个尺度网络以VGG19作为基础网络以提取病害的特征,同时为了统一区域检测过程中前后特征图的维度,在全连接层前引入空间金字塔池化(Spatial pyramid pooling,SPP);区域检测子网络则采用空间变换（Spatial transformer,ST）有效提取尺度网络特征图中病害的注意力区域。小麦叶片病害图像通过每个尺度网络中卷积池化层得到的特征图,一方面可作为预测病害严重度类别概率的依据,另一方面通过ST进行注意力区域检测并将检测到的区域作为下一个尺度网络的输入,通过交替促进的方式对注意力区域检测和局部细粒度特征表达进行联合优化和递归学习,最后对不同尺度网络的输出特征进行融合再并入到全连接层和Softmax层进行分类,从而实现小麦叶片病害严重度的估计。本文对采集的患有条锈病和白粉病的小麦叶片图像结合数据增强方法构建病害数据集,实验验证了改进后的RSTCNN在3层尺度融合的网络对病害严重度估计准确率较佳,达到了95.8%。相较于基础分类网络模型,RSTCNN准确率提升了7~9个百分点,相较于传统的基于颜色和纹理特征的机器学习算法,RSTCNN准确率提升了9～20个百分点。结果表明,本文方法显著提高了小麦叶片病害严重度估计的准确率。     

基于非对称混洗卷积神经网络的苹果叶部病害分割

针对苹果叶部病害由于数据集类间样本不均衡和拍摄角度、光照变化等实际成像与环境因素造成的精度低和泛化能力差的问题,本文提出了一种新型的非对称混洗卷积神经网络ASNet。首先,通过在ResNeXt骨干网络中添加改进的scSE注意力机制模块增强网络提取的特征;其次,针对多数叶片病害特征分布相对分散的问题,使用非对称混洗卷积模块代替原始的残差模块来扩大卷积核的感受野和增强特征提取能力,从而提升模型的分割精度和泛化能力;最后,在非对称混洗卷积模块中使用通道压缩和通道混洗的方式弥补了分组卷积造成的通道间关联性不足的缺陷,降低了由于叶部病害类间不均衡导致的传统网络模型精度偏低的问题。在COCO数据集评价指标下,实验结果表明,相比于骨干网络为ResNeXt-50的原始Mask R-CNN模型,本文模型的平均分割精度达到96.8%,提升了5.2个百分点,模型权重文件减小为321MB,减小了170MB。对实地采集和AI Challanger农作物病害分割挑战赛的240幅苹果叶片图像进行测试,结果表明,本文模型ASNet对苹果黑腐病、锈病与黑星病3种病害和健康叶片的平均分割精度达到94.7%。     

基于Vision Transformer的小麦病害图像识别算法

小麦白粉病、赤霉病和锈病是危害小麦产量的三大病害。为提高小麦病害图像的识别准确率,构建一种基于Vision Transformer的小麦病害图像识别算法。首先,通过田间拍摄的方式收集包含小麦白粉病、赤霉病和锈病3种病害在内的小麦病害图像,并对原始图像进行预处理,建立小麦病害图像识别数据集;然后,基于改进的Vision Transformer构建小麦病害图像识别算法,分析不同迁移学习方式和数据增强对模型识别效果的影响。试验可知,全参数迁移学习和数据增强能明显提高Vision Transformer模型的收敛速度和识别精度。最后,在相同时间条件下,对比Vision Transformer、AlexNet和VGG16算法在相同数据集上的表现。试验结果表明,Vision Transformer模型对3种小麦病害图像的平均识别准确率为96.81%,相较于AlexNet和VGG16模型识别准确率分别提高6.68%和4.94%。     

基于循环一致对抗网络的玉米灰斑病图像迁移方法研究

针对玉米病害图像采集困难，特别是灰斑病表现差异性较多问题，提出一种基于循环一致对抗网络（CycleGAN）的玉米灰斑病图像生成算法，通过病害图像迁移，使得健康的作物图像可以生成患病作物图像。此方法首先通过特征提取分别提取出健康玉米图像特征和灰斑病图像特征；然后把两种特征图像输入到CycleGAN的生成器Gs中，结合生成器中的残差网络提高图像传输时的准确性，利用两个判断器判断生成的图像是否一致；最后通过对健康玉米图像进行病害迁移得到所需的玉米灰斑病图像。试验结果表明：与VAE、GAN的图像进行迁移比较，结构相似SSIM值整体分别提升50.434%、18.762%，均方误差MSE值整体减少12.891%、9.558%；直观效果上CycleGAN迁移后的不同病害程度的玉米灰斑病效果更好，因此使用CycleGAN网络生成的玉米灰斑病图像更准确。     

