基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。     

基于迁移学习的苹果落叶病识别与应用

为解决现有卷积神经网络苹果叶片病害识别模型泛化能力弱,模型体积较大等问题,该研究提出一种基于改进MobileNetV3苹果落叶病识别模型。以健康叶片和常见苹果落叶病为研究对象,包括斑点落叶病、灰斑病、褐斑病、锈病4种,每种病害2级,共9类特征,通过改进网络的注意力模块、全连接层及算子,结合迁移学习的训练方式,构建苹果落叶病识别模型。在扩充前后的数据集上对比不同的学习方式、学习率和注意力模块等对模型的影响,验证模型的识别性能。试验结果表明：采用迁移学习的方式,在训练50轮达曲线收敛,比全新学习的准确率增加6.74～10.79个百分点;使用引入的ET(efficient channel attention-tanh)注意力模块,网络损失曲线更加平滑,模型的参数量更少,模型体积减小了48%,提高了模型的泛化能力;在扩充数据集上,学习率为0.000 1时,结合迁移学习的训练方式,改进MobileNetV3(ET3-MobileNetV3)苹果落叶病识别模型,平均准确率能达到95.62%,模型体积6.29 MB。将模型部署到喷药设备上,可实现基于苹果叶片病害识别的变量喷施,该研究可为苹果叶片病害...     

耦合全局与局部特征的苹果叶部病害识别模型

为充分利用苹果叶部病害图像类间差异小且类内差异大的特点,该研究基于全局与局部特征的交互式耦合对特征提取方法进行了优化,设计出一种苹果叶部病害识别模型。首先,在全局特征提取分支设计了一个注意力融合模块,以融合通道和空间上的信息而增强卷积提取到的特征图,并由增强后的特征图生成全局特征以及注意力激活图;然后,在局部特征提取分支,利用注意力激活图的引导,设计了一个裁剪模块对原图像进行裁剪,以得到可能包含病害信息的图像块且嵌入生成局部特征;最后,通过设计多头交叉注意力特征耦合模块,实现全局特征和局部特征的双向交叉耦合。基于苹果病害图像数据集的试验结果表明,将全局与局部特征进行交互耦合能有效提升模型对苹果叶部病害图像的特征提取能力,其识别准确率可达到98.23%,且较之单纯的局部或全局特征提取分支,准确率分别提高了3.39与4.61个百分点,所提模型可用于实现自然场景下的苹果叶部病害自动识别。     

面向苹果叶部病害识别的细粒度蒸馏模型

为了提高轻型卷积神经网络（convolutional neural networks,CNN）在苹果叶部病害识别中的精度，使其更加适于布署到智慧农业移动终端，该研究设计了一种细粒度知识蒸馏（fine-grained knowledge distillation,FGKD）模型。首先，利用上下文信息与空间-语义关系分别设计了上下文空间注意力（spatial attention,SA）与细粒度特征提取（fine-grained feature extraction,FGFE）模块，且将它们嵌入到Resnet50与设计的轻型CNN，分别作为教师与学生网络；然后，构造SA与FGFE知识蒸馏损失函数，以将教师网络中的特征提取与细粒度知识表示能力迁移到学生网络之中，以增强其对苹果叶部病害图像的局部特征提取能力与高层语义表达能力，使轻型学生网络在参数量很小的条件下，其性能接近复杂的教师网络。基于标准苹果叶部病害数据集的对比试验结果表明，经知识蒸馏之后的学生网络精度为98.60%，模型参数量仅0.75 MB，平均推理时间为25.51 ms，能够有效地满足实际智慧农业移动端对模型的需求，快速准确地实现苹...     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

