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...     

基于小样本学习的植物病害识别研究*

为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。     

基于支持向量机和色度矩的植物病害识别研究

针对植物病害彩色纹理图像的特点，提出将支持向量机和色度矩分析方法相结合应用于植物病害识别中。首先利用色度矩提取植物病害叶片的特征向量，然后利用支持向量机分类方法进行病害的识别。黄瓜病害纹理图像识别实验分析表明，利用色度矩提取病害彩色纹理图像特征简便、快捷、分类效果好；支持向量机分类方法在病害分类时训练样本较少，具有良好的分类能力和泛化能力，适合于植物病害的分类。不同分类核函数的相互比较分析表明，线性核函数最适于植物病害的分类识别。     

基于多视图特征融合的植物病害识别算法

近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。     

自动对靶施药系统中植物病害识别技术的研究

植物病害识别属于实时性较强的小样本模式识别。作为一种新机器学习方法支持向量机能够有效解决小样本学习、非线性及高维模式识别等问题。在提取图像颜色特征色度矩的基础上,利用SVM对患有红蜘蛛的棉花进行病害识别,获得较高的识别率和识别速度。     

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。     

卷积神经网络在农业病虫害识别中的应用

利用卷积神经网络等图像处理技术研究识别作物病虫害是农业智能化未来发展的必然趋势,具有识别速度快、精度高等优点。综述了卷积神经网络的几种经典模型及其分别在农作物病虫害识别领域的应用成果;讨论了卷积神经网络在农业病虫害识别领域的局限性和发展趋势,以期更有利于卷积神经网络技术更好地帮助农业进步和经济发展。     

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。     

迁移学习在玉米叶片病害识别中的研究与应用

使用卷积神经网络对作物病害图片进行识别分类需要较长模型训练时间,采用迁移学习的方法可有效提高识别效率。首先探究迁移学习冻结全部网络层、冻结部分网络层和不冻结网络层时的识别效果,然后使用InceptionV3模型和Xception模型分别对玉米健康叶片、尾孢叶斑病、纹枯病以及锈病进行识别与分类。试验结果表明：迁移学习不冻结网络层时分类效果最好,准确率可达97.42%;冻结部分网络层次之,InceptionV3模型在可训练参数量为70%左右时识别效果较好,准确率可达92.04%;Xception模型在可训练参数量为80%时效果最好,准确率可达94.62%;冻结全部网络层时准确率相对较低,准确率为87.10%。整体来看,Xception模型比InceptionV3模型更适用于玉米叶片病害的识别。     

面向采摘机器人的水果精准识别算法研究进展

随着水果产业链自动化的进步,水果采摘机器人也在不断地发展,对目标水果实现精准识别是水果采摘机器人最重要的组成部分之一.本文将对水果目标识别的各类算法应用状况进行对比,同时阐述各类算法在水果采摘机器人上的应用现状.其中,现有的水果目标识别方法主要有3部分,分别是传统图像处理技术、各种机器学习算法和使用各类卷积神经网络的深...     

基于机器学习的小麦收获机掉头轨迹识别

识别小麦收获机运行轨迹是分析农业机械活动、提高作业效率的重要手段。本文针对小麦收获机田内作业场景,提出一种基于机器学习的收获机掉头轨迹识别算法。首先通过两步K-means聚类与三步修正识别出X形掉头轨迹点、作业异常轨迹点与作业轨迹点;为进一步从作业轨迹中分类出U形掉头轨迹点,构建了基于支持向量机模型(Support vector machine, SVM)的U形掉头轨迹识别算法,并对初步识别结果进行三步修正;最终识别出小麦收获机的田内X形掉头、作业异常、U形掉头与作业轨迹点,识别结果的F1值为94%,时间间隔为1～5 s的数据的F1值在90%以上,实现田内轨迹的细致划分。基于去除掉头轨迹与异常轨迹后获得的有效作业轨迹,可通过距离算法计算获得农田面积,结果相比使用原始轨迹的计算误差可降低12.76%。该研究可为基于海量农机轨迹的作业精细化管理提供参考。     

机器学习在智慧农业中的应用

机器学习技术,作为人工智能核心领域的重要构成,目前不仅在学术界引起了广泛的研究兴趣,机器学习在农业行业的应用潜力和战略价值正在不断被认识和重视。鉴于机器学习在农业领域的应用潜力和重要性,本文通过对机器学习有关文献的研究,详细描述了机器学习的概念和分类,结合农作物生长期的管理、种植条件、产量需求等方面,对其的特点、优缺点及应用现状进行了综述。重点介绍了机器学习在病虫害识别与防治、作物生长监控、种植土壤分析、水资源分析及优化灌溉、产量优化的发展和应用;结合新疆地区农业发展分析了机器学习在智慧农业应用中存在问题。     

