河北省农业害虫图像识别系统建设

基于农业技术与信息化技术的不断发展与融合,针对当前河北省农作物害虫识别准确率和效率低等问题,提出了一种基于Asp.NET Core MVC架构的残差神经网络害虫图像识别系统。该系统首先通过移动采集终端和网络图片爬虫收集目标分类图片信息,再使用数据增强技术扩充样本库,得到神经网络训练模型的数据集;然后通过搭建机器学习框架,分别引入ResNet-50、ResNet-101、ResNet-152残差网络模型,对数据集执行训练并验证其准确度;最后将准确度最高的训练结果模型运用至农作物害虫分类服务系统。经验证,该识别模型具有良好的适用性和鲁棒性,可为河北省主要农作物虫害提供识别及诊断功能。     

基于多尺度注意力残差网络的桃树害虫图像识别

自然场景下拍摄的桃树害虫图像,不同种类的害虫个体之间存在尺寸大小差异以及害虫颜色与背景颜色相近的问题,影响害虫图像识别精度。针对以上问题,本文提出了一种基于多尺度注意力残差网络的桃树害虫图像识别模型。首先,将残差网络的第一层普通卷积替换为多尺度卷积,缓解了大卷积核对于小尺寸目标特征的不敏感性,增强多尺度害虫特征提取能力。其次,在残差结构中加入注意力机制选择性内核卷积单元,它通过自适应调整感受野重点提取害虫信息,产生有效感受,抑制背景干扰问题。实验结果表明,本文提出的模型识别准确率为93.27%,取得了较好的识别效果。     

储粮害虫图像识别中的特征压缩研究

为了降低储粮害虫特征空间的维数,并去除粮虫特征之间的信息冗余,需要对特征选择后的特征进行压缩处理。运用基于总体类内离散度矩阵K-L变换的特征压缩和基于距离可分性准则的特征压缩2种压缩方法,分别在累积贡献率为88.11%和99.13%的情况下,将粮虫的10维特征压缩为5维。应用压缩后的5维特征,由基于模糊决策的模糊分类器对粮仓中常见的9类粮虫进行识别分类,识别率分别为93.33%和95.56%。结果证实了基于距离可分性准则的特征压缩更适合于粮虫的特征压缩。     

基于遗传算法和支持向量机的储粮害虫图像识别

建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。     

基于ResNet-50深度卷积网络的果树病害智能诊断模型研究

[目的/意义]果树病害危及农业生产安全,运用人工智能技术帮助果农及时准确地识别果树病害对保障农业安全生产具有重要意义.[方法/过程]采用10 000张果树叶片病斑图像数据集,通过旋转、污化、增噪、切割等图像增强手段,提高样本图像的多样性;使用ResNet-50深度卷积网络模型,进行机器学习,获得果树病害识别模型,并基于...     

印度花生的主要害虫与防治

印度花生的主要害虫与防治●山东省花生研究所张建成花生是印度重要的油料作物。花生栽培面积（８６０万ｈｍ２）占全国油料作物总面积的４５％，总产（７２０万ｔ）占油料作物总产的５５％。花生总产的８１％用来榨油，是印度重要的食用油来源。其总产和面积均居世界首位...     

田间害虫图像识别中的特征提取与分类器设计研究

特征提取和分类器的设计是田间害虫图像识别中的关键环节。针对害虫目标的二值化图像提取出面积、周长、复杂度等7个形态学特征,并进行归一化处理;建立了9种害虫的模板库及隶属度函数,并基于最小最大的原则进行模糊决策分析;对稻纵卷叶螟、棉铃虫等田间危害严重的9种害虫进行识别分类的识别率达86%以上。     

花生种植栽培模式对花生地上害虫发生的影响

花生在我国为主要的油料作物,种植面积更为稳定。随着花生种植模式的多样化发展,推进农业种植以及引进新品种,能够促进种植产量的提升。因此,在本文中,研究花生种植栽培模式对花生地上害虫产生的影响,并为其相关人员提供有效参考。     

花生害虫的综合防治技术

花生害虫种类繁多,发生广泛,为了经济有效地控制害虫危害,必须实施综合防治。花生害虫综合防治的基本策略是以农业防治为基础,充分利用天敌控制害虫,因时、因地、因害虫种类制宜,合理运用农艺的、生物的、物理的、化学的防治措施,尽可能地创造有利于花生生长发育和天敌生物繁殖,而不利于害虫发生的环境条件,把虫害控制在经济允许损失水平以下。     

花生害虫的防治

辽宁各地为害花生的害虫主要有刺吸式害虫蚜虫、食叶性害虫大造桥虫和棉铃虫及地下害虫金龟子等。1.刺吸式害虫防治蚜虫刺吸花生植株的汁液,同时还传播多种病毒病,造成花生叶片卷曲,植株矮小,发育不良,产量大幅下降。     

有机花生田害虫综合防治技术

有机花生在生产和加工中禁止使用化工合成的农药、化肥、激素、抗生素等,有机花生田害虫防治主要以防治蛴螬、地老虎、蚜虫、斜纹夜蛾为主,通过增加有机花生植物营养和培肥措施,提高植株的耐害性,结合诱杀防控技术、生物农药等精准植保技术,科学制定综合防治方案,实施害虫安全控制。     

广东花生主要害虫种类及防治措施

对广东地区花生害虫种类的初步调查结果为:广东花生害虫有6目14科22种,主要危害花生的叶片和根茎部,其中以斜纹夜蛾、花蓟马、花生蚜、小绿叶蝉、铜绿丽金龟等害虫的发生较普遍,危害也较大。对花生害虫的控制首先要注意采取农业措施、物理措施和生物防治等生态控制措施,在爆发或将要爆发时则可采用高效低毒药剂进行应急扑杀。     