采用改进的SqueezeNet模型识别多类叶片病害

为实现作物叶片病害的准确识别,该研究以PlantVillage工程开源数据库中14种作物38类叶片为研究对象,从网络规模小型化和计算过程轻量化需求的角度出发,对经典轻量级卷积神经网络SqueezeNet提出改进措施,包括修改最后一层卷积层的输出、删除经典模型中的后3个fire模块并修改fire模块5的参数、调节fire模块中expand层中1×1和3×3的卷积核数目的比例、移动部分fire模块在模型中的位置等措施,共获取5种改进的病害叶片检测模型,并运用迁移学习和随机梯度下降算法进行训练。试验结果表明,在不过多损失网络性能的前提下,改进后5种模型的参数内存需求及模型计算量均呈现大幅减小,模型收敛迅速,其中最优模型参数内存需求仅为0.62MB,模型运算量仅为111MFLOPs,其平均准确率达到98.13%,平均查全率达到98.09%,平均查准率达到97.62%,在与已有相关研究的对比中表现出较高的性价比。该研究提出的改进模型在大幅减少参数内存要求和计算量的同时使模型性能保持在一个较高的水平,较好地平衡了这3项指标,适合将模型部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病害的实时准确识别。     

基于迁移学习的葡萄叶片病害识别及移动端应用

为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。     

基于2D DWT与MobileNetV3融合的轻量级茶叶病害识别

针对现有茶叶病害识别方法病害信息挖掘不足导致识别准确率低的问题，该研究提出了一种基于二维离散小波变换(discrete wavelet transform, DWT)和MobileNetV3融合的茶叶病害识别模型CBAM-TealeafNet。为增强网络对病害频域特征的检测能力，将2D DWT获取的频域特征与bneck结构提取的深度特征融合，形成频域与深度特征融合的识别网络。为提高特征提取能力，在bneck结构中，嵌入卷积块注意模块 (convolutional block attention module, CBAM)，为特征通道分配相应权重。为解决样本类别不平衡对识别模型性能的影响，利用焦点损失函数取代交叉熵损失函数以提高识别精度。经验证，CBAM-TealeafNet在5种不同茶叶病害上整体识别准确率达到98.70%，参数量为3.16×10⁶，相对MobileNetV3，准确率提升2.15个百分点，参数量降低25.12%。该方法可为茶树叶部等作物病害轻量级识别研究提供模型参考。     

融合双分支特征和注意力机制的葡萄病虫害识别模型

葡萄病虫害识别是精细化防治的前提。针对现有研究中存在的数据集少、识别精度低、模型参数量大等问题,该研究构建包含健康叶片、3类病害叶片和16类虫害的葡萄病虫害数据集,提出基于改进MobileNet V2模型的葡萄病虫害识别模型。首先在MobileNet V2模型的反向残差模块中嵌入坐标注意力（Coordinate Attention,CA）机制,提升模型的信息表征能力;然后使用深度可分离卷积设计双分支特征融合模块,加强模型的特征提取能力;最后对模型的通道数进行调整,精简模型结构。试验结果表明：MobileNet_Vitis在葡萄病虫害数据集上的识别准确率和F1分数为89.16%和80.44%,相比改进前的MobileNet V2 提高了1.83和9.31个百分点,而模型参数大小为7.85 MB,减少了8.5%。与ResNet 101、ShuffleNet V2、MobileNet V3和GhostNet相比,MobileNet_Vitis的识别精度和F1分数更高,参数量更小。MobileNet_Vitis对单张葡萄病虫害图像的推理时间为17.53 ms,可以达到快速识别的要求。该研究提出的模型能够较好地识别葡萄病虫害,并且较大幅度地减少模型的参数量。将MobileNet_Vitis模型部署到移动端的小程序上,可为葡萄病虫害的防治提供帮助。     

基于改进YOLOv5s和迁移学习的苹果果实病害识别方法

为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型：GHTR2-YOLOv5s （YOLOv5s with Ghost structure and TR2 module）,并通过迁移学习策略对其进行优化。在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块（Convolutional Block Attention Module, CBAM）和加权双向特征金字塔网络（Bidirectional Feature Pyramid Network, BIFPN）提高模型精度,使用TR2（Two Transformer）作为检测头增强模型对全局信息的获取能力。改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值（mAP0.5）达到0.909,能快速准确地识别苹果果实病害。研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5%。试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别。     

采用改进的EfficientNet识别苹果叶片病害

该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题，设计DEFL (DenseNet121+EfficientNet with focal loss and label smoothing)模型。首先，该模型以并行的EfficientNet-B0网络和DenseNet121网络为特征提取网络，以提升模型特征提取能力，其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注。经测试，所提模型的识别准确率为99.13%，平均精度均值为98.47%。消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点。对比试验结果表明，DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的EfficientNet-B0模型分别高出14.53、13.17、14.61、 6.4、 7.71以及8.91个百分点，模型规模分别小18.73、 7.7、 12.2、 83.62、 69.6以及60.09MB。Grad-CAM(gradient-weighted class a...     

