基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题，提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成，其中，多尺度空洞卷积模块Inception用于图像的多尺度特征提取，在卷积模块中引入双注意力机制增强网络模型，显著表示图像中叶部病斑区域特征，降低非病斑区域与背景区域对识别结果的干扰，在原始残差模块上引入卷积层与非线性激活函数改进的残差模块，增加鲁棒性判别特征的跨层融合，在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明，所提出的方法具有参数量少、占用内存小以及性能好的优势，可进一步应用于田间苹果叶部病害智能识别系统。     

基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别

茶树是重要的经济作物,叶部病害的发生直接影响其产量和质量.针对胶囊网络在茶树叶部病害图像识别中识别率低和参数量大的问题,提出了一种基于SENet和深度可分离卷积胶囊网络的茶树叶部病害图像识别算法.首先,由于尚无茶树叶部病害图像标准数据集,构建了茶树叶部病害图像数据集.其次,在胶囊网络中引入深度可分离卷积,并在深度可分离...     

基于注意力胶囊网络的作物病害识别方法

因病害叶片图像的复杂多变性,较难准确分割病斑图像和提取到鲁棒的病害分类特征.现有的基于卷积神经网络(CNN)的作物病害识别方法通过扩展训练样本来增加大量不同角度、方向的训练样本,从而增强模型的鲁棒性和泛化能力,但需要较长的训练数据和较大的算力,并且对于一些少见的病斑不能准确识别,因此提出一种基于注意力胶囊网络(ACap...     

深度迁移学习在花生叶部病害图像识别中的应用

运用深度学习方法对花生叶部病害图像进行分类时,需要大量训练样本。而花生叶部病害发生时间较短,多呈地域性分布,为叶部病害图像的采集增加难度。为降低图像采集难度,减少图像标注成本,提出了一种基于微调策略的Inception-v3花生叶部病害图像识别方法。首先迁移Inception-v3模型在茶叶叶部病害图像数据集上进行微调,然后将微调所得模型迁移至花生叶部病害图像数据集上继续训练。实验结果表明,Inception-v3、VGG19、ResNet50、卷积神经网络和微调卷积神经网络在测试集上的准确率分别为94.1%、92.9%、93.2%、80.3%和87.0%,本文提出的方法准确率为95.3%。在花生叶部病害图像数量有限时,本文提出的方法识别准确率显著提高。     

基于改进Inception网络的复杂环境下小样本黄瓜叶片病害识别

为解决田间复杂环境下小样本黄瓜叶片病害识别中模型泛化能力差、识别准确率不高的问题，将自注意力机制模块引入激活重建生成对抗网络（activation reconstruction GAN，AR-GAN），采用Smooth L₁正则化作为损失函数，设计改进激活重建生成对抗网络IAR-GAN（improved AR-GAN）增广黄瓜叶片病害图像。通过在Inception网络基础上加入空洞卷积和形变卷积，设计空洞和形变卷积神经网络（dilated and deformable convolutional neural network，DDCNN）用于黄瓜叶片病害识别。试验结果显示，提出的IAR-GAN有效缓解了过拟合现象，丰富了生成样本的多样性；所提出的DDCNN对黄瓜炭疽病、斑靶病和霜霉病的平均识别准确率均达到96%以上，比Inception-V3模型提高了9个百分点。以上结果表明，本研究提出的数据增广方法和病害识别模型可为复杂环境下小样本的作物叶部病害的准确识别提供新思路。     

