基于卷积神经网络的微藻种类识别

微藻在生态系统的结构和功能中具有极为重要的作用,而传统光学人工镜检方法对微藻种类鉴别具有较大的难度。本研究将微藻的光学图像进行了采样,并结合国内外专家对微藻鉴定的经验知识,制作了微藻图像数据集,并进行了数据增强处理。借助深度学习的原理和方法,构建了基于卷积神经网络结构的深度学习模型（AlexNet）,对模型进行了训练,并利用5折交叉验证方法确保模型的稳定性。结果表明,模型的训练精度可达到98.78±0.98%,测试精度达85.46±0.23%,达到了预期效果。利用AlexNet模型训练得到的参数,对预留的280个样本图像进行实际测试,7个藻种的平均精确度、平均召回率和平均F1 Score分别为0.832,0.844和0.833。表明深度学习方法是鉴定微藻的一种有效方法。     

珍贵红木树种檀香紫檀组培快繁体系的建立

[目的]探究檀香紫檀植株高效、稳定的离体再生技术,为其苗木的规模化生产提供参考依据.[方法]以檀香紫檀种子为外植体,以MS培养基为基本培养基,添加不同浓度琼脂、蔗糖、IBA、IAA和6-BA进行无菌播种、诱导萌芽、增殖和生根培养,建立檀香紫檀组培快繁体系.[结果]檀香紫檀种子以0.1% HgCl2溶液消毒8 min的萌发率最高,为31.7%;微茎段芽萌发、生长及分化效果随培养基中IBA浓度提高而增强,当IBA浓度为0.3 mg/L时微茎段腋芽诱导率最高,为94.5%,且生长状况最佳,但与添加0.2 mg/L IBA的处理无显著差异(P>0.05);IBA促进微茎段愈伤组织发育和增殖的作用强于6-BA,二者配合使用的协同作用更明显,以培养基添加0.3 mg/L IBA和3.0 mg/L 6-BA对愈伤组织发育和芽梢增殖的效果最佳,增殖系数为2.8;接种在含1.0 mg/L IBA、0.25 mg/L IAA、0.05 mg/L 6-BA的生根培养基,微茎段生根率最高,为65.2%,且苗木生长发育最佳.[结论]以种子为外植体,通过无菌播种、微茎段增殖和生根培养可获得大量优质组培苗,是实现檀香紫檀工厂化育苗的理想途径.     

基于卷积神经网络的农作物病害识别

【目的】农作物生长过程中,作物产量会受到各种病害影响,实现自动精准地识别农作物病害以及病害程度的测定是农作物病害防治的关键。【方法】文章设计了一种基于卷积神经网络的农作物病害的识别方法并建立了农作物病害识别模型,模型利用10种作物中常见的59种病害类型的叶片图像数据集进行训练,并对模型的训练过程和训练结果进行评估。【结果】(1)农作物病害识别模型对59种病害类型的总识别精度达到0.83,部分类别的识别率高于0.9;(2)当训练的迭代次数增加到50轮以上时,农作物病害识别模型的性能不再提升,此时数据集图像的数量对模型性能的影响较大。【结论】实验证明,利用卷积神经网络进行农作物病害识别具有较高的可行性和准确性,为农作物病害的防治打下基础。     

基于卷积神经网络的杂草快速识别研究

图像识别是除草机器人的一项基础关键研究。为了能提高农作物和杂草的识别率以及便于识别物特征的提取,提出了基于卷积神经网络的识别方法。以农田中的杂草和农作物为试验对象设计了网络结构。该网络结构的参数较少,准确率达到了92.08%,且处理每张图片的时间仅为0.82 ms。     

深度卷积神经网络在计算机视觉中的应用研究综述

深度卷积网络这一包括众多隐含层的网络结构发展,具有传统机器应用无法比拟的表达能力与特征学习水平。因此在其应用于深度学习算法训练以来,已经在许多大型的识别研究中赢得了良好荣誉。本文主要研究了深度卷积神经网络在计算机视觉中的主要应用。对深度卷积网络的池化操作、图像分类物体检测工作具体分析,推动深度卷积神经网络在计算机视觉中的应用发展。     

