基于迁移学习的卷积神经网络植物叶片图像识别方法

为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。     

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%。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

基于改进卷积神经网络的复杂背景下玉米病害识别

为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响.利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropou...     

基于迁移学习的花类图像分类方法研究

传统的花类识别方法和普通卷积神经网络模型无法对花类图像进行准确的特征提取,花类之间较高的相似性使得分类识别较难。针对以上问题,为提高图像识别率,提出一种基于VGG16网络的迁移学习方法,对花卉图像进行分类。首先对花卉图像进行数据加强,然后对数据集预训练模型进行迁移学习,修改全连接分类层,最后对优化器与激活函数进行微调,得出分类结果。实验表明：该模型在花类分类识别中比传统方法和普通卷积神经网络模型得出的准确率高,迁移后准确率达到89.10%。     

基于迁移学习和改进残差神经网络的黄瓜叶部病害识别方法

针对在黄瓜叶部病害识别过程中使用传统卷积神经网络存在模型训练时间长、识别准确率低等问题,提出一种迁移学习和改进残差神经网络相结合的方法对黄瓜叶部病害进行识别。首先对数据集图像进行预处理,将数据集划分为训练集和测试集;然后对传统残差神经网络进行改进;最后使用迁移学习的方式对网络模型进行训练。利用该研究方法对不同的黄瓜叶部病害进行识别试验,结果表明该方法具有较高的识别准确率,可为其他作物的识别方法研究提供参考。      

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。     

基于迁移学习的温室番茄叶片水分胁迫诊断方法

为实时诊断番茄叶片水分胁迫程度,提出一种叶片水分胁迫程度的诊断方法,该诊断方法包括2部分：叶片分割和水分胁迫程度分类。采用以ResNet101为特征提取卷积网络的Mask R-CNN网络对背景遮挡的番茄叶片进行实例分割,通过迁移学习将Mask R-CNN在COCO数据集上预训练得到的权重用于番茄叶片的实例分割,保留原卷积网络的训练参数,只调整全连接层。利用卷积网络提取的特征,可将番茄叶片分割视为区分叶片与背景的一个二分类问题,以此来分割受到不同水分胁迫的番茄叶片图像。利用微调后的DenseNet169图像分类模型进行叶片水分胁迫程度分类,通过迁移学习将DenseNet169在ImageNet数据集上预训练得到的权重用于番茄叶片水分胁迫程度的分类,保持DenseNet169卷积层的参数不变,只训练全连接层,并对原DenseNet169全连接层进行了修改,将分类数量从1.000修改为3。试验共采集特征明显的无水分胁迫、中度胁迫和重度胁迫3类温室番茄叶片图像,共2000幅图像,建立数据集,并进行模型训练与测试。试验结果表明,训练后的Mask R-CNN叶片实例分割模型在测试集上对于单叶片和多叶片的马修斯相关系数平均为0.798,分割准确度平均可达到94.37%。经过DenseNet169网络训练的叶片水分胁迫程度分类模型在测试集上的分类准确率为94.68%,与 VGG-19、AlexNet这2种常用的深度学习分类模型进行对比,分类准确率分别提高了5.59、14.68个百分点,表明本文方法对温室番茄叶片水分胁迫程度实时诊断有较好的效果,可为构建智能化的水胁迫分析技术提供参考。     

基于改进残差网络的黑毛猪肉新鲜度识别方法

为了提高黑毛猪肉新鲜度的识别准确率,提出基于改进残差网络和迁移学习的黑毛猪肉新鲜度识别方法。首先,根据猪肉的微生物菌体浓度、大肠菌菌体浓度和pH值,结合国家标准,将猪肉新鲜度分为7个类别;然后,将ResNet-50模型用PfidSet数据集训练,使其具有抽取图像特征的能力,利用模型迁移和模型微调对ResNet-50模型进行改进,即用一个3层的自适应网络取代ResNet-50模型的全连接层和分类层,再使用在PfidSet上训练的网络参数初始化改进的ResNet-50模型权重,运用LReLu-Softplus作为自适应网络的激活函数;最后,将改进ResNet-50模型在猪肉样品的图像数据集上学习得到的知识,迁移到黑毛猪肉新鲜度识别任务。选取7类共计23 427幅黑毛猪肉图像组成样本集,从样本集中随机选择80%的样本用作训练集、其余20%用作测试集进行测试,试验结果表明,迁移学习能够明显提高模型的收敛速度和识别性能,数据扩充有助于增加数据的多样性,避免出现过拟合现象,在迁移学习和数据扩充方式下的总体识别准确率达到94. 5%,是一种高效的猪肉新鲜度识别方法。     