基于多尺度和注意力机制的番茄病害识别方法

番茄病害的及时发现与治理有助于提高番茄产量与质量,增加农户经济收益。利用物联网和人工智能可以无损害有效检测番茄病害,该研究提出了一种改进的AT-InceptionV3(Attention-InceptionV3)神经网络番茄叶部病害检测模型,该网络以InceptionV3为主干网络,结合多尺度卷积和注意力机制CBAM(convolutional block attention module,CBAM)模块,增强了病害信息表达并抑制无关信息干扰;同时引入迁移学习,防止样本数据量较少时出现过拟合的情况。为了评价优化模型的有效性,在Plant Village公开番茄病害数据集上进行了实验仿真测试。改进的模型在测试阶段对番茄健康叶片、细菌性斑疹病、晚疫病、叶霉病和黄曲病5种番茄常见叶片图像分类准确率达到98.4%,优化效果显著。为了进一步验证该方法在不同物联网中的普适性,实验对比了模型对不同分辨率病害图像的分类效果,结果表明,图像精度部分损失不会降低病害分类准确率。该模型能够为番茄温室智能网络决策判断提供重要依据。     

基于多尺度注意力U-Net的结球甘蓝青虫检测方法

针对结球甘蓝青虫姿态多样、形状不规则以及传统U-Net对多尺度图像检测的鲁棒性较差等问题，本研究提出一种基于多尺度注意力U-Net(MSAU-Net)的结球甘蓝青虫检测方法。该方法将多尺度空洞Inception和注意力引入到U-Net,通过设置不同膨胀率的初始卷积层卷积核和全局池化层类型，提取多尺度深层次的结球甘蓝青虫检测特征。首先，对原始图像进行超像素聚类，极大减少结球甘蓝青虫图像的基元数量；其次，利用多尺度空洞U-Net提取不同大小的结球甘蓝青虫特征；最后，通过注意力连接将MSAU-Net同层的浅层、深层特征拼接，得到结球甘蓝青虫图像的关键特征，加快网络训练。MSAU-Net方法在结球甘蓝青虫数据集上的平均检测精度为95.26%,较U-Net方法提高了约6个百分点。MSAU-Net方法能较好地检测到大小不同的结球甘蓝青虫，能够应用于结球甘蓝青虫自动检测系统。     

基于图像处理技术的黄瓜叶片病害识别诊断系统研究

为了提高黄瓜叶部病害检测与染病程度的分级的准确率和效率,综合运用图像处理技术、人工神经网络技术,实现黄瓜叶部病害检测与染病程度分级,并主要对发病率高且危害严重的黄瓜霜霉病、白粉病和病毒病进行试验研究.首先,通过接种方法获得了纯正的黄瓜病害样本,并采集染病植株的样本图像.利用基本图像处理的方法对黄瓜叶部病害图像进行处理,综合运用二次分割、形态学滤波得到病斑区域.其次,提取三种特征包括22个特征参数,采用BP算法训练的多层前向人工神经网络对黄瓜病害进行分类.实验证明,检测系统的黄瓜叶部病害平均识别精度为95.31%,并能够快速准确地对黄瓜叶片病害的染病程度进行分级     

基于多尺度卷积与通道域增强的草莓病害识别方法

为提高草莓病害图像的分类准确性，提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先，针对草莓病害的多尺度特点，基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv),在提取多尺度病害特征的同时，缓解参数量增加导致的收敛干扰；其次，提出基于双重池化的通道增强模块，用以提高模型的特征选择能力，增强有用尺度下的特征；最后，将上述方法与ResNet18结合，将原本的3×3卷积替换为DOPConv,同时在残差块中加入通道增强模块，构建出草莓病害分类网络。为验证模型识别性能与模块有效性，在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明，与原有ResNet18模型相比，CEM-DOPConv-ResNet18的准确率达97.867%,提高3.045百分点，同时内存占用量下降16.6%;消融试验结果表明，相较于原始金字塔卷积，DOPConv可以优化模型收敛，对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率，降低了网络复杂度，为病害的精准识别提供了一种有效解决模型。     

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。     

卷积神经网络在黄瓜叶部病害识别中的应用

针对传统黄瓜病害识别方法中提取到的分类特征容易受病害叶片形态多样性、光照和背景影响的问题,提出了一种基于卷积神经网络的黄瓜病害识别方法,并建立了一个具有6种黄瓜病害的155 000多幅训练叶片图像数据库。根据病害叶片图像的复杂性,利用卷积神经网络从该数据库中自动学习黄瓜病害叶片图像的属性特征,再利用Softmax分类器进行分类。试验结果表明,与基于特征提取的传统病害识别方法相比,该方法的识别性能较高。     

