基于卷积神经网络的竹片颜色分类

竹片颜色分类是提高竹产品表面美观的重要工艺。提出了基于ResNet神经网络模型与AlexNet神经网络模型的竹片颜色分类方法，分别采用ResNet和AlexNet 2种神经网络进行竹片颜色分类，对比ResNet与AlexNet 2种神经网络的颜色分类准确率，并对改进后的ResNet神经网络模型进行了颜色分类验证。结果表明，AlexNet模型的颜色分类准确率为89.7%,优化后ResNet模型的颜色分类准确率为99.9%,颜色分类效果比AlexNet模型好。     

基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块（Mixed attention module,MAM）,提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。     

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%。     

面向移动端的植物病害图像识别方法及其应用

针对传统卷积神经网络(CNN)在病害图像识别时需要较高的存储空间和计算资源问题,提出一种基于轻量级CNN植物病害图像识别网络CSP-ShuffleNet V2来降低识别成本。CSP-ShuffleNet V2模型基于ShuffleNet V2网络,首先,将卷积核大小由3×3改为5×5扩大病斑图像全局感受野;其次,采用CSPNet结构来改进网络特征层;最后,再引入通道注意力(ECA)模块用于增强图像病斑通道特征信息。采用AI Challenger平台提供的公共植物病害数据集进行训练和测试。试验结果表明,CSP-ShuffleNet V2网络模型识别准确率为90.34%,比原始ShuffleNet V2网络模型提高2.23%,参数量也减少29.6%,权重大小仅为13.5 MB。与ResNet50、MobileNet V2、GoogleNet、DenseNet121网络相比,CSP-ShuffleNet V2网络不仅降低了网络计算量和参数量,而且收敛速度更快、分类效果更好。最终将模型离线部署在Android平台实现了植物病害移动端智能检测,为植物病害防治和诊断提供参考依据。     

基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法

针对鸭蛋裂纹人工检测受主观性影响造成精度波动大等问题,利用ResNet34网络模型,提出1种基于梅尔谱图的鸭蛋裂纹识别算法。首先利用敲蛋装置收集敲蛋声音数据,再将音频转化成梅尔谱图,构建梅尔谱图数据集,然后搭建ResNet34模型,引入迁移学习机制训练模型,再通过Adam优化算法更新梯度,增加注意力机制模块并将卷积结构替换为深度可分离卷积以对网络模型进行改进,并调整参数进行优化,最后利用模型对鸭蛋裂纹进行识别。结果显示：改进的ResNet34DP＿CA网络模型检测的平均准确率为92.4%,对比原始ResNet34网络模型,平均准确率提高5.5个百分点,参数量减少32%;对比其他网络模型VGG16、MobileNetv2和EfficientNet,平均准确率分别提高10.9、13.7、16.3个百分点,识别时间为21.5 ms。结果表明,所提出的基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法,能够有效地对鸭蛋裂纹进行检测识别。     

基于深度学习的玉米叶片病害识别方法研究

玉米叶片病害是造成的玉米质量差、产量低主要原因之一。为了对玉米叶片病害进行快速准确识别，提出了 基于ResNet（Residual Neural Network）深度学习网络对玉米病害识别的方法，采用ResNet 作为玉米病害识别的主体 模型，利用数据增强技术来扩充数据集，扩充后的数据集图片包括训6000 张练集和1645 张测试集，并使用预训练网络 AlexNet、GooLeNet 和ResNet 进行识别玉米叶片病害的性能对比实验，研究发现在批量尺寸为32 个和epoch 次数为16 时ResNet50 获得最高的分类准确率为92.82%，优于传统机器学习算法。     

核桃破壳后壳仁混合物空气动力特性测定

核桃壳仁混合物空气动力特性是实现核桃破壳后壳仁分离的重要理论基础,为了提高核桃破壳后壳仁分离效果,降低核仁损失率和含杂率,研制了一种核桃壳仁混合物悬浮速度测定试验台,并对'温185'核桃破壳后壳仁混合物进行了悬浮速度试验.研究表明:1/2仁、1/4仁、1/8仁和1/2壳、1/4壳、1/8壳以及分心木的悬浮速分别为18....     

基于深度残差网络的茶园杂草分类及模型压缩方法研究

为提高茶园杂草分类深度模型的准确性,减少深度模型的冗余参数问题.以茶园常见的10类杂草图像为数据样本,分别基于深度学习的ResNet50、VGGNet和AlexNet网络结构构建杂草分类模型;在此基础上,进一步利用剪枝算法压缩深度模型ResNet50.通过实验对比3个模型测试集的平均准确率分别为0.86、0.72和0.63;此外,通过对比ResNet50的茶园杂草模型在训练集和测试集上压缩前后效果,显示结果基本一致.研究表明ResNet50在这3个模型中是最优分类模型,且压缩后的深度模型ResNet50提升了模型的性能.因此,该研究也为移动端设备的分类提供了理论基础.     

