基于迁移学习的水稻病虫害识别

【目的】水稻病虫害是引起水稻减产的重要因素。准确地识别水稻病虫害类型,及 时采取有效的针对性预防措施,有助于避免因水稻减产带来的经济损失。然而,聚焦于人 脸和花草等常见事物的识别技术,在农业领域特别是水稻病虫害识别领域应用较少,而 目前已有的水稻病虫害识别研究存在数据量小和数据种类不够丰富等问题。【方法】文 章搜集了2.0372 万张水稻病虫害图片,并以此构建了完整的水稻病虫害识别数据集,基 于迁移学习的思想,在ResNet50 的预训练模型基础上构建了一个针对16 种主要水稻病 虫害识别的深度模型。同时,考虑实际应用的需要,搜集了9 928 张其他图片（包括人 像、汽车等）,结合9 675 张水稻病虫害图片,构建了一个二分类数据过滤模型,以此来 避免非水稻病虫害图片被识别为某一类病虫害的不合理结果。【结果】有预训练模型验 证结果的top-1 准确率达到了95.23%,F1 系数为77.83%,相较无预训练模型top-1 准确 率提升了24.51%,F1 系数提升了56.66%。数据过滤模型的过滤准确度达到了99.60%。 【结论】基于迁移学习的水稻病虫害识别模型,使水稻病虫害识别结果更加准确。非水稻病 虫害过滤模型,有效地解决了实际应用中非水稻病虫害图片被错分为某一类水稻病虫害的 问题。     

基于注意力机制改进卷积神经网络的柑橘病虫害识别

柑橘是我国种植面积最大、产量最高的水果作物,对我国的经济发展具有重要作用。柑橘病虫害侵染是导致柑橘产量及品质下降的重要原因之一,高效、准确的柑橘检测技术对柑橘产业的发展具有重要意义。因此,本研究提出一种基于注意力机制改进卷积神经网络的柑橘病虫害识别算法,以多尺度特征提取网络Inception v3为基础,在Inception结构间加入CBAM注意力机制,构建基于注意力机制的多尺度特征提取网络;然后融合残差注意力网络,提升模型的整体性能,以实现对柑橘病虫害的精准识别。试验结果表明,基于注意力机制改进卷积神经网络的柑橘病虫害识别算法从通道和空间维度提高了对输入有效特征的关注度,在融合残差注意力网络后,提高了模型的整体性能,实现对5种柑橘叶片(溃疡病、潜叶蛾、黑点病、红蜘蛛和健康叶片)的识别准确率达到98.49%,比基础模型提高4.02百分点,说明本研究提出的方法对柑橘病虫害的识别效果较好。最后将模型进行部署,设计柑橘病虫害识别系统,实现基于移动端的柑橘病虫害智能检测,为相关研究提供参考。     

基于MSDB-ResNet的水稻病虫害识别

目的 水稻产量关乎全人类的粮食安全,如何有效地预防和高效地检测水稻病虫害是智慧农业领域的重要课题。深度学习由于具备自主学习图像特征等优异性能,成为水稻病虫害识别的首选方法。但在自然环境下,数据集偏小,且容易受到复杂背景的影响,在训练过程中容易产生过拟合,以及细微特征难以提取等问题。本研究致力于解决上述问题。方法 提出一种基于改进ResNet的多尺度双分支结构的水稻病虫害识别模型(MSDB-ResNet)。在ResNet模型的基础上,引入ConvNeXt残差块,以优化残差块的计算比例,构建双分支结构,通过调整每条分支的卷积核大小,提取输入病害图像中大小不同的病害特征。针对现实环境复杂、数据集太小、过拟合等问题,利用从自然环境拍摄到的5932张水稻病虫害图像,使用随机亮度、运动模糊等数据预处理方法,以及镜像、裁剪、缩放等数据增强方法,将数据集扩充到20000张,训练MSDB-ResNet模型识别4种常见的水稻病害。结果 MSDB-ResNet在水稻病虫害数据集上具有良好的识别性能,识别准确率高达99.10%,较原ResNet 模型提高了2.42个百分点,明显优于AlexNet、VGG、DenseNet和ResNet等经典网络。该模型具有良好的泛化能力和极强的鲁棒性。结论 MSDB-ResNet模型在水稻病虫害识别中具有一定的可行性和先进性,可为实现复杂背景下的水稻病虫害识别提供参考。     