面向移动端的苹果叶部病虫害轻量级识别模型

花叶病、斑点落叶病、褐斑病、白粉病、黄蚜、浅叶蛾和红蜘蛛是常见的苹果叶部病虫害,严重影响了苹果的产量和品质。病虫害早期诊断和防治可以有效地控制病害传播,降低损失,保障苹果产业的健康发展。为解决现有轻量级模型无法精准识别早期苹果叶部稀疏小病斑的问题,该研究面向资源受限的移动端设备,提出一种轻量级识别模型ALS-Net（Apple Leaf Net using Channel Shuffle）。在轻量化模型（ShuffleNetV2）的基础上,基于深度可分离卷积和通道混洗构建ALS模块,可降低模型的计算量和参数量。其次,采用知识蒸馏策略训练模型,进一步提高网络精度。试验结果表明,ALS-Net的模型精度可达99.43%,且模型大小仅为1.64 MB。移动端推理延迟为55 ms,能够有效满足实际应用需求,并实现基于移动端的苹果叶部病虫害自动实时监测。     

基于改进DenseNet和迁移学习的荷叶病虫害识别模型

病虫害的发生将会严重影响莲藕品质与产量,开展病害诊断与识别对藕田病虫害及时对症对病诊治、提升莲藕生产质量与经济效益具有重要意义。该研究以荷叶病虫害高效、准确识别为目标,提出了一种基于改进DenseNet和迁移学习的荷叶病虫害识别模型。采用分支结构对模型的浅层特征提取模块进行改进,并在Dense Block与Transition Layer中引入Squeeze and Excitation注意力机制模块和锐化的余弦卷积,最后基于Plantvillage数据集进行迁移学习,实现了91.34%的识别准确率。该研究实现了对荷叶腐败病、病毒病、斜纹夜蛾、叶腐病、叶斑病的识别,并将改进后的模型推广应用于基于无人机图像的藕田病虫害检测,实现了病害分布可视化,可对莲藕病虫害的智能化防治提供有益指导。     

基于改进DenseNet的田间杂草识别

精确、快速地获取作物和杂草的类别信息是实现自动化除草作业的重要前提。为解决复杂环境下农作物田间杂草种类的高效准确识别问题,该研究提出一种基于改进DenseNet的杂草识别模型。首先,在DenseNet-121网络的基础上,通过在每个卷积层后引入ECA（Efficient Channel Attention）注意力机制,增加重要特征的权重,强化杂草特征并抑制背景特征;其次,通过DropBlock正则化随机隐藏杂草图像部分特征块,以提升模型的泛化能力,增强模型识别不同类型杂草的适应性;最后,以自然环境下玉米幼苗和6类伴生杂草作为样本,在相同试验条件下与VGG-16、ResNet-50和未改进的DenseNet-121模型进行对比试验。结果表明,改进的DenseNet模型性能最优,模型大小为26.55 MB,单张图像耗时0.23 s,平均识别准确率达到98.63%,较改进前模型的平均识别准确率提高了2.09%,且综合性能显著高于VGG-16、ResNet-50模型;同时,通过采用CAM（Class Activation Mapping）可视化热度图方法分析,得出改进前后模型的类别判断概率分别为0.68和0.98,本文模型明显高于未改进模型,进一步验证了改进模型的有效性。该模型能够很好地解决复杂环境下农作物和杂草的种类精准识别问题,为智能除草机器人开发奠定了坚实的技术基础。     

融合注意力机制的个体猪脸识别

随着机器视觉技术的发展,猪脸识别作为猪只个体识别方法之一受到广泛关注。为了探索非接触式的猪只个体精准识别,该研究通过深度学习模型DenseNet融合CBAM（Convolutional Block Attention Module）,建立改进的DenseNet-CBAM模型对猪脸进行识别。将DenseNet121模型进行精简,然后将CBAM注意力模块嵌入到精简的DenseNet121分类网络之前,以加强对关键特征的提取,实现猪脸图像的分类。以随机采集的1 195张猪脸图像作为数据集对本文模型进行测试。结果表明,DenseNet-CBAM模型对个体猪脸识别的准确率达到99.25%,模型参数量仅为DenseNet121的1/10;与ResNet50、GoogLetNet和MobileNet模型相比,DenseNet-CBAM的识别准确率分别提高了2.18、3.60和23.94个百分点。研究结果可为智能化养殖过程非接触式个体识别提供参考。     