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...     

基于坐标注意力机制和残差网络的水稻叶片病虫害识别

【目的】针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题，探索基于ResNet深度学习网络的水稻叶片病虫害识别模型（ResNet50-CA）。【方法】在ResNet-50的残差卷积模块下引入坐标注意力机制（CA），采用LeakyReLU激活函数替代ReLU激活函数，使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。【结果】在使用传统卷积神经网络进行水稻叶片病虫害研究发现，ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系，因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验，研究发现在批量样本数为16和学习率为0.000 1时，ResNet50-CA获得最高的识别准确率（99.21%），优于传统的深度学习算法。【结论】改进后的网络能够提取出水稻病虫害更加细微的特征信息，从而取得更高的识别准确率，为水稻叶片病虫害识别提供新思路和方法。     

基于卷积神经网络的黄瓜白粉病智能识别算法研究

采用AlexNet、VGG16、GoogLeNet和ResNet50等4种CNN模型对黄瓜4个病害级别的白粉病叶片图像进行反复迭代训练,探究迭代次数、BATCH＿SIZE参数对4种模型识别分类效果的影响,分析不同CNN模型的性能,以选择出应用于黄瓜白粉病识别的最优模型。结果表明:从训练集损失函数的损失率、识别准确率及训练时间综合考量,在当前试验样本条件下,迭代次数为40次,BATCH＿SIZE值等于90时,ResNet50模型结果最优,其训练用时为24 min,模型识别准确率为91.30%,对黄瓜白粉病不同病害级别智能识别具有较好的分类性能。     

基于改进残差网络的葡萄叶片病害识别

葡萄病害是导致葡萄严重减产的主要因素，大多数病害症状都反映在葡萄的叶片上，但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络，通过其包含不同大小和不同深度的卷积核来处理输入，然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层，能够加快模型收敛速度，有效提升模型精度。结果表明，改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比，在准确性方面具有显著优势。与原模型相比较，识别准确率提高3.18百分比，改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。     

基于改进ShuffleNet的板栗分级方法

传统的板栗分级方法主要依靠人工或机械的多级振动筛，不仅分级准确率低而且容易把坏的板栗分成好的板栗。针对传统板栗分级存在的问题，构建轻量级的卷积神经网络实现高精度的板栗的自动分级。在自然光条件下用小米Note9手机拍摄获取包含优等品、一等品、合格品、虫蛀品和霉烂品板栗的5481幅图像应用于卷积网络模型的训练、验证和测试。在学习ShuffleNet的基础上构建了一个浅层卷积神经网络Shnet-1,Shnet-1由2个卷积模块和4个Shuffle构成的板栗图像特征提取网络。特征提取网络连接板栗分类器，分类器由全局平均池化层、隐含层和输出层组成的多层感知器。为了实现板栗分类的最大精度和最小计算量，对Shnet-1模型的超参数进行了优化。将Shnet-1的分类性能与各种深度学习模型如AlexNet、Mnet-1、ResNet18进行了比较分析。浅层卷积神经网络Shnet-1网络模型应用于板栗分级的准确率达到98.90%，坏的板栗被分为好板栗的比例小于0.5%。Shnet-1的计算量小，板栗图像分类时间为26 ms，其权重仅占488KB的物理存储容量。改进ShuffleNet的卷积神经网络模型Sh...     

一种植物病害图像识别卷积网络架构

针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97％,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考.     

基于CapsNet神经网络的树叶图像分类模型

对树木研究的基础是对其进行分类处理.本文结合CapsNet神经网络模型,以提高树叶分类的准确率为目的,使用实验室拍摄的10种树叶图片建立树叶分类模型.考虑到模型效率和图像大小,在原有CapsNet上与传统卷积神经网络相结合,通过优化动态路由算法对CapsNet进行改进,得到了E-CapsNet网络模型,同时与经典的神经网络模型AlexNet和Inception V3模型进行对比.经过50次epoch的训练,模型训练准确率最高达到99.15%,验证集的准确率为98.51%,测试集准确率为98.63%,对比原CapsNet网络,测试集准确率提高了2.51%.实验结果表明,改进后的E-CapsNet模型实现了更高的精度.     