基于卷积神经网络的玉米品种识别

为了解决传统算法中人工提取特征的缺陷,提出了基于卷积神经网络的玉米品种识别算法。以登海518、浚单20和郑单958 3个玉米品种为研究对象,制作数据集并进行分类标签,分别标记为0、1、2。使用Keras学习框架搭建网络模型,包括1个输入层、5个连续的卷积池化结构、3个全连接层和1个输出层。卷积层提取有效的特征信息,结合Leaky ReLU激活函数传递至下一层,输出层采用Softmax函数实现玉米品种的识别。使用完成训练的模型对预测集进行预测。结果表明:登海518、浚单20、郑单958的识别率分别达到100.00%、93.99%、92.49%,平均识别率达到95.49%。     

卷积神经网络在农业遥感图像语义分割中的应用综述

卷积神经网络是一种特殊的人工神经网络,通过卷积核遍历图获取更多的目标特征信息。近年来,遥感技术发展迅速并被广泛应用于土地利用分析、作物分类识别、作物生长监测和病虫害检测,卷积神经网络为提取农业遥感图像的有效信息提供了新方法。卷积神经语义分割网络可根据语义信息对遥感图像像素点进行标注分割,在计算机计算能力逐步提高的前提下,分割网络结构优化,深度加深,分割准确率提高,性能提升。针对实际需要网络侧重于模块化设计改进,在土地利用分析和农作物分类识别应用中,改进的网络分割边缘细化、清晰,且像素准确率较高。在作物生长监测和病虫害识别方面,模块化改进使网络可高效实现分割任务、满足实际需要,卷积神经网络对农业遥感图像信息的语义分割为农业现代化和精细化管理提供了信息支撑。     

基于卷积神经网络的银杏叶片患病程度识别

银杏是我国一种常见的经济林木,对银杏叶病害进行数字化辨识有助于提高银杏种植产业的管理水平,为其病害预警提供可能。以银杏轮纹病为研究对象,采用卷积神经网络为分类算法,对银杏患病程度进行自动辨识。根据银杏轮纹病的叶片特点,设计了18层卷积神经网络,核心功能主要由四个卷积层,四个池化层、两个全连接层提供。经过多次训练与测试,网络对银杏叶片的5种不同患病程度辨识率最低可达92%以上。将设计的卷积神经网络与传统的BP神经网络、Alex-Net网络进行对比实验,结果表明,卷积神经网络在银杏轮纹病患病程度辨识的应用上具有更高的精度。上述结果对于银杏其他病害或其他植物病害辨识应用中具有一定的借鉴意义。     

基于卷积神经网络的玉米叶片疾病识别研究

玉米是我国农业经济发展的重要粮食作物,本文针对玉米叶片图像的病害识别与分类作为切入点,深入研究Inception模型在该领域的应用。针对现有的玉米叶数据集,研究了数据增强的方法,并以此来扩充数据集大小,以解决训练模型带来的泛化性能差等问题,实验证明,通过旋转、翻折、高斯噪声等扩充数据集对提升网络训练效果有积极作用。针对传统Inception模型存在的识别准确率低的问题,引入了卷积注意力机制CBAM以提高模型对重要特征的提取能力,在玉米叶数据集中的实验结果显示,改进后的CBAM-Inception模型相比于基线模型及VGG模型都大有提高,其准确率为96.88%。基于训练的模型参数、结合PyQt5应用程序开发框架完成了自动识别玉米叶疾病的应用程序,可以实现对玉米叶图像疾病识别。     

基于分层卷积神经网络的牧草种子识别模型

针对目前识别牧草种子存在主要依赖于耗时费力的人工种植识别、自动化程度低等问题,本文提出并构建了基于深度学习的多层卷积神经网络禾本科牧草种子分类识别模型.通过改进单层卷积层优化提取牧草种子深度特征,并通过softmax种子分类器对10类禾本科牧草种子进行训练与分类,同时与其他分类识别方法进行比较分析.结果 表明:本模型对...     

一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。     

轻量级卷积神经网络在奶牛体况评分中的应用

为对奶牛体况信息进行高效地实时监测以便满足商业化的需求，提出一种改进轻量级注意力机制网络模型（Shuffle-ECANet）。首先，针对8 972幅含有奶牛尾部的图像样本，通过专家对奶牛体况进行人工评分，并构建数据集；然后以轻量级ShuffleNet-v2 1×网络为基础，在特征提取过程中引入高效的通道注意力模块，强化网络对奶牛体况特征的提取能力。此外，采用H-Swish激活函数，避免神经元坏死现象；最后通过进一步精简网络结构得到Shuffle-ECANet网络模型。结果显示，Shuffle-ECANet模型针对各类别奶牛的识别准确率为97%以上，且在体况评分（body condition scoring，BCS）误差分别为0、≤0.25和≤0.5的体况评价结果中，Shuffle-ECANet模型均优于EfficientNet-v1、MobileNet-v3、ShuffleNet-v2 1×和ResNet34等模型，证明本研究方法的有效性。     

