基于YOLOv5深度学习的茶叶嫩芽估产方法

针对丘陵地区小规模茶园估产难度高,估产手段少等问题,采用基于YOLOv5的目标检测算法和田间抽样调查法,对丘陵地区小规模茶园估产问题进行研究。在茶园中随机抽取9个有代表性的茶叶生长点;使用目标检测算法识别抽样点茶叶嫩芽数目;利用最小二乘法拟合茶叶嫩芽产量与数目间的线性关系;结合抽样点识别出的嫩芽数目、抽样点面积、线性拟合关系和茶园整体面积估算出茶园茶叶嫩芽产量。结果表明：1)基于YOLOv5的目标检测算法对茶叶嫩芽识别的精度为99.02%,平均准确率为90.14%;2)茶叶嫩芽数目和产量间有高度线性关系,决定系数R²为0.999 8;3)通过算法估计的茶叶嫩芽产量与实际采收产量相对误差为29.56%。本研究能够较为方便的估算出茶园茶叶嫩芽产量,在茶叶生长时期为农户提供产量相关的数据支持,便于茶叶生产的前期管理。     

基于改进YOLOv5s模型的柑橘病虫害识别方法

针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。     

基于改进YOLOv5s算法的虾脊兰炭疽病识别

虾脊兰(Calanthe discolor Lindl.)炭疽病严重影响作物品质,必须在种植区进行海量植株的快速准确识别。然而由于背景环境复杂、种植密集与病叶形态的多样,传统的人工及机器学习识别均难于在精度与速度上满足要求。针对这一问题,本文提出了一种改进的虾脊兰炭疽病识别方法。本方法 YOLOv5s (You Only Live Once v5s)网络作为基础,引入注意力机制以提升病变部位的识别能力,利用样本变换方法适应多叶片形态的多样性,并针对改进了冗余的边界框的消除机制降低了误判与漏判。在实验中,本文构建了虾脊兰样本数据集作为测试数据,并将本方法与传统的深度目标识别方法进行对比,在测试数据集上平均准确率最高达95.4%,模型存储空间为13.78MB,每秒传输帧数为91f/s。平均准确率比FasterR-CNN、YOLOv3、YOLOv4、YOLOv5l、YOLOv5s分别高出0.97%、8.06%、1.82%、0.58%、1.81%。结果表明本文提出的方法在识别精度、识别速度上均获得了较大的提升,并仅需较小的模型部署,以上特征使得本方法更加适用于虾脊兰炭疽病识别的实际工作。     

基于改进YOLOv7-Tiny的成熟草莓识别模型研究

【目的】成熟草莓的快速、准确识别是高效机械采摘的关键技术,针对草莓生长环境中果实堆叠、叶片遮挡和小目标等问题,提出一种改进YOLOv7-Tiny的成熟草莓识别模型。【方法】该模型在YOLOv7-Tiny模型的基础上,将骨干网络中CBL卷积块的LeakeyReLU激活函数替换为SiLU函数,提高模型的非线性拟合程度与特征学习能力。为降低模型的参数量和计算量,实现模型轻量化,提高识别速度,引入轻量化RepGhost网络。在YOLOv7-Tiny模型的小目标层加入C3模块,降低模型参数量,增加网络深度,增强模型对小目标的信息提取能力,从而提高被遮挡草莓以及小目标草莓的识别准确度,进一步提高模型的识别速度。以设施草莓为试验样本对改进YOLOv7-Tiny模型进行对比试验。【结果】相较于YOLOv7-Tiny模型,改进YOLOv7-Tiny模型训练的收敛速度快,模型拟合后损失曲线的波动幅度小且稳定,训练的损失值小,模型的鲁棒性好。与原模型的对比试验结果表明,改进YOLOv7-Tiny模型的参数量降低26.9%,计算量降低55.4%,识别速度提高26.3%,识别平均准确率（mAP）为89.8%。消...     