花生常见地上害虫的识别与防治

介绍了花生常见地上害虫花生蚜、棉铃虫、斜纹夜蛾的形态特征及为害症状,并从农业防治、物理防治、生物防治及化学防治4个方面总结了这些害虫的防治方法．以期为实际生产提供科学指导。     

基于双线性注意力网络的农业灯诱害虫细粒度图像识别研究

【目的】智能虫情测报灯诱捕到的农业害虫因种类繁多、虫体姿态多样、鳞片脱落等原因造成有些害虫图像存在种间相似和种内差异的现象。为了提高农业灯诱害虫识别率,针对YOLOv4检测模型检测到且容易混淆的19种灯诱害虫,本文提出了基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型。【方法】首先,根据灯诱害虫外观图像的相似性和检测误检的情况,将19种害虫分为6类;将所有害虫图像通过补边操作使得长宽相等,并缩放至统一尺寸224×224像素。为了提高模型的鲁棒性和泛化能力,对害虫图像进行镜像翻转、旋转180度、高斯噪声和均值滤波的数据增强,训练集、验证集和测试集样本量按照8:1:1比例划分。然后,针对6类19种农业灯诱害虫细粒度图像,建立了基于双线性注意力网络的农业灯诱害虫识别模型（bilinear-attention pest net,BAPest-net）,模型包括双线性特征提取、注意力机制和分类识别3个模块;通过修改特征提取模块的下采样方式提高特征提取能力;添加注意力机制模块让整个模型更关注于局部细节的特征,将双线性结构中的上下两个注意力机制的输出进行外积运算增加细粒度特征的权重,提高识别的准确性和学习效率;模型优化器使用随机梯度下降法SGD,分类模块中使用全局平均池化,旨在对整个网络从结构上做正则化防止过拟合。最后,在同一个训练集训练VGG19、Densenet、ResNet50、BCNN和BAPest-net 5个模型,对6类相似的19种农业灯诱害虫进行识别,以精准率、Precision-Recall（PR）曲线和平均识别率作为模型的评价指标。【结果】BAPest-net对6类相似的19种农业灯诱害虫平均识别率最高,达到94.9%;BCNN次之,为90.2%;VGG19模型最低,为82.1%。BAPest-net识别的6类害虫中4类鳞翅目害虫的平均识别率均大于95%,表明该模型能较好地识别出鳞翅目害虫。测试结果中仍存在少数相似度较高的害虫误判,特别当害虫腹部朝上或侧身,种类特征不够明显的时候容易引起相似害虫的误判。对于区分度较低的相似害虫需要更多的训练样本以获取更多的特征,提高模型的识别率和泛化能力。【结论】基于双线性注意力网络的农业灯诱害虫细粒度图像识别模型可以自动识别6类相似的19种农业灯诱害虫,提高了农业灯诱害虫自动识别的准确率。     

基于多特征融合和稀疏表示的农业害虫图像识别方法

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG 融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。     

基于改进Faster-RCNN模型的无人机影像白喉乌头物种的检测

伊犁地区的白喉乌头(Aconitum leucostomum)是危害草原生态和畜牧业安全最为严重的毒害草物种,为了实现精准快速检测白喉乌头,本研究用无人机航拍获取白喉乌头影像数据集,采用深度学习技术,在Faster-RCNN算法基础上,以VGG16为主干网络,根据领域知识和数据集特点优化锚框大小等超参数改善算法性能。通过优化Faster-RCNN的锚框大小和微调学习率后,模型在测试集上取得的平均准确率为67.24%,相对于基准模型提高了21.57%。     

基于机器视觉的花生种子外观品质检测与分类方法研究

[目的]花生种子的有效分类是花生产业中选育良种的重要环节,为降低花生产业对人工的依赖程度,简化选种过程,提出了一种基于机器视觉的花生种子外观品质检测与分类方法.[方法]在相同环境下采集单粒花生种子图像,建立花生种子对象在图像中像素数与其实际质量的回归模型,以花生种子尺寸和外观颜色作为主要特征,采用支持向量机分类模型完成分类任务.[结果]使用该方法完成12个类别的分类,对批量花生种子的分类准确率达86％,符合实际生产中花生种子初步分类要求.[结论]该方法对花生种子图像代表性特征的选择和识别样本的简化使得分类系统更符合实际生产需要,对同品种花生种子的不同品质分类以及不同品种花生种子的直接分类有着积极意义.     

基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数

针对传统机器学习采用人工提取特征方法时,由于人为主观性而影响昆虫识别效果与计数准确性的问题,采用图像特征自动提取方法,将深度学习目标检测模型引入昆虫的识别与计数领域,对Faster-RCNN目标检测模型进行改进:针对昆虫体积小,图像分辨率较低的特点,用网络深度更深,运算量更小的深度残差网络(ResNet50)代替原来的VGG16,以提取更加丰富的特征;针对部分昆虫密集的特点,用Soft-NMS算法代替传统的非极大值抑制(NMS)算法,以减少密集区域的漏检。结果表明:改进后Faster-RCNN模型的检测准确率达到90.7%,较未改进的Faster-RCNN模型提高了4.2%,可以运用于昆虫的分类计数。利用深度学习目标检测模型进行昆虫识别与计数较传统的昆虫识别与计数方法更加方便,能够将昆虫的识别、定位和计数融为一体。