基于Web的黄瓜病害诊断系统设计

设计了基于Web的黄瓜病害诊断系统,用户在输入病害症状信息的过程中不必进行数字的选择和输入,只需在相似症状上打勾,以实现专家系统源信息需求最简化的目标。该系统以产生式规则作为知识表示方法,采用数值诊断与RBR规则推理相结合的推理机制,应用病害可信度来判断诊断结果准确性,引入症状示病数以保证诊断结果的唯一性,提高了单纯使用数值诊断法诊断的效率。     

基于红外热成像和机器学习的作物早期病害识别研究进展

作物的早期病害检测作为针对性的防治手段已经成为智慧农业在病害方面的趋势,实现作物早期病害检测可以做到早发现,早治疗,减少作物农药使用,提高作物品质,减少经济损失。首先介绍作物病害的机制和红外热成像原理,发现红外热成像技术可以进行作物早期病害的检测;其次介绍红外热成像和机器学习的工作原理,综合概述国内外机器学习和红外热成像技术在病害识别领域的研究现状;分析红外热图像的缺点并使用机器学习进行改进,综述机器学习应用于处理红外热图像和红外热成像技术与机器学习相结合应用于作物病害的国内外现状,发现机器学习对红外热图像的缺点有着改进作用,还发现通过两种技术结合使用可以结合两者的优点进行更快更早的作物病害检测;最后通过分析现有研究成果,讨论现存的问题并提出相应的解决方法,对未来的研究趋势进行展望。     

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。     

基于边缘智能的茶叶病害识别

为实现在资源有限的边缘设备上自动识别茶叶病害,提出基于边缘智能的深度学习模型部署方法。首先使用自动化模型剪枝(AMC)算法在PlantVillage数据集上对MobileNetV2进行模型剪枝,然后使用剪枝率为90%时生成的模型AMC-MobileNetV2在自建茶叶病害数据集上进行迁移学习训练,最后将获得的茶叶病害识别模型部署在边缘设备上。试验结果表明,AMC-MobileNetV2与MobileNetV2相比,在模型参数量减少94.5%、存储体积减小93.4%的情况下,提高模型在资源有限边缘设备上的识别速度,对8种茶叶病害识别平均准确率高达97.42%。研究结果可应用于茶园病害防治机器人。     

无人飞机喷药防治病害助推油菜生产全程机械化

<正>3月27日,在中国农业科学院油料作物研究所、湖北省荆州市农科院和公安县农业局联合举办的飞机喷药防治油菜菌核病现场,无人驾驶的小型直升机仅用半小时就完成了200亩喷药作业。据油料所研究员、国家油菜产业技术体系病虫草害防控研究室主任刘胜毅介绍,菌核病是对油菜危害最大的病害之一,近3年我国油菜菌核病发生面积每年都在3000万亩以上,占全国种植面积的30%以上,每年造成经济损失达20亿元。防治菌核病最理想的施药时间是油菜盛花期,而利用无人驾驶小型直升机喷药防治,具有地形适应性好、劳动强度低、喷洒效果     

基于卷积胶囊网络的百合病害识别研究

为了提高百合病害诊断模型的抗噪能力,以VGG-16模型为基础构建卷积胶囊网络,并分析了胶囊尺寸、路由迭代次数对训练时间及模型精度的影响。最终得到胶囊尺寸为8、路由迭代次数为3的卷积胶囊网络,该网络对百合病害诊断精度达到99.20%。使用不同等级的高斯噪声、椒盐噪声、斑点噪声、仿射变换图像对模型抗噪能力进行测试,结果表明,卷积胶囊网络明显优于VGG-16模型,更适合在实际生产环境下的百合病害诊断。     

基于计算机视觉的芋头病害监测与识别

为深入及时掌握芋头病害的信息与生长动态,基于计算机视觉中的图像识别与特征提取技术,对芋头常见病害进行监测与识别研究。在全面理解芋头病害监测的内部波段划分与识别方法匹配基础上,融合计算机视觉的图像纹理特征识别与边界区域条件参数,建立芋头病害识别监测理论模型,通过系统的硬件仪器及电路配置、软件程序功能实现,进行芋头病害图像监测识别试验。结果表明:根据芋头常见病害的外形特征,可得到多组清晰化的芋头病害特征与症状显示图,是直观化识别与分类管控的重要依据。该监测系统整体芋头病害识别率较高,平均维持在88%以上,其中疽病的识别率可达到91.3%,试验效果良好且思路可行,对类似农作物病害的监测与识别技术优化有一定的参考价值。     

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。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。     

基于改进YOLOv5的草莓病害识别

为提高草莓的总产量,合理监控和防治草莓病害是有效的手段,提出一种基于改进YOLOv5的草莓病害识别算法。该检测算法以CSPDarknet作为主干特征提取网络,能够有效提高模型的性能和训练效率,并使用EIOU Loss损失函数与K-means聚类算法,来提高模型的收敛速度。同时,在模型中增加CBAM注意力机制来提高检测精度,最终构建基于改进YOLOv5的CBAM-YOLOv5l算法。试验结果表明,改进后的模型较之原始模型,在检测精度上有所提升且依然能保证高效的检测速度。另外,经过训练的CBAM-YOLOv5l目标检测算法在验证集下的总体平均精度达到96.52%,平均检测时间为27.52 ms,对比YOLOv4、YOLOv4-Tiny、Faster＿R-CNN等目标检测算法,该检测算法在精度上具有更大的优势,在实际的草莓果园环境中具有良好的鲁棒性与实时性,可以满足草莓病害识别精度的需求,能够可靠地提示草莓健康状态,从而及时地实现精准施药等保护措施。     

基于图像处理的农作物病害识别研究现状

农作物病害种类繁多,直接影响农作物的产量和品质,造成不可估量的损失.利用图像处理和模式识别技术简便、快速的识别农作物病害,为及时采取防治措施提供必要信息.为此,对图像处理在农作物的病害识别进行全面地论述.首先简单地介绍了图像处理在农作物病害识别中的重要性和概述,然后分别从国外和国内两个方面论述图像处理在农作物病害识别中的进展,最后指出了当今国内外研究中存在的问题和今后进一步研究的方向.     