基于改进YOLOv5的火龙果成熟度识别方法

为实现自然环境下不同成熟度火龙果在不同光照、不同遮挡场景下的精确快速识别,提出了一种基于对YOLOv5的网络模型改进的一种检测模型（PITAYA-YOLOv5）。首先,使用k-means++算法重新生成火龙果数据集的锚框,提高了网络的特征提取能力;其次,将CSPDarkNet替换成PPLCNet作为骨干网络,并加入SE注意力模块（Squeeze-and-Excitation block）,在降低网络参数量的同时保持检测精度;同时加入加权双向特征金字塔网络（Bi-FPN）替换YOLOv5的特征融合网络,提高网络对不同尺度特征图的融合效率;引入αDIoU损失函数,提高了模型的收敛效果。试验结果表明：PITAYA-YOLOv5目标检测模型的平均精度均值为94.90%,较原模型提高1.33个百分点,F1值为91.37%,较原模型提高1.12个百分点,平均检测速度达到20.2 ms,占用内存仅有8.1 M。针对枝条遮挡和果间遮挡下的火龙果检测能力明显增强。对比Faster R-CNN、CenterNet、YOLOv3、YOLOv5以及轻量化骨干网络ShuffleNetv2,该模型具有良好的检测精...     

基于YOLOv5的小麦种子发芽检测方法研究

种子发芽试验是检验作物品质的重要环节。为提高种子发芽检测效率,实现种子发芽检测自动化,以小麦为研究对象,通过机器视觉技术结合深度学习方法,构建基于YOLOv5的种子发芽判别的模型,在此基础上通过小麦7 d发芽试验图像组合分析,设计一套基于YOLOv5的种子发芽检测改进判别方法(DB-YOLOv5),实现对小麦种子发芽率、发芽势、发芽指数、平均发芽天数的快速检测,并开展检测试验。结果表明,YOLOv5模型对小麦种子发芽判别精确率为92.5%,DB-YOLOv5模型对小麦种子发芽判别精确率为98.5%,发芽势、发芽指数、平均发芽天数与人工检测误差为0.5%、2.39、0.1 d。上述结果表明,DB-YOLOv5模型可实现对小麦种子发芽率、发芽势、发芽指数、平均发芽天数的快速检测,为农作物种子发芽快速检测提供参考。     

基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精...     

基于YOLOv5改进模型的杂交稻芽种快速分级检测

目的 提高杂交稻种子活力分级检测精度和速度。方法 提出了一种基于YOLOv5改进模型(YOLOv5-I)的杂交稻芽种快速分级检测方法,该方法引入SE (Squeeze-and-excitation)注意力机制模块以提高目标通道的特征提取能力,并采用CIoU损失函数策略以提高模型的收敛速度。结果 YOLOv5-I算法能有效实现杂交稻芽种快速分级检测,检测精度和准确率高,检测速度快。在测试集上,YOLOv5-I算法目标检测的平均精度为97.52%,平均检测时间为3.745 ms,模型占用内存空间小,仅为13.7 MB;YOLOv5-I算法的检测精度和速度均优于YOLOv5s、Faster-RCNN、YOLOv4和SSD模型。结论 YOLOv5-I算法优于现有的算法,提升了检测精度和速度,能够满足杂交稻芽种分级检测的实用要求。     

基于改进YOLOv3的猪脸识别

针对生猪智能化管理中传统标识方法存在的易脱标,易引起生猪感染等问题,采用基于改进YOLOv3模型的非侵入式方法,对生猪多个体识别进行研究.针对原有的YOLOv3模型,在Darknet53特征提取器中引入密连块,结合下采样层组成新的骨干网络;在YOLOv3模型中添加改进的SPP单元,最终构建了YOLOv3 DB_SPP模...     

基于深度学习网络的烟叶质量识别

概述了烟叶质量和熟成度分类的主要依据,采用自动编码器预训练方法重构的卷积神经网络构建了烟叶质量识别模型,并采用实地采集的数据集进行了实验验证,结果表明重构的深度训练自编码器在分类性能上达到99.92%的准确度。     

基于分层卷积深度学习系统的植物叶片识别研究

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。      

基于YOLOv5改进模型的柑橘果实识别方法

为实现在自然环境下对柑橘果实的识别,提出一种基于YOLOv5改进模型的柑橘识别方法。通过引入CBAM(convolutional block attention module,卷积注意力模块)注意力机制模块来提高网络的特征提取能力,改善遮挡目标与小目标的漏检问题;采用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数,提高边界框定位精度。结果显示：本研究提出的模型平均精度AP值达到91.3%,在GPU上对单张柑橘果实图像的检测时间为16.7 ms,模型占用内存为14.5 Mb。结果表明,本研究基于YOLOv5的改进算法可实现在自然环境下快速准确地识别柑橘果实,满足实时目标检测的实际应用需求。     