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。     

基于多尺度特征度量元学习的玉米叶片病害识别模型研究

传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大，基于此，提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先，利用Vgg-16、Swin Transformer网络，将玉米叶片病害图片映射到全局和局部特征空间；然后，利用多尺度特征融合网络，实现全局和局部特征的深度融合，强化特征的分类能力；最后，利用无参数元学习网络，实现待测玉米叶片病害图片与特征集之间的度量，根据度量结果，实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试，所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销；相比其他经典玉米叶片病害识别模型，具有更强的鲁棒性和泛化性能。     

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。     

基于Bi-LSTM与多尺度神经网络模型的番茄病害识别

番茄叶片病害的精准识别对农业领域未来的发展至关重要，农业研究人员逐渐使用深度学习的方法进行植物病害的精准检测。然而对比以往的神经网络可以发现，它们普遍缺少上下文信息的连续性以及全文信息的完整性。对此本研究提出了一种Bi-LSTM和多尺度卷积神经网络相结合的模型，采用双向长短期记忆网络，可以更好地捕捉双向信息的反馈，使上下文的信息更具有连续性，而所提出的多尺度卷积神经网络既保证了全局信息的完整性，同时减少了细节信息的丢失，为了提高模型对病害特征的识别能力引入注意力模块，从而使模型重点关注疾病的特征部分。从公开的PlantVillage数据集中选取番茄的9类疾病和健康的叶片作为研究对象，试验结果在验证集上得到最高分类准确率为98.16%,与其他几个经典的CNN模型相比较，该模型的识别准确率优于其他的基础模型，并且具有较好的稳定性。经过试验验证，该模型可以为番茄病害识别提供一种有效的解决方法。     

基于多尺度特征融合和密集连接网络的疏果期黄花梨植株图像分割

由于自然环境下果蔬植株的果实、枝干和叶片等目标尺度不一、边缘不规则,因此造成其准确分割较为困难.针对该问题,提出1种多尺度特征融合和密集连接网络(Multi-scale feature fusion and dense connection net-works,MDNet)以实现黄花梨疏果期植株图像的准确分割.在研究中借鉴了编码-解码网络,其中编码网络采用DenseNet对多层特征进行复用和融合,以改善信息传递方式;解码网络使用转置卷积进行上采样,结合跳层连接融合浅层细节信息与深层语义信息;在编码、解码之间加入空洞空间金字塔池化(Atrous spatial pyramid pooling,AS-PP)用于提取不同感受野的特征图以融合多尺度特征,聚合上下文信息.结果表明,ASPP有效提高了模型的分割精度,MDNet在测试集上的平均局域重合度(MIoU)为77.97％,分别较SegNet、Deeplabv2和DNet提高了8.10个、5.77个和2.17个百分点,果实、枝干和叶片的像素准确率分别为93.57％、90.31％和95.43％,实现了黄花梨植株果实、枝干和叶片等目标的准确分割.在翠冠梨植株图像的独立测试中,MIoU为70.93％,表明该模型具有较强的泛化能力,对自然环境下果蔬植株图像的分割有一定的参考价值.     

基于知识图谱与深度学习的黄瓜叶部病害识别方法

黄瓜病害识别是病害防治的提前。针对现有作物病害识别方法中存在实体关系交叉关联、多源异构数据聚合能力差、依靠大规模标注数据、缺乏专家经验知识指导等问题，提出一种知识图谱与深度学习的黄瓜叶部病害识别方法(KGCNN)。该方法通过知识图谱与实体链接消歧嵌入获取作物病害知识图谱中的结构化病害知识，并将病害特征词向量与知识实体向量作为卷积神经网络的多通道输入，在卷积过程中从知识和语义2个层面表示不同病害类型。与现有的作物叶部病害识别方法相比，该方法充分利用了知识图谱和CNN分别在知识表示和特征学习方面的优势。在由黄瓜白粉病、斑点病和角斑病的病害叶片及其对应的环境气候气象信息的数据集上进行训练和测试。结果表明该方法的识别性能优于基于CNN及其改进模型和其他病害识别方法。该方法适用于作物初步病害识别，可为其他作物病害的识别提供技术支持。     