基于图像处理技术的黄瓜叶部病害识别诊断系统

主要研究了基于图像处理技术的黄瓜叶部病害识别诊断系统。该系统主要包括图像预处理模块、图像分割模块、图像特征提取模块及图像模式识别模块等。同时,对关键模块中的复杂背景下的图像分割及支持向量机的模式识别方式作了比较详细的介绍。实践表明,该系统能方便、快速地识别黄瓜各类病害,具有较好地推广性和应用价值。     

农作物病害识别与药剂选择

介绍了农作物病害的分类、病害的识别方法、常见杀菌剂分类,阐述了杀菌剂选择方法、农药混配注意事项。     

基于Android终端交互的果园变量喷药控制系统设计

开发了一套基于Android终端交互的果园变量喷药控制系统,采用流行的安卓手机或平板电脑作为人机交互界面,上位机与下位机通过蓝牙模块进行无线通讯,实现了通过手机或平板等智能终端对喷药阀门的控制及相关参数显示;采用mega 128微控制器作为系统控制核心,实现喷药参数监测和单位面积施药量的自动变量控制;进行了变量喷药试验...     

基于连续提示注入与指针网络的农业病害命名实体识别

针对农业病害领域命名实体识别过程中存在的预训练语言模型利用不充分、外部知识注入利用率低、嵌套命名实体识别率低的问题,本文提出基于连续提示注入和指针网络的命名实体识别模型CP-MRC（Continuous prompts for machine reading comprehension）。该模型引入BERT（Bidirectional encoder representation from transformers）预训练模型,通过冻结BERT模型原有参数,保留其在预训练阶段获取到的文本表征能力;为了增强模型对领域数据的适用性,在每层Transformer中插入连续可训练提示向量;为提高嵌套命名实体识别的准确性,采用指针网络抽取实体序列。在自建农业病害数据集上开展了对比实验,该数据集包含2933条文本语料,8个实体类型,共10414个实体。实验结果显示,CP-MRC模型的精确率、召回率、F1值达到83.55%、81.4%、82.4%,优于其他模型;在病原、作物两类嵌套实体的识别率较其他模型F1值提升3个百分点和13个百分点,嵌套实体识别率明显提升。本文提出的模型仅采用少量可训练参数仍然具备良好识别性能,为较大规模预训练模型在信息抽取任务上的应用提供了思路。     

基于轻量级残差网络的植物叶片病害识别

针对基于卷积神经网络的植物叶片病害识别方法存在网络参数众多、计算量大且复杂的问题,结合植物叶片病害特征,提出了一种基于轻量级残差网络(Scale-Down ResNet)的植物叶片病害识别方法.网络基于Residual Network(ResNet),通过缩减网络卷积核数目和轻量级残差模块(SD-BLOCK),在大幅减...     

玉米典型叶部病害高光谱识别及其烈度分类

[目的/意义]近年来,玉米叶部病害发生日趋加重且呈现混发现象,严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合,无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。[方法]提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法,通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性,优选敏感特征构建基于病害发展全阶段(包含病害所有烈度)和病害单一烈度下的病害种类识别模型;进一步地,针对玉米叶部单一病害构建烈度分类模型,以期实现对不同叶部病害的全过程识别与病害烈度分类。[结果和讨论]3种玉米叶部病害在550～680 nm的可见光、740～760 nm的红边、760～1 000 nm的近红外和1 300～1 800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度(Overall accuracy,OA)达77.51%,MacroF₁达0.77;而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于...     

基于改进MobileNetV3的水稻病害识别模型

针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA（Coordinate attention）-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。     

油菜移栽机漏栽检测系统设计

油菜移栽机在工作时不可避免会出现漏栽和堵塞等现象。设计一套以STM32为核心的检测系统,系统以4个光电开关及相对应的发光二极管、警报器等作为光电传感器的发射端接收端和提示端,精确检测全程漏栽的具体行数和排数。移栽机没有把油菜苗调入移栽的栽植器时,发出警报信号,在数码管上显示漏栽的排数;发光二极管亮起,显示移栽的具体行数。当移栽机全部移栽完毕后,人工查补漏栽秧苗,能够提高移栽机的工作效率。     

基于图像处理和BP神经网络的玉米叶部病害识别

为快速诊断识别玉米叶部病害,及时采取防治措施,提高玉米产量,本文将图像处理技术和BP神经网络算法引入到玉米叶部病害识别诊断中。对田间采集的玉米叶部病害样本图像进行背景去除、灰度化处理、阈值分割、噪声去除等预处理操作,实现叶部病害图像的分割;通过提取病害图像颜色特征和形状特征的17个参量,作为BP神经网络的输入,实现了玉米叶部常见六种病害的分类识别。实验结果表明,6种玉米叶部病害的平均识别率为93.4%,取得较好的识别效果,具有一定的实用价值。