基于改进深度卷积神经网络的水稻病虫害识别

病虫害影响水稻质量和产量,快速、准确地检测出水稻病虫害有利于及时防治。针对传统图像识别方法存在特征提取繁琐、识别率低以及对田间环境下的作物病虫害识别困难等问题,本文提出一种以DenseNet121为基础网络,结合迁移学习与坐标注意力机制的水稻病虫害识别模型。该模型引入坐标注意力学习图像特征的通道间关系和空间位置的重要性以增强模型的特征提取能力,采用迁移学习策略训练模型以缓解模型在小数据集上的过拟合现象、减小计算资源以及提升模型的识别性能。利用从田间复杂环境收集的水稻病虫害数据集,对该模型与ResNet50、Xception、InceptionV3、InceptionResNetV2及原DenseNet121等卷积神经网络模型的识别效果进行比较,结果表明,该模型能有效识别出水稻常见8种病虫害和健康植株,识别准确率达到98.95%,模型参数量仅为7.23 M,识别效果优于其他模型。这可为田间环境下的其他作物病虫害识别提供参考。     

融合多头注意力的轻量级作物病虫害识别

【目的】解决当前病虫害识别方法参数多、计算量大、难以在边缘嵌入式设备部署的问题,实现农作物病虫害精准识别,提高农作物产量和品质。【方法】提出一种融合多头注意力的轻量级卷积网络(Multi-head attention to convolutional neural network,M2CNet)。M2CNet采用层级金字塔结构,首先,结合深度可分离残差和循环全连接残差构建局部捕获块,用来捕捉短距离信息;其次,结合全局子采样注意力和轻量级前馈网络构建轻量级全局捕获块,用来捕捉长距离信息。提出M2CNet-S/B/L 3个变体以满足不同的边缘部署需求。【结果】M2CNetS/B/L参数量分别为1.8M、3.5M和5.8M,计算量(Floating point operations,FLOPs)分别为0.23G、0.39G和0.60G。M2CNet-S/B/L对PlantVillage病害数据集取得了大于99.7%的Top5准确率和大于95.9%的Top1准确率,对IP102虫害数据集取得了大于88.4%的Top5准确率和大于67.0%的Top1准确率,且比同级别的模型表现优异。【结论】该方...     

基于迁移学习和改进残差网络的棉花叶螨为害等级识别

针对人工诊断棉叶螨害分级准确率低、耗时长、成本高的问题,提出一种基于迁移学习和改进残差网络的棉花叶螨为害等级识别方法。以3种受害等级的棉花叶片与健康叶片图像作为对象,分别于单一背景和自然环境下采集图像,构建图像数据集。首先,利用PlantVillage数据集预训练模型,使用数据增强技术对数据集进行数据增强,扩充训练样本;然后,在ResNet50网络模型的基础上,引入焦点损失函数,在不同网络层嵌入注意力机制模块,并加入Dropout正则化构建改进的ResNet50模型;最后,对比不同模型的识别效果。结果表明：同时在深层和浅层引入注意力机制模块,设定动量为0.9、学习率为0.001时,改进的ResNet50模型具有最好的分类效果,优于ResNet50、VGG16、MobileNet、AlexNet和SENet模型,对棉叶螨危害等级的平均识别准确率达到97.8%。     