基于深度学习的植物病虫害智能检测系统研究

由于当今全球气候变化异常,农作物病虫害频发,而且农作物病种类多,成因复杂,其预防和识别难度较大,且传统病虫害识别方法大多靠人目视手查,需要一定的专家经验,具有主观性强、识别准确率低等缺点。而信息技术作为解决农作物病虫害智能、快速识别的新技术、新方法,我们计划利用农业信息大数据智能决策分析系统,建立完善一体化的智能农业信息监测系统等。本文便是基于深度学习将计算机视觉、图像识别等技术运用于农作物病虫害检测中,开发智能病虫害检测系统,以提高病虫害检测准确率,减少病虫害对农业生产的危害。     

基于改进YOLOv5的甘蔗茎节识别方法

针对甘蔗智能切种机作业过程中背景杂乱导致茎节识别精度低等问题,提出了基于改进YOLOv5的一种甘蔗茎节识别方法。采用跨层级连接的方式优化颈部结构,增强不同层级间的信息融合能力;同时改进模型损失函数,一方面引入EIoU损失函数代替原始CIoU损失函数,提高边界框回归精度,另一方面利用Focal loss损失函数替换交叉熵损失函数,解决正负样本比例不均衡问题;最后引入Ghost模块轻量化网络模型。试验结果表明,本研究提出的模型相较于原模型,平均精度值提高了1.4个百分点,达97.80%,单张检测时间为16.9ms,模型大小仅11.40 Mb,实现了在不同杂乱程度场景下的甘蔗茎节识别,降低了切种时背景杂乱产生的影响。     

基于 YOLOv5s 和 Android 的苹果树皮病害识别系统设计

【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于 Android 的苹果树皮病害识别 APP 以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病 3 种病害的图片 数据,经扩增和标注后按照 8 ∶ 2 比例进行训练集和测试集的划分。使用 YOLOv5s 算法训练苹果树皮病害识别 网络模型,对训练得到的轻量级网络模型进行 Android 端部署,并设计相应 APP 界面,实现对轮纹病、腐烂病、 干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在 88.7%,召回率稳 定在 85.8%,平均精度值稳定在 87.2%。其中腐烂病准确率为 93.5%,干腐病准确率为 88.2%,轮纹病准确率为 84.3%。将其在 Android 端部署后,每张病害图片处理时间均小于 1 s,检测置信度为 87.954%。该轻量级识别系 统不仅实现了 3 种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s 网络权重模型小,能够轻松 实现 Android 端的部署,且基于 YOLOv5s 设计的 APP 操作简单、检测精度高、识别速度快,可以有效辅助果园 精准管理。     

基于深度迁移学习模型的花卉种类识别

为了解决传统花卉识别方法中特征提取主观性强、模型泛化能力差、错分率高的问题,提出一种基于Inception_v3的深度迁移学习模型的花卉图像识别方法。本研究对5种常见花卉图像进行识别分类,首先对原始图像进行预处理,通过对每张图像进行水平翻转、旋转操作,扩增数据集;其次,采用预训练完毕的Inception_v3模型,对其在ImageNet上训练好的网络参数进行迁移学习,对各个参数进行微调,并保留原模型的特征提取能力,并将原模型的全连接层替换为符合本研究要求的5分类softmax分类输出层,从而构建基于深度迁移学习的识别模型。对5种花卉共计11 000张图像进行训练和验证,平均识别正确率达到93.73%,与传统的花卉识别方法相比,识别率得到提高,模型鲁棒性更强,具有一定的使用价值。     

基于深度学习的高鲁棒性恶意软件识别研究

提出了一种基于深度学习的高鲁棒性恶意软件识别算法,该算法利用软件的操作码序列来检测恶意软件。首先采用类信息增益进行特征选择,然后提出了基于启发式规则的图生成算法,并将图转换为矢量空间,最后应用基于堆叠自编码器的深度学习框架对恶意和正常软件进行分类。实验评估结果说明了与现有的算法相比,恶意软件识别算法具有较高的鲁棒性。     

基于深度学习的水稻稻瘟病识别研究

本文以水稻稻瘟病图像为研究对象,提出一种基于深度学习的水稻稻瘟病识别方法。基于Tensor Flow开源框架,使用TensorFlow-Keras建立起深度学习模型,通过对水稻的常见健康状态、稻瘟病的图片集学习获取模型特征,最终获得的模型可以用于检测判断。深度学习模型采用ReLU作为激活函数,并对模型中的超参数学习率进行网格搜索,获取更合适的模型超参数。对改进后的模型进行测试,测试验证率达78%。本研究提出的方法可有效识别水稻稻瘟病,为水稻病害防治提供了有效的技术支持。