基于改进全卷积神经网络的黄瓜叶部病斑分割方法

为了解决传统卷积神经网络在黄瓜叶部病斑图像分割中存在模型训练时间长、分割效果差以及分割过程中易受光照和背景影响等问题,提出了一种基于改进全卷积神经网络的黄瓜叶部病斑分割方法。首先在模型训练的初始阶段使用传统的卷积神经网络得到病斑图像的轮廓特征,在训练过程中将传统的修正性单元(RELU)激活函数替换为指数线性单元(ELU)激活函数;然后对传统的卷积神经网络得到的病斑图像轮廓特征进行二次模型训练,训练过程中使用批归一化(Batch normalization)函数稳定模型训练过程;最后将原始卷积神经网络的多项逻辑回归(Soft max)分类器更换为支持向量机(SVM)分类器,对分类器输出的像素分类结果进行反卷积操作,恢复图像分辨率,得到分割结果。使用本研究方法与改进OTSU、SVM、CRF和传统FCN等4种方法在黄瓜叶部病斑数据集上进行分割试验,结果表明本研究方法的平均像素分割准确率为80.46%,平均交并比为70.43%,具有较高的分割精度。     

卷积神经网络的多尺度改进及其在玉米病害症状识别中的应用

为解决传统卷积神经网络模型训练时间长、参数量大、泛化能力弱等问题,提出了一种基于VGG-16的改进多尺度卷积神经网络模型。用一个叠加卷积层替换VGG-16模型的最后3×3×512卷积层,并进行批归一化处理,提高模型训练速度;用全局池化层替换全连接层,大大减少模型参数总量。利用Plant Village公共数据集(健康玉米叶片、灰斑病、锈病和叶枯病叶片)结合大田试验采集的玉米病害图像数据对改进后模型进行训练和测试,并与常见的传统卷积神经网络模型进行对比。结果表明,模型参数和收敛时间均小于传统卷积神经网络,单一背景下的平均分类识别准确率达99.31%,明显优于传统神经网络模型(VGG-16的90.89%、ResNet-50的93.60%、Inception-V3的94.23%、MobileNet-V2的93.83%和DenseNet-201的95.70%)。同时,利用大田复杂背景病害图片测试新模型的泛化性,识别准确率达98.44%,单张图片测试平均仅需0.25 s。     

基于MobileNet V2和迁移学习的番茄病害识别

番茄叶部病害严重影响了番茄的产量和质量,为实现在移动设备实时对番茄进行病害识别,提高番茄的产量,减少种植者的损失。本研究提出将轻量级网络模型MobileNet V2和迁移学习的方式相结合,对番茄早疫病、番茄细菌性斑疹病、番茄晚疫病、番茄叶霉病、番茄斑枯病、番茄红蜘蛛病、番茄褐斑病、番茄花叶病、番茄黄化曲叶病等9种叶部病害图像以及健康番茄叶片图像进行分类识别,首先将数据集按照9∶1的比例分为训练集和验证集,对于训练模型根据迁移学习的方式分别采用不冻结卷积层、冻结部分卷积层、全部冻结卷积层的方式获得3种模型,然后在模型最后加上2层全连接层并用Dropout层防止过拟合,接着通过Softmax层输出实现对番茄病害图像分类识别,最后利用验证集来统计模型的准确率和损失值。其中,冻结部分卷积层准确率最高,达到93.67%。另外,通过试验对比传统网络VGG16、ResNet50训练集和验证集的准确率、损失值及运行时间,其中迁移学习的MobileNet V2模型的准确率最高,运行时间最短。该研究提出的基于MobileNet V2和迁移学习的番茄病害识别研究方法识别效果较佳,速度较快,为在移动设备实时对...