基于注意力机制和残差网络的苹果叶片病害分类

苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源,进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率,提出一种残差网络与注意力机制结合的苹果叶片病害识别模型：P-D-ECA-ResNet101。首先构建苹果叶片病害数据集,然后使用常见的4种网络模型在构建的数据集上进行训练,选取训练效果最好的ResNet101为骨干网络模型,通过推迟下采样(delayed downsampling)、拆解大卷积层以及引入高效通道(efficient channel attention module, ECA)注意力模块对ResNet101网络模型进行优化,最后通过特征图可视化展示改进后网络模型的识别机制。试验结果表明,推迟下采样可以增强模型特征提取能力,拆解大卷积层可以有效减少模型的复杂度,引入ECA注意力模块可以削弱无效特征信息对模型的干扰。改进后的P-D-ECA-ResNet101模型在构建的苹果叶片病害测试集上的平均识别准确率达到96.20%,相较于原模型ResNet101提升了2.20百分点。特征图可视化分析表明改进后的P-D-ECA-ResNet101模型可以更好地聚焦于病...     

基于注意力残差机制的细粒度番茄病害识别

【目的】解决温室环境下细粒度番茄病害识别方法不足问题。【方法】以早、晚期5种番茄病害叶片为研究对象,提出一种基于注意力与残差思想相结合的新型卷积神经网络模型ARNet。通过引入多层注意力模块,层次化抽取病害分类信息,解决早期病害部位分散、特征难以提取难题;为避免网络训练出现退化现象,构建残差模块有效融合高低阶特征,同时引入数据扩充技术以防止模型过拟合。【结果】对44 295张早、晚期病害叶片数据集进行模型训练与测试的结果表明,与VGG16等现有模型相比,ARNet具有更好的分类表现,其平均识别准确率达到88.2%,显著高于其他模型。ARNet对早期病害识别准确率明显优于晚期病害,验证了注意力机制在提取细微区域特征上的有效性,且在训练过程中未发生过度抖动的状况。【结论】本文提出的模型具有较强鲁棒性和较高稳定性,在实际应用中可为细粒度番茄病害智能诊断提供参考。     

基于卷积块注意力胶囊网络的小样本水稻害虫识别

针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了 一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法.采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和...     

水稻病虫害的识别与防治

水稻是我国重要的粮食作物,种植面积非常广泛,水稻质量和产量与国家粮食安全息息相关。但水稻在生长过程中容易受到多种病虫害的侵害,而病虫害是影响水稻产量和质量的重要因素。基于此,文章主要分析了水稻病虫害的识别方法,并以此提出相关的防治方法,旨在促进水稻的安全生产。     

基于改进残差网络的苹果叶片病害识别研究

苹果叶片病害形态相似、斑点大小不同,依靠人工和农业专家识别的传统方式效率较低。为此提出一种基于改进残差网络的苹果病害识别模型REP-ResNet。该模型在基准模型ResNet-50的基础上通过采用批标准化、激活函数、卷积层的残差结构顺序,加入通道注意力机制和并行卷积的方式进行改进。训练过程中,将公开数据集PlantVillage预训练的模型权重参数迁移至上述网络模型中重新训练,达到加快网络的收敛速度和提高模型识别能力的目的。采用数据扩充的方式解决训练过程中样本不均的问题。结果表明,REP-ResNet模型与基准网络模型相比识别准确率提高2.41个百分点。模型使用迁移学习的方式进行训练,在复杂背景下的苹果叶片病害识别中准确率达到97.69%,与传统卷积神经网络相比识别效果有较大提高。     

水稻病虫害识别及防治措施

本分简单介绍了几种水稻的病害和虫害的识别方法,以及对这些病虫害的防治方法,以期为广大种植水稻的朋友提供一些理论的帮助。     

水稻病虫害的识别与防治

水稻是我国重要的粮食作物之一,影响水稻产量和质量的因素有很多,其中水稻病虫害对于水稻产量和质量的影响最大。本文主要介绍了水稻常见病虫害的识别和防治,希望对种植水稻的农户有所帮助。     