基于迁移学习和双线性CNN的细粒度菌菇表型识别

为了对细粒度菌菇进行表型识别,在双线性卷积神经网络细粒度图像识别框架基础上,提出了一种基于迁移学习和双线性Inception-ResNet-v2网络的菌菇识别方法。利用Inception-ResNet-v2网络的特征提取能力,结合双线性汇合操作,提取菌菇图像数据的细粒度特征,采用迁移学习将ImageNet数据集上预训练的模型参数迁移到细粒度菌类表型数据集上。试验表明,在开源数据集和个人数据集上,识别精度分别达到87.15%和93.94%。开发了基于Flask框架的在线菌类表型识别系统,实现了细粒度菌菇表型的在线识别与分析。     

基于树木整体图像和集成迁移学习的树种识别

为解决自然场景中拥有复杂背景的树木整体图像识别问题,提出了一种基于树木整体图像和集成迁移学习的树种识别方法。首先使用Alex Net、Vgg Net-16、Inception-V3及ResNet-50这4种在Image Net大规模数据集上预训练的模型对图像进行特征提取,然后迁移到目标树种数据集上,训练出4个不同的分类模型,最后通过相对多数投票法和加权平均法建立集成模型。构建了一个新的树种图像数据集——Trees Net,基于该数据集,设计了多类实验,并将该方法与传统的图像识别方法进行了分析比较。实验结果表明:该方法对复杂背景下树种图像识别准确率达到99. 15%,对于树木整体图像识别具有较好的效果。     

表示学习技术研究进展及其在植物表型中应用分析

表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。     

基于计算机视觉的养殖动物计数方法研究综述

数量计量是动物养殖管理的基础工作,其结果对于动物养殖的生产效率、养殖成本管控及经济效益评估等具有重要意义。基于计算机视觉的计数方法解决了传统人工计数存在的测量误差大、耗时费力等问题,减轻了养殖人员的工作负担。本文统计分析了近十年的养殖动物视觉计数相关研究,从传统机器学习与深度学习两方面对养殖动物计数算法进行分析与讨论。此外,对水产养殖、畜禽养殖与特种动物养殖领域的养殖动物计数应用进行梳理与总结。同时,对目前公开发布的养殖动物计数数据集进行概述。最后,从数据集、应用场景、计数方法3方面分析讨论养殖动物计数研究面临的主要挑战,并对未来研究进行展望。     

基于残差网络和小样本学习的鱼图像识别

针对鱼种类多、数据采集难度大,且需要细粒度图像识别等问题,提出了一种基于度量学习的小样本学习方法.采用基于度量学习的小样本学习网络以及ResNet18的残差块结构,提取鱼图像的深层次特征,并将其映射至嵌入空间进而在嵌入空间判断鱼的种类.为了进一步提升识别准确率,利用小样本学习模型在mini-ImageNet数据集进行预...     

学生学习动力系统探析

阐述学习动力系统各要素的作用及相互关系,介绍促进学生产生学习动力的内部因素和外部因素,针对学生学习动力不足时的表现,提出激发学生产生学习动力的可行性建议,为推动教学质量的全面提高提供参考。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

农机农民专业合作社对农村经济的作用

文章结合《农民专业合作社法》的学习,探索了如何利用《农民专业合作社法》组建农机农民专业合作社及农机合作社的成立对我国农村经济发展的意义。     

基于深度学习的马铃薯叶片病害检测方法#br# #br#

植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。     

基于机器视觉的畜禽体质量评估研究进展

体质量（体重）是反映畜禽身体健康与生长状况、繁殖与生产性能的重要指标。对畜禽体质量精准快速地评估和监测是提升养殖生产管理水平、实现精准畜牧生产的重要手段。传统的直接称量方式耗时费力,易造成动物的应激反应。基于机器视觉技术的体质量评估,能够利用视觉检测技术获取体型特征建立其与体质量之间的智能评估模型,是目前畜禽养殖智能化技术研究的热点。首先对体质量的评估方法进行分类阐述;然后,详细分析了机器视觉体尺图像获取的传感器类型、畜禽体尺提取与处理方法及应用现状;重点开展基于机器学习方法的体尺、体征与体质量评估模型相关研究的分析,对比了各类机器学习算法在体质量评估方面的应用效果和最新研究成果,特别探讨和分析了深度学习算法在全自动畜禽体质量评估领域的发展潜力;最后,指出畜禽体质量评估研究面临的问题和未来研究的发展趋势。     

基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义.传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确.针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法.首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒...