基于渐进式生成对抗网络的农作物病虫害细粒度分类

随着深度学习应用的普及和飞速发展,基于深度学习的图像识别方法广泛应用于农作物病虫害领域,但大部分的神经网络重视识别准确率的提高,却忽略神经网络庞大的参数计算量。为解决这个问题,基于渐进式生成对抗网络判别器模型和卷积注意力模块,提出一种改进的渐进式生成对抗网络判别器CPDM网络模型对农作物病虫害进行识别。通过对渐进式生成对抗网络判别器网络结构的调整,采用均衡学习率、像素级特征向量归一化和卷积注意力模块增强CPDM网络模型的特征提取能力,提高对真实图片的识别准确率。试验在PlantVillage数据集上进行,将该模型与VGG16、VGG19和ResNet18进行比较,得到TOP-1准确率分别为99.06%、96.50%、96.65%、98.86%,分别提高2.56%、2.41%、0.2%,且参数量仅为8.2 M。试验证明提出的CPDM网络模型满足在保证分类准确率的基础上,有效控制神经网络参数计算量的目的。     

面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型

卷积神经网络（CNN）的发展带来了大量的网络参数和庞大的模型体积，极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上，研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型，再将该模型中的知识通过蒸馏的方法迁移到MobileNet，从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试，结果表明，当VGG16作为教师模型时，模型准确率提升了97.54%；使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估，经测试，模型的平均准确率达到了97.62%，平均识别时间缩短至0.218 s，仅占VGG16模型的13.20%，模型大小压缩仅为19.83 MB，相比于VGG16缩小了93.60%，使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高，为内存和计算资源受限设备上的病害识别提供了新的思路。     

基于二值化卷积神经网络的农业病虫害识别

卷积神经网络的使用提高物体识别的准确率,但还是存在运行时间长、参数量较大的问题。针对这些问题提出使用二值化卷积神经网络模型对植物病虫害进行识别。试验中以VGG16模型为基准,采用深度网络模型对植物病虫害进行分类,相比于传统植物分类方法有效提高准确率;以符号函数和尺度因子α代替浮点型权值参数,将权值二值化以提高模型的计算速度;采用了PlantVillage数据集共54 306张图片,并且设置不同比例、环境下的数据集用以排除固有偏差对实验的影响,并且对原数据集进行图片扩充以消除样本分布不均的情况。试验表明二值化模型达到原模型近两倍的计算速度,且在分割数据集下测试平均识别准确率能达到96.8%。     

基于迁移学习的花类图像分类方法研究

传统的花类识别方法和普通卷积神经网络模型无法对花类图像进行准确的特征提取,花类之间较高的相似性使得分类识别较难。针对以上问题,为提高图像识别率,提出一种基于VGG16网络的迁移学习方法,对花卉图像进行分类。首先对花卉图像进行数据加强,然后对数据集预训练模型进行迁移学习,修改全连接分类层,最后对优化器与激活函数进行微调,得出分类结果。实验表明：该模型在花类分类识别中比传统方法和普通卷积神经网络模型得出的准确率高,迁移后准确率达到89.10%。     

基于迁移学习的苹果树叶片病虫害识别方法研究*

为实现苹果树叶片病虫害快速且准确地识别与分类,研究基于迁移学习的多种神经网络模型,对比不同模型在苹果树叶片病虫害识别上的准确度。构建VGG16,ResNet50,Inception V3三种神经网络模型,利用从PlantVillage上获取的4种不同的苹果树叶片图片,分别为苹果黑星病叶片,苹果黑腐病叶片,苹果锈病叶片以及健康苹果叶片。按照8∶1∶1的比例将图片分为训练集,测试集和验证集对模型进行训练。在相同的试验条件下对比分析VGG16,ResNet50和Inception V3的试验结果。三种模型在使用迁移学习技术的情况下对苹果树叶片病虫害识别准确率分别达到97.67%,95.34%和100%。与不使用迁移学习的模型相比,使用迁移学习能够明显提升模型的收敛速度以及准确率,为常见的苹果树病虫害识别提供了新的方法。     

基于FTVGG16卷积神经网络的鱼类识别方法

针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用Image Net大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batch normalization,BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning VGG16 convolutional neural network,FTVGG16)。测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97. 66%,对部分鱼的平均识别准确率达到了99. 43%。     

基于Shuffle-Net的发芽马铃薯无损检测方法

针对发芽马铃薯在线检测需求,提出使用轻量级卷积神经网络对发芽薯进行检测。首先将获取的马铃薯样本基于分级线进行图像采集,经过数据增强扩充样本。搭建Shuffle-Net轻量级卷积神经网络,对比了不同学习率与学习率衰减策略对模型的影响。试验发现,当学习率为0.001,衰减策略为W-EP时表现最佳,发芽薯与健康薯的总体识别准确率为97.8%,单个样本识别时间为0.14s,模型内存占用量为5.2MB。对实验结果进行评价,查准率为98.0%,查全率为97.1%,特异性为98.4%,调和均值为97.5%。选择VGG11、Alex-Net、Res-Net101模型与本文模型进行对比,发现本文模型识别准确率较VGG11与Alex-Net有大幅度提升,单个样本识别速度较Res-Net101提高5倍、较VGG11提高近7倍,模型体量较VGG11、Alex-Net、Res-Net101大幅度减少。将模型内部卷积进行了可视化分析并对结果进行了误判分析,发现当芽体颜色暗、较短且处于薯体边缘的情况下,会造成误判。由此可得本实验模型实现了发芽薯准确、有效的识别,同时还具有识别速度快、体量小、移植性强的优点,可为农产品外部无损检测分级提供理论支撑。     

基于CNN的玉米种子内部裂纹图像检测系统

为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。     

基于全卷积神经网络的林区航拍图像虫害区域识别方法

针对航拍林区虫害图像的虫害区域不规则和传统识别方法泛化能力差的问题,提出一种基于全卷积神经网络(Fully convolution networks,FCN)的虫害区域识别方法。采用八旋翼无人机航拍虫害林区、获取林区虫害图像,并对虫害区域进行像素级标注,用于模型训练;将VGG16模型的全连接层替换为卷积层,并通过上采样实现端到端的学习;使用预训练的卷积层参数,提升模型收敛速度;采用跳跃结构融合多种特征信息,有效提升识别精度,并通过该方法构造了5种全卷积神经网络。试验表明,针对林区航拍虫害图像,FCN-2s在5种全卷积神经网络中区域识别精度最高,其像素准确率为97. 86%,平均交并比为79. 49%,单幅分割时间为4. 31 s。该方法与K-means、脉冲耦合神经网络、复合梯度分水岭算法相比,像素准确率分别高出44. 93、20. 73、6. 04个百分点,平均交并比分别高出50. 19、35. 67、18. 86个百分点,单幅分割时间分别缩短47. 54、19. 70、11. 39 s,可以实现林区航拍图像的虫害区域快速准确识别,为林业虫害监测和防治提供参考。     

基于Opt-MobileNetV3的大豆种子异常籽粒识别研究

针对大豆异常籽粒识别模型参数量过大、计算成本高、准确率较低等问题,提出了一种改进的轻量级神经网络MobileNetV3模型,将其层数减少,加快模型的训练和推理速度,增加全连接层和Softmax层以增加模型的非线性判别能力以及利于多分类任务的输出,使用全局平均池化代替全局最大池化减少信息丢失,通过添加Dropout层以及去掉MobileNetV3中SE Block注意力机制来增加模型的泛化能力。试验结果表明：将大豆籽粒图像数据经过传统的卷积神经网络AlexNet、VGG16与轻量级神经网络MobilenetV3训练测试结果进行对比,AlexNet算法最终平均精度均值(Mean average precision, mAP)为87.3%、VGG16算法为87.7%,二者mAP相差较小,但两者在训练过程中模型内存占用量及训练时间相差较大,其中AlexNet模型内存占用量为7 070 kB,训练时间为5 420.59 s,而VGG16模型内存占用量为19 674 kB,训练时间为8 282.68 s,整体来看AlexNet相对更好。通过对轻量级神经网络MobileNetV3模型的识别训练,最终...     

基于改进ResNet的植物叶片病虫害识别

轻量化植物叶片病虫害识别算法设计是实现移动端植物叶片病虫害识别的关键。研究提出一种基于改进ResNet模型的轻量化植物叶片病虫害识别算法Simplify ResNet。以人工采集图像和PlantVillage数据集图像为实验数据,根据移动端植物病虫害识别对准确率、速度和模型大小的实际需求,改进ResNet模型。使用5×5卷积替代7×7卷积,采用残差块的瓶颈结构代替捷径结构,采用模型剪枝处理训练后的模型。通过测试集5 786幅图像测试Simplify ResNet模型,证明5×5卷积和残差块的瓶颈结构可有效降低模型参数量,模型剪枝可有效降低训练后的模型大小。Simplify ResNet模型对测试集图像的识别准确率为92.45%,识别时间为48 ms,内存大小为36.14 Mb。与LeNet、AlexNet和MobileNet等模型相比,其准确率分别高18.3%,7.45%和1.2%。为移动端植物病虫害识别解决最重要的算法设计问题,为移动端植物病虫害识别做出有益探索。     

计算机视觉下的农作物病虫害图像识别研究

本文针对农作物病虫害图像识别需求,探索了基于数据增广技术的深度卷积神经网络迁移学习方法及识别模型,将原始样本量扩增至50倍,并通过抑制模型过拟合,从而提升模型的泛化能力和农作物病虫害识别的准确率.同时基于边缘计算理论方法与技术,将识别模型部署到边缘端,设计了基于计算机视觉与边缘计算的智能识别装置,通过该装置实时采集农作...     

基于ResNet-CA的鱼群饱腹程度识别方法

投喂作为水产养殖过程中的一个关键环节,饵料的投喂量直接影响水产品的质量和养殖成本。然而,目前的投喂方法包括人工投喂和机器定时定量投喂,大多依靠人工经验,很难实现精准投喂。本文基于改进的ResNet34识别鱼群不同的饱腹程度。根据鱼群在不同饱腹阶段表现的摄食行为创建了含有5种不同饱腹程度的数据集,并采用数据增强操作对图像进行预处理。其次在原始模型ResNet34的基础上,本文提出使用坐标注意力机制,使模型在对图像进行特征提取的过程中能够做到专注于更大区域范围。并且使用深度可分离卷积的方式来代替传统卷积,减少模型参数量。为了评估改进的有效性,分析了改进后的模型在鱼群饱腹程度数据集上的性能,并将其与原模型ResNet34、AlexNet、VGG16、MobileNet-v2、GoogLeNet等经典卷积神经网络架构进行比较。综合实验结果表明,该模型相较于原模型参数量减少46.7%,准确率达到93.4%,相较于原模型提升3.4个百分点,同时改进后的模型在准确率、精确度、召回率等方面也都优于其他卷积神经网络。综上所述,本模型实现了性能与参数量之间的良好平衡,为后续模型在实际养殖环境中的部署并指导养殖户改善和制定投喂策略提供了可能。     

基于改进VGG16的大米加工精度分级方法研究

为了准确识别大米精度等级,结合超列技术（Hyper column technology,HCT）、最大相关-最小冗余（Max-relevance and min-redundancy,MRMR）特征选择算法和极限学习机（Extreme learning machine,ELM）,提出了基于改进VGG16卷积神经网络的大米分级检测方法。首先,使用机器学习中的OneHot格式进行编码,对数据进行归一化;然后采用VGG16卷积神经网络结合HCT技术作为特征提取器,从而保证从不同的深层结构中提取出局部鉴别特征,共提取5248个大米特征信息;采用MRMR特征选择算法剔除大量冗余的大米图像特征,筛选出最有效的500个特征;最后,利用ELM技术进行大米加工精度分级。将5848个样本图像按6∶3∶1的比例随机分为训练集、测试集与验证集,对模型进行训练与测试,结果表明,基于改进VGG16卷积神经网络的大米加工精度分级模型对1755个测试集大米样本分类的总体准确率达到97.32%,对大米加工精度的分级预测速度在85t/h以上,基本满足大米生产线的分级要求。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于迁移学习的农作物病虫害检测方法研究与应用

为了提高农作物病虫害严重程度（健康、一般、严重）的分类效果,采用迁移学习方式并结合深度学习提出了一种基于残差网络（ResNet 50）的CDCNNv2算法。通过对10类作物的3万多幅病虫害图像进行训练,获得了病虫害严重程度分类模型,其识别准确率可达91.51%。为了验证CDCNNv2模型的鲁棒性,分别与使用迁移学习的ResNet 50、Xception、VGG16、VGG19、DenseNet 121模型进行对比试验,结果表明,CDCNNv2模型比其他模型的平均精度提升了2.78~10.93个百分点,具有更高的分类精度,病虫害严重程度识别的鲁棒性增强。基于该算法所训练的模型,结合Android技术开发了一款实时在线农作物病虫害等级识别APP,通过拍摄农作物叶片病虫害区域图像,能够在0.1~0.5s之内获取识别结果（物种-病害种类-严重程度）及防治建议。     