水稻病虫害识别与防治

水稻去壳即为大米,是重要的粮食作物。世界上一半以上的人以大米为主食,因此水稻在我国乃至很多国家都得到大面积种植。在我国水稻的种植面积也非常广泛,其中东北地区和长江流域是我国水稻的主产区,水稻产量和质量的高低关乎我国粮食产量的大局,本文主要总结了水稻常见病虫害的识别与防治技术,希望在保证水稻产量及质量方面起到积极作用。     

园林植物常见病虫害识别

绿化植物养护是校园生态文明建设的重要组成部分,在美化校园环境,愉悦师生身心健康方面起着非常重要的作用。但是随着全球气候变暖环境恶化,导致虫害和疾病经常爆发。病虫害对校园绿化防护具有极大的危害,直接影响校园绿化环境。本文针对校园绿化中常见的病虫害,提出了基于深度学习的病虫害识别方法。该方法首先对图像进行灰度归一化处理,然后提取灰度图像的PCANet特征,最后利用支持向量机进行识别。该方法在扩充的数据集上进行了验证,识别效果理想。     

基于改进残差网络的水稻害虫识别

水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残差网络的全连接层,首先通过4个残差块得到特征图,将特征图进行胶囊化编码,其次进行层间路由,以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别,并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明,提出的改进残差网络模型的准确率达到77.12%。模型满足水稻害虫图像识别的需求,具有一定的识别准确率及较强的鲁棒性,可为实际农业场景下水稻害虫识别提供可行的方案。     

基于卷积神经网络的轻量级水稻叶片病害识别模型

水稻病害一直是影响水稻产量的重要因素之一,为了快速、准确地检测水稻病害,本研究提出了一种基于卷积神经网络的轻量级水稻叶片病害识别模型。首先,从参数量的角度对注意力机制进行改进,得到轻量级注意力机制模块,对水稻叶片病害特征图中的潜在注意力信息进行深度挖掘;其次,使用深度可分离卷积代替部分标准卷积,进一步降低模型的参数量;最后,为了提高模型的泛化能力,让模型学习过程更快、更稳定,采用了自带内部归一化属性的扩展型指数线性单元函数(SELU)与外部组归一化模块相结合的方法。通过在公共数据集中进行验证,本研究构建模型的平均精度最高(0.990 0),模型在参数量和平均单次迭代时间方面也有一定优势,与其他模型相比,具有相对较好的性能。     

基于ResNet模型的玉米叶片病害检测与识别

针对当前玉米病害发生量大、病情复杂、难以防治,严重影响玉米产量和质量的问题,提出了一种基于卷积神经网络和迁移学习的玉米叶片病害检测与识别方法。首先收集了3 827张玉米健康叶片图像和3种不同的玉米病害叶片图像样本,为了使模型拥有更好的泛化能力,使用生成对抗网络对样本进行处理,得到分辨率更高的样本,再对样本进行平移旋转,使样本数量达到5 153张。然后构建ResNet模型,分别对ResNet34、ResNet50及对其添加CBAM注意力机制和FPN特征金字塔网络,并通过迁移学习方法将预训练权重迁移到训练模型中。试验结果表明,ResNet50结合CBAM注意力机制模型的准确率达到了97.5%,相比ResNet50模型准确率提升了4.2百分点,相比ResNet34模型准确率提升了4.9百分点。本研究表明,提出的ResNet50结合CBAM注意力机制模型能够较精准地检测识别玉米枯萎叶、锈病叶、灰斑病叶和健康叶。并可将模型安装在无人机等移动设备上,实现对玉米叶片病害智能化防治,而且后期还会扩充更多的植物病害数据,实现对多类植物病害的检测,为智慧农业添砖加瓦,促进农业防治现代化。     

基于深度学习网络实现番茄病虫害检测与识别

为利用计算机或人工智能技术协助番茄病虫害防治,以存在病虫害侵害问题的番茄植株图像为研究对象,针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络,用于精确定位图像中的病虫害目标,并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络,以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比,基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%,旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%;2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较,本研究的检测和分类方法也存在优势,病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之,本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络,有助于提升番茄病虫害的防治效果,对计算机视觉在农业领域的应用具有重要意义。