基于轻量化网络与注意力机制的育肥猪采食行为识别方法研究

[目的]针对育肥猪采食行为识别误差大、检测速度慢等问题，提出一种具有轻量化结构的育肥猪采食行为检测模型，实现对育肥猪采食行为的快速检测与采食时长统计。[方法]以YOLO v5L目标检测算法为基础，构建侧视视角下的猪只采食行为检测模型。对比更换不同轻量化主干网络后对模型检测效果的影响，选取性能最优的模型；改进ShuffleNet V2网络结构基本单元，采用Mish激活函数提高模型泛化能力与推理速度，引入SE注意力机制给予目标特征更高的权重以提高目标识别精度；对比分析模型增加非营养性访问行为检测前、后的采食行为识别准确率。[结果]优化后的育肥猪采食行为检测模型大小为38.2 MB,计算量为37.8 GFLOPs,视频检测平均帧耗时7.6 ms。与非营养性访问行为进行区分识别后，猪只采食行为检测识别准确率为96.4%,召回率为92.5%。模型检测采食时长与人工统计采食时长相对误差为6.1%。[结论]改进的YOLO v5L-ShuffleNet网络模型检测速度和模型大小均能满足实际生产需求，可在复杂养殖环境中全天候识别育肥猪采食行为。     

基于改进ResNet18的胡麻干旱胁迫识别与分类研究

【目的】为实现在移动端对胡麻干旱胁迫实时监测,解决传统机器学习方法在识别分类时准确率低、速度慢的问题,提出一种基于改进ResNet18的胡麻干旱胁迫分类识别方法。【方法】首先在网络中添加卷积块注意力（CBAM）模块,强化网络对胁迫特征的提取能力;其次调整残差块中批标准层、激活函数、卷积块的连接顺序,实现对输入的样本数据进行归一化操作;最后将ReLU激活函数替换成LeakyReLU激活函数,避免出现神经死亡现象。试验分为无胁迫、轻度干旱、重度干旱3个水分胁迫处理,分批次采集不同干旱程度胡麻叶片图像,数据样本按3∶1分为训练集与测试集,并使用数据增强的方法增加样本的多样性。【结果】改进ResNet18模型分类准确率高达98.67%,相比于ResNet18和VGG16分别提高6.14和4.87个百分点,而模型所需参数大小仅为42.80 MB,单幅图像推理时间为17.50 ms。【结论】该文模型对胡麻干旱胁迫具有更好的分类识别效果,能够实现嵌入式设备上胡麻干旱胁迫识别的实时性要求。可为胡麻干旱监测、机械化生产等研究提供技术支持。     

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...     

基于自适应特征融合的水稻氮素营养诊断

为了快速准确地对水稻进行氮素营养诊断,提出一种基于自适应特征融合的水稻氮素营养诊断方法。该方法通过对杂交稻两优培九进行田间试验,设置4组不同的氮肥梯度(施氮量分别为0、210、300、390 kg/hm²),扫描获取水稻叶片图像并进行数据预处理,构建基于自适应特征融合的水稻氮素营养诊断模型ResNet34-AFF-SE。使用构建的ResNet34-AFF-SE模型对水稻叶片进行氮素营养诊断,结果表明,在水稻生长的幼穗分化期、齐穗期,ResNet34-AFF-SE的识别准确率为97.5%、97.2%,模型大小为87.9 MB。ResNet34-AFF-SE模型在准确率和训练时间上优于AlexNet、VGG16、MobilNet v3-small等网络模型。基于自适应特征融合的水稻氮素营养诊断方法所建立的ResNet34-AFF-SE模型具有较高的识别准确率,可以精准地识别水稻叶片的氮素营养状况,为水稻作物的氮素营养诊断提供了新的思路。     

基于可分离扩张卷积和通道剪枝的番茄病害分类方法

为了实现番茄病害的快速检测,针对传统卷积神经网络病害分类方法参数量大、对算力要求高的问题,提出了一种基于可分离扩张卷积和通道剪枝的番茄病害分类方法。基于MobileNet v2,提出了一种可分离扩张卷积块,在不增加网络参数的情况下,扩大网络的感受野,提升网络提取番茄叶部病害特征的能力。然后替换PReLU激活函数,避免产生梯度弥散问题。同时能够更好地处理图像,提高网络对番茄叶部病害负值特征信息的提取能力,具有更好的鲁棒性。最后,使用通道剪枝技术,引入缩放因子联合权重损失函数,分辨相对不重要的通道,并对其进行裁剪,再对剪枝后的网络进行微调并重复以上步骤,在大幅减少网络参数量的同时,不影响网络的性能。在数据集上的结果表明,研究方法在网络参数量仅为0.7 M的情况下,准确率达到了96.44%,精确率达到了96.36%。与目前主流轻量化网络MobileNet v3、GhostNet、ShuffleNet v2相比,模型准确率分别提高了0.45、0.77、0.24百分点,同时模型参数量分别仅为以上模型的12.96%、13.46%、30.43%,模型更轻量且准确率更高。