基于注意力机制与EfficientNet的轻量化水稻病害识别方法

为实现水稻病害图像的快速、准确识别,提出一种基于注意力机制与EfficientNet的轻量化水稻病害识别方法。该方法首先引入轻量级卷积注意力模块(Convolutional Block Attention Module, CBAM)改进Efficientnet-B0中的主体模块轻量翻转瓶颈卷积核(Mobile Inverted Bottleneck Convolution, MBConv),然后利用Ghost模块优化网络中的卷积层,降低网络的参数量和计算量,最后使用Adam优化算法提高网络的收敛速度。在由572幅水稻白叶枯病、稻粒黑粉病、稻曲病、稻胡麻斑病和健康叶片5类水稻图像构成的测试集上,本文所提方法的识别准确率为95.63%,较EfficientNet-B0提高1.75%;分别比同类经典神经网络VGG16、Inception-V3、ResNet101和DenseNet201提高8.39%、4.72%、3.67%和1.05%。本文所提方法模型参数量为4.4 M,较EfficientNet-B0减少2.8 M;相比于对照网络,其参数量仅是这些网络模型参数量的9.05%、18.37%、...     

基于改进ShuffleNetV2模型的荔枝病虫害识别方法

为更好地助力荔枝病虫害防治工作,推进荔枝产业健康发展,本文以所收集的荔枝病虫害图像数据集为研究对象,基于轻量型卷积神经网络ShuffleNetV2模型,提出一个高精度、稳定且适用于荔枝病虫害的识别模型SHTNet。首先,在ShuffleNetV2模型中引入注意力机制SimAM,不额外增加网络参数的同时,增强重要特征的有效提取,强化荔枝病虫害特征并抑制背景特征。其次,在保证模型识别精度的同时,采用激活函数Hardswish减少网络模型参数量,使网络更加轻量化。最后,在改进模型上采用迁移学习方法,将源数据（Mini-ImageNet数据集）学习到的知识迁移到目标数据（数据增强后的荔枝病虫害图像数据集）,增强模型识别不同的荔枝病虫害种类的适应性。实验结果表明,与原始ShuffleNetV2模型相比,本文提出的荔枝病虫害识别模型SHTNet的准确率达到84.9%,提高8.8个百分点;精确率达到78.1%,提高9个百分点;召回率达到73.2%,提高8.8个百分点;F1值达到75.8%,提高10.2个百分点;且综合性能明显优于ResNet34、ResNeXt50和MobileNetV3-large模型。本文提出的荔枝病虫害识别模型具有较高的识别精度和较强的泛化能力,为荔枝病虫害实时在线识别奠定了技术基础。     

基于卷积神经网络的蓖麻种子损伤分类研究

不同形式的机械损伤对蓖麻种子发芽生长和榨油后的蓖麻油质量影响不同,因此对产生机械损伤的蓖麻种子进行识别分类非常重要。提出了基于卷积神经网络的蓖麻种子损伤分类算法。以种壳缺失、裂纹和完整蓖麻种子（无损伤）的分类为例,构建了蓖麻种子训练集和测试集,搭建2个卷积层（每个卷积层8个卷积核）、2个池化层和1个全连接层（128个节点）,实现分类。为提高分类的准确性和实时性,调整网络结构以及优化批量尺寸参数,得到较优的网络结构和批量尺寸;利用上下左右翻转扩充样本,改变优化器、学习率以及正则化系数对该网络进行组合试验,获得准确率及效率较优的组合。通过Dropout优化减小卷积神经网络模型的过拟合。试验结果表明：卷积层为5层、池化层为5层、批量尺寸为32时,该网络模型平均测试准确率为92.52%。在组合试验中,Sgdm优化器更新网络可以提高网络的分类性能;数据扩增可以增加样本的多样性,减小过拟合现象;通过Dropout优化卷积神经网络模型的过拟合;选择学习率为0.01,正则化系数为0.0005时,模型分类准确率达到94.82%,其中种壳缺失蓖麻种子准确率为95.60%,裂纹蓖麻种子准确率为93.33%,完整蓖麻种子准确率为95.51%,平均检测单粒蓖麻种子的时间为0.1435s。最后,开发蓖麻种子损伤分类系统,验证结果为：种壳缺失蓖麻种子的准确率为96.67%,裂纹蓖麻种子的准确率为80.00%,完整蓖麻种子的准确率为86.67%。该卷积神经网络模型在损伤蓖麻种子分类时具有较高的识别准确率,可在蓖麻种子在线实时分类的检测系统中应用。