基于改进YOLOv7的苹果生长状态及姿态识别

针对目前苹果在复杂环境下难以进行生长状态分类识别、姿态信息同步获取等问题,该研究提出了一种基于改进YOLOv7的苹果生长状态分类和果实姿态融合识别方法。首先改进多尺度特征融合网络,在骨干网络中增加160×160的特征尺度层,用于增强模型对微小局部特征的识别敏感度;其次引入注意力机制CBAM(convolutional block attention module),改善网络对输入图片的感兴趣目标区域的关注度;最后采用Soft-NMS算法,能够有效避免高密度重叠目标被一次抑制从而发生漏检现象。此外,结合UNet分割网络和最小外接圆及矩形特征获取未遮挡苹果姿态。试验结果表明,改进YOLOv7的识别精确率、召回率和平均识别精度分别为86.9%、80.5%和87.1%,相比原始YOLOv7模型分别提高了4.2、2.2和3.7个百分点,另外苹果姿态检测方法的准确率为94%。该文模型能够实现苹果生长状态分类及果实姿态识别,可为末端执行器提供了抓取方向,以期为苹果无损高效的采摘奠定基础。     

基于Stacking集成卷积神经网络的水稻氮素营养诊断

【目的】为实现水稻氮素营养状况的快速、准确诊断,提出了基于集成卷积神经网络的水稻氮素营养诊断模型,为建立高性能的氮素营养诊断模型提供思路和方法。【方法】水稻田间试验以超级杂交水稻‘两优培九’为材料,设置4个施氮水平(0、210、300、390 kg/hm²)。扫描获取水稻幼穗分化期顶部3片完全展开叶的叶片图像,将图像裁剪至只包含叶尖片段的图像,进行水稻叶片图像数据采集。分别以单一卷积神经网络模型DenseNet121、ResNet50、InceptionResNet V2为基学习器,多层感知机(MLP)为元学习器,集成卷积神经网络模型,比较了集成模型与单一卷积神经网络模型以及不同基学习器组成的集成模型的氮素营养诊断结果。【结果】4个单一模型中,DenseNet121的氮素诊断准确率最高,为96.41%。二元集成模型和三元集成模型的准确率均高于任意一个单一模型的准确率,由3个基学习器组成的集成模型的准确率最高,达到98.10%,相比准确率最高的单一模型准确率提高了1.69个百分点。【结论】采用DenseNet、ResNet50、InceptionResNet V2集...     

基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位

为提高苹果采摘机器人的工作效率和环境适应性,使其能全天候的在不同光线环境下对遮挡、粘连和套袋等多种情况下的果实进行识别定位,该文提出了基于YOLOv3(you only look once)深度卷积神经网络的苹果定位方法。该方法通过单个卷积神经网络(one-stage)遍历整个图像,回归目标的类别和位置,实现了直接端到端的目标检测,在保证效率与准确率兼顾的情况下实现了复杂环境下苹果的检测。经过训练的模型在验证集下的m AP(meanaverageprecision)为87.71%,准确率为97%,召回率为90%,IOU(intersection over union)为83.61%。通过比较YOLOv3与Faster RCNN算法在不同数目、不同拍摄时间、不同生长阶段、不同光线下对苹果的实际检测效果,并以F1为评估值对比分析了4种算法的差异,试验结果表明YOLOv3在密集苹果的F1高于YOLOv2算法4.45个百分点,在其他环境下高于Faster RCNN将近5个百分点,高于HOG+SVM(histogram of oriented gradient+support vector machine)将近10个百分点。并且在不同硬件环境验证了该算法的可行性,一幅图像在GPU下的检测时间为16.69 ms,在CPU下的检测时间为105.21 ms,实际检测视频的帧率达到了60帧/s和15帧/s。该研究可为机器人快速长时间高效率在复杂环境下识别苹果提供理论基础。