基于改进YOLOv5m的采摘机器人苹果采摘方式实时识别

为准确识别果树上的不同苹果目标,并区分不同枝干遮挡情形下的果实,从而为机械手主动调整位姿以避开枝干对苹果的遮挡进行果实采摘提供视觉引导,提出了一种基于改进YOLOv5m面向采摘机器人的苹果采摘方式实时识别方法。首先,改进设计了BottleneckCSP-B特征提取模块并替换原YOLOv5m骨干网络中的BottleneckCSP模块,实现了原模块对图像深层特征提取能力的增强与骨干网络的轻量化改进;然后,将SE模块嵌入到所改进设计的骨干网络中,以更好地提取不同苹果目标的特征;进而改进了原YOLOv5m架构中输入中等尺寸目标检测层的特征图的跨接融合方式,提升了果实的识别精度;最后,改进了网络的初始锚框尺寸,避免了对图像里较远种植行苹果的识别。结果表明,所提出的改进模型可实现对图像中可直接采摘、迂回采摘（苹果上、下、左、右侧采摘）和不可采摘果实的识别,识别召回率、准确率、mAP和F1值分别为85.9%、81.0%、80.7%和83.4%。单幅图像的平均识别时间为0.025s。对比了所提出的改进算法与原YOLOv5m、YOLOv3和EfficientDet-D0算法在测试集上对6类苹果采摘方式的识别效果,结果表明,所提出的算法比其他3种算法识别的mAP分别高出了5.4、22、20.6个百分点。改进模型的体积为原始YOLOv5m模型体积的89.59%。该方法可为机器人的采摘手主动避开枝干对果实的遮挡,以不同位姿采摘苹果提供技术支撑,可降低苹果的采摘损失。     

基于YOLOX的复杂背景下木薯叶病害检测方法

为解决田间环境下由于叶片间遮盖和堆叠等因素引起的木薯叶病害识别困难的问题,本文提出一种基于改进YOLOX网络的木薯叶病害检测(Cassava leaf disease detection, CDD)模型。首先,对复杂背景下木薯叶病害图像数据集进行数据增强,以减少环境影响造成的识别困难。其次,在YOLOX网络的基础上,使用多尺度特征提取模块加强细粒度特征提取并降低模型计算量,同时嵌入通道注意力机制,提高网络的表征能力。最后,结合质量焦点损失函数作为分类损失函数辅助网络收敛,提高目标分类的准确性。实验结果表明,提出的CDD模型对复杂背景下木薯叶病害进行检测,网络参数量为5.04×10⁶,平均精度均值达93.53%,比基础模型高6.02个百分点,综合检测能力优于多种主流模型。因此,本文提出的CDD模型对田间木薯叶病害具有更快更准确的检测能力,为实现农作物病害检测提供了可借鉴的方法。     

基于全局特征提取的农作物病害识别模型

针对现阶段特征提取网络当测试样本出现歪斜、模糊、缺损等变化时识别效果不够理想,利用训练样本扩充、变换、缩放等方式改善网络性能并不能动态地满足实际的复杂病害图像识别任务的问题,在ResNet50中引入双层注意力机制与通道特征提取机制,设计基于全局特征提取的深度学习网络（Global feature deep learning network,GFDL-Net）,该网络包括通道特征提取子网络（Squeeze and excitation net,SE-Net）和双注意力特征提取子网络（Double feature extraction net,DFE-Net）,分别从通道空间特征提取与平面关键点特征提取两方面改善了网络的全局特征提取能力。为了验证GFDL-Net的有效性,对辣椒、马铃薯、番茄等15种病害图像加入不同角度的旋转、色彩变换等测试,发现在样本加入旋转后与ResNet50、BoTNet、EfficientNet相比,平均识别准确率分别高出20.05、18.62、21.97个百分点;加入明暗度、饱和度、对比度变换后与ResNet50、BoTNet、 EfficientNet相比,平均识别准确率分别高出3.57、0.53、3.98个百分点,而识别速度分别为ResNet50、BoTNet、EfficientNet的4.4、4.9、2.0倍。试验证明GFDL-Net在图像全局特征提取能力方面的改进能有效提升网络的泛化能力与鲁棒性,可将其应用于解决变化样本的农作物病害识别任务中。     

基于CenterNet的密集场景下多苹果目标快速识别方法

为提高苹果采摘机器人的识别效率和环境适应性,使其能在密集场景下对多苹果目标进行快速、精确识别,提出了一种密集场景下多苹果目标的快速识别方法.该方法借鉴"点即是目标"的思路,通过预测苹果的中心点及该苹果的宽、高尺寸,实现苹果目标的快速识别;通过改进CenterNet网络,设计了Tiny Hourglass-24轻量级骨干...     

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module,NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision,mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。