基于近红外光谱和机器学习的大豆种皮裂纹识别研究

针对目前大豆种皮裂纹检测主要依靠人工、检测效率低、误差大的问题,提出一种基于近红外光谱技术和机器学习的大豆种皮裂纹自动识别方法.采用FT-NIR光谱仪采集150粒大豆样品(裂纹大豆75粒,正常大豆75粒)的近红外光谱,采用原始光谱、标准正态变量变换(Standard normal variate,SNV)、多元散射校正...     

机器学习在无人农场中的应用现状与展望

随着机器学习在生物信息、人脸识别等领域的成功应用,其也为无人农场的发展提供动力。首先阐述无人农场和机器学习的基础概念,同时分别在种植业和畜牧业两个方面对机器学习的应用进行分析,在种植业方面阐述其在田间杂草识别、作物病虫害检测、作物产量预测的应用,在畜牧业方面分析机器学习在鱼类、猪等牲畜的精准识别分类、鱼类的喂食决策系统以及鸡、牛的生产线预测方面的应用现状;提出机器学习存在训练样本难获取、难标记的问题,嵌入式芯片的性能缺陷,以及专业人才缺乏等劣势;应建立通用的无人农场数据库,研究可以预测动物的健康状况以及对动物的生长环境状况进行实时监测的专家系统,还应加强机器学习的嵌入式研究,以及结合5G、大数据、传感器等技术的机器学习将成为无人农场未来的研究方向。本文对机器学习在无人农场的应用现状、问题及展望进行总结叙述,期望为以后的进一步研究提供参考。     

荧光成像技术在植物病害检测的应用研究进展

植物病害阻碍植物正常生长,对蔬菜产品品质安全造成威胁,病害检测可以有效控制植物病害发展,是提高果蔬品质安全和可持续生产能力的一个重要途径。所有的绿色植物在受到紫外光或可见光激发时,都会发出可见光波段的荧光。基于植物荧光的成像技术,是利用计算机模拟人眼的视觉功能,在不破坏植株外观且不影响其生长的情况下,获取植物的荧光图像,并通过图像处理算法,对植物的健康状况做出判断。本文对荧光成像技术及其在植物病害检测中的研究进行了综述,介绍了荧光成像的原理,分别从叶绿素荧光和其他色素荧光两方面总结了国内外研究现状。与可见光成像、高光谱成像、多光谱成像以及热成像技术相比,该技术具有可获取植物内部信息、受温湿度影响小、不局限于晴天采集、价格合理等优点。     

农作物病虫害识别关键技术研究综述

农作物病虫害的预防与治理对农业生产具有十分重要的作用,病虫害防治工作的前提是准确识别病虫害目标.传统的病虫害识别方法包括人工识别和仪器识别,传统识别方法在识别效率、识别准确性、应用场景等方面已无法满足科学研究和生产的需要.深度学习是机器学习的一个重要分支,能够自动、高效、准确地从大规模数据集中学习到待识别目标的特征,从...     

高斯过程机器学习方法在地下水位预测中的应用

高斯过程是近年来发展起来的一种新的机器学习方法,它有着严格的统计学习理论基础,对处理高维数非线性小样本复杂问题具有良好的适应性.针对地下水位的动态变化是一个复杂的非线性过程,地下水位与其影响因素之间存在着复杂的非线性关系,将高斯过程机器学习方法应用于地下水位预测,并提出相应的模型.工程实例研究表明,地下水位预测的高斯过程机器学习模型是科学可行的,预测精度高,简单实用,对地下水位预测的问题具有较好的适用性.     

农业无人机智能机器学习系统——基于人工智能和深度学习

为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明：基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。     

采摘机器人果实识别与定位研究——基于双目视觉和机器学习

分析了双目视觉系统的工作原理及视觉标定方法,利用YOLO V2卷积神经网络算法实现对目标果实的识别,并对目标果实的空间定位进行了深入研究,设计了一套基于双目视觉和机器学习的采摘机器人果实识别与定位系统。在多次实际定位实验中,橘子的深度定位误差最大值为1.06mm,证实了系统具有一定的准确性和稳定性。