基于并联卷积神经网络的水果品种识别

为了解决传统的水果图像识别算法在特征提取上的缺陷,以及传统卷积神经网络识别率低的问题,设计了一种基于并联卷积神经网络来提取水果特征的识别方法,利用ELU激活函数替代ReLU激活函数,利用最大类间距损失函数结合传统SoftmaxWithLoss损失函数来提高对相似品种的识别准确率。选取Fruit-360数据集中的8个品种,利用边界均衡生成对抗网络(BEGAN)结合传统的数据增强方法生成大量高质量的数据集,并用其进行训练。结果表明,该模型对8个品种的平均识别准确率达98.85%,具有良好的识别效果。     

基于深度卷积神经网络的柑橘黄龙病症状识别

【目的】探究深度学习在柑橘Citrus spp.黄龙病症状识别上的可行性,并评估识别器的识别准确率。【方法】以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材,基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。【结果】M-8-C模型的整体识别表现最优,对所有图像的识别准确率为93.7%,表明构建的神经网络识别器能有效辨别柑橘黄龙病症状;I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上,在田间测试中取得较好的识别表现。【结论】基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。     

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

目的 玉米穗丝是玉米的授粉器官,生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝,提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测,在VGG16-SSD的基础上,用MobileNet替换特征提取器,加入多层特征融合结构,得到MF-SSD网络模型;通过网络优化调整,试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构,优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集,应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验,并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力,提升识别速度。与VGG16-SSD相比,MF-SSD在交并比指标方面的平均精度提高7.2%,对玉米穗丝小目标检测的平均召回率提高19.6%,检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下,MF-SSD-cut-3模型在满足检测效果的前提下,以较小的空间代价获得了相对较短的运行时间;在不考虑空间和时间因素的情况下,MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性;Focal loss有效解决了SSD算法中正负样本数量不平衡问题,使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要,可以用于玉米生长状态的自动监控和产量的精准预测。     

基于深度卷积神经网络的水稻田杂草识别研究

目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验。结果 在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954。在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作。     

基于自注意力卷积网络的遥感图像分类

  目的  遥感图像分类技术在森林资源调查、生态工程规划以及森林病虫害防控等林业监测业务中,扮演着至关重要的角色。通过引入自注意力模块增强卷积网络对遥感图像的特征刻画能力,以期提高遥感图像的分类效果。  方法  该文提出了一种融合自注意力机制和残差卷积网络的遥感图像分类方法,首先利用卷积神经网络提取丰富的深度纹理语义特征,然后在卷积网络的最后3个瓶颈层嵌入多头自注意力模块,挖掘遥感图像复杂的全局结构信息。嵌入自注意力模块的卷积分类网络,能够有效提升遥感图像的分类精确度。该研究使用RSSCN7、EuroSAT与PatternNet 3个公开的遥感图像数据集,基于Pytorch深度学习库训练与测试该方法,并增加与已有分类框架算法精度和性能的对比试验。同时,使用不同批次、不同数量大小的数据训练改进研究提出的方法,并测试分类效果。  结果  试验得出,该研究提出的方法在3个遥感分类数据集上的平均识别率分别达到了91.30%、97.88%和97.37%,其中在前两个数据集上较现有的基于深度卷积网络的算法分别提升了2.26%和3.73%。同时,该算法的总参数量为2.08 × 107,较现有参数量最低的方法减少了5.2 × 106。  结论  相比已有的遥感图像分类框架,该研究提出的方法能够在图形处理器（GPU）加速的环境中,取得更为准确的分类效果。同时有效减少了模型的参数量,提高了算法执行的效率,便于后续的实际应用部署。      

基于贝叶斯优化卷积神经网络的金线莲伪品鉴别

在金线莲粉末中掺入同科台湾银线莲或斑叶兰、血叶兰粉末的现象严重影响了金线莲药材的药效和市场秩序,寻找一种快速有效的方法来鉴别掺假金线莲是亟待解决的问题.针对传统鉴别方法特征提取自适应性的不足以及卷积神经网模型结构复杂、超参数难以调节的难点,本文提出基于一维卷积神经网络的掺假金线莲鉴别模型,并利用贝叶斯优化算法优化卷积神...