近红外高光谱成像结合特征波长筛选识别小麦赤霉病瘪粒

为实现小麦赤霉病瘪粒快速识别,本研究使用主成分分析(Principal component analysis,PCA)结合最大类间方差法(Otsu)对小麦高光谱图像进行背景分割,以赤霉病瘪粒识别正确率为评价指标,探究判别分析方法与竞争性自适应权重取样法(Competitive adaptive reweighted sampling,CARS)的最佳组合方式.结果显示,基于全谱段构建的偏最小二乘判别分析(Partial least squares discrimination analysis,PLS-DA)和支持向量机判别分析(Sup-port vector machine discriminant analysis,SVM-DA)模型预测精度相同,外部验证集健康籽粒和赤霉病瘪粒识别正确率分别为95.2％和100.0％;基于CARS筛选的8个特征波长构建的CARS-PLS-DA模型外部验证集健康籽粒和赤霉病瘪粒识别正确率均为100.0％,预测精度高于CARS-SVM-DA模型,可有效实现赤霉病瘪粒的快速识别.研究结果将为谷物仓储和加工过程中赤霉病瘪粒高通量快速识别提供理论依据和技术支撑.     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

基于深度卷积神经网络的单向阀泄漏模式识别

以SV10PB1–30B液控单向阀为研究对象,利用传感器采集3种不同泄漏模式下10个阀芯的振动信号,设计深度卷积模型,开展不同测点(单向阀的上表面和阀座)、不同信号特征提取方式(原始信号、特征值、特征图)下的模式识别研究。结果表明：基于轴向冲击信号特征值和深度卷积神经网络的模型能有效识别故障类型,验证集上的识别准确率高达88.293%,是基于特征图的7.79倍,是基于原始时域冲击信号的1.16倍;训练步数以100的较优,同时该模型对正常阀芯和不同损伤阀芯的分类效果明显。     

基于深度卷积神经网络的棉花叶片缺氮诊断

为研究深度学习算法在棉花叶片缺氮水平诊断上的适用性,以智能手机作为图像采集工具,利用图像处理和深度学习技术建立基于棉花叶片图像的缺氮水平分级模型,为智能化诊断棉花叶片缺氮水平的研究提供可行方案。本研究在阴天、晴天2种环境下获取了5种氮素水平的棉花叶片图像,在此基础上选取AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、ResNet-v2以及Inception-v3等卷积网络模型进行比较研究,并提出一种基于恒等映射和深度可分离卷积改进的ResNeXt模型来提升棉花叶片缺氮水平检测的效果。结果表明,与AlexNet、VGGNet、GoogLeNet、MobileNet、ResNeXt、Inception-v3、ResNet-v2等模型相比,本研究提出的Improved-ResNeXt模型在对棉花叶片图像的缺氮水平分级时取得了最佳效果,该模型的识别准确率、平均精确率、Kappa系数分别达到了97%、97%、0.96。使用本研究提出的Improved-ResNeXt模型可以有效地解决棉花叶片的缺氮水平诊断问题,且对阴天、晴天2种光照条件下的棉花叶片数据有良好...     

基于卷积神经网络的竹片颜色分类

竹片颜色分类是提高竹产品表面美观的重要工艺。提出了基于ResNet神经网络模型与AlexNet神经网络模型的竹片颜色分类方法,分别采用ResNet和AlexNet 2种神经网络进行竹片颜色分类,对比ResNet与AlexNet 2种神经网络的颜色分类准确率,并对改进后的ResNet神经网络模型进行了颜色分类验证。结果表明,AlexNet模型的颜色分类准确率为89.7%,优化后ResNet模型的颜色分类准确率为99.9%,颜色分类效果比AlexNet模型好。     

基于高光谱成像和卷积神经网络的‘库尔勒’香梨黑斑病潜育期诊断研究

黑斑病是‘库尔勒’香梨贮藏期的易染病害之一,在潜育期外观无明显变化,很难直接通过肉眼进行准确识别。本研究结合高光谱成像和卷积神经网络（CNN）,实现了‘库尔勒’香梨黑斑病潜育期的识别。获取健康和不同病害程度香梨样品的高光谱图像,提取感兴趣区域内光谱后,利用不同预处理方法对其进行处理,分别基于常规算法（最小二乘-支持向量机、K最邻近法、随机森林）和CNN建立病害识别模型。结果表明,与常规算法建模结果相比,CNN模型的识别效果最优。当卷积层数为3,全连接层数为3,学习率为0.000 5时,CNN模型的识别效果最佳,对样品的总体识别准确率为99.70%,对潜育期样品的识别准确率为99.76%,分别较常规算法提高了12和14个百分点。该结果证实CNN模型能够显著提高对‘库尔勒’香梨黑斑病潜育期识别的准确率,为‘库尔勒’香梨黑斑病的早期诊断防治提供了1种新的方法。     

基于深度卷积神经网络的水稻纹枯病检测识别

纹枯病是水稻的三大病害之一,尤其在中国北方稻区,纹枯病发生逐渐加重、严重威胁到中国的粮食安全,而纹枯病的有效检测是水稻病害预防与控制的首要任务。在实际生产中,农民和从事相关的研究人员通过人工目测来识别水稻纹枯病,但由于光线、杂草、枯叶等外在自然因素和人眼视觉误差等人为因素,导致对水稻的病害等级误判,从而影响对水稻纹枯病的防治,造成环境污染和经济损失,而计算机视觉技术给水稻纹枯病的自动识别检测带来了可能。基于2019年沈阳农业大学北方粳型超级稻成果转化基地的水稻纹枯病图像数据,综合借鉴YOLOv1、YOLOv2和Faster R-CNN算法,设计了一种基于深度卷积神经网络的水稻纹枯病识别模型:YRSNET。该模型具有回归思想的特点,将图像划分为相同大小互不重合的网格,然后通过特征图来预测每个网格区域上的边界框和含有纹枯病病斑的置信度,最终通过非极大值抑制法获得含有纹枯病病斑的最佳边界框位置。试验结果表明:YRSNET对纹枯病病斑识别的平均精度mAP为84.97%、查准率达到为90.21%,对大小为450×800pixel的图像识别所需时间为32.26ms(31帧·s^-1     

一种基于深度卷积神经网络的油菜虫害检测方法

针对目前油菜虫害识别在背景、角度、姿态、光照等方面的鲁棒性问题,提出一种基于深度卷积神经网络的油菜虫害检测方法:首先在卷积神经网络和区域候选网络的基础上,构建油菜虫害检测模型,再在深度学习tensorflow框架上实现模型的检测,最后对比分析结果。油菜虫害检测模型利用VGG16网络提取油菜虫害图像的特征,区域候选网络生成油菜害虫的初步位置候选框,Fast R–CNN实现候选框的分类和定位。结果表明,该方法可实现对蚜虫、菜青虫(幼虫)、菜蝽、跳甲、猿叶甲5种油菜害虫的快速准确检测,平均准确率达94.12%,与RCNN、Fast R–CNN、多特征融合方法、颜色特征提取方法相比,准确率分别提高了28%、23%、12%、2%。     

高光谱遥感影像分类方法综述

该文简述了高光谱遥感影像分类的策略,主要有监督分类与非监督分类,基于分类判据的实现策略划分,硬分类和软分类,基于像素的分类和基于对象的分类,单分类器和多分类器集成。并简单介绍了一些分类方法,包括监督分类法(最小距离分类法、最大似然分类法和平行多面体分类法)、基于光谱相似性度量的分类方法、人工神经网络分类法、支持向量机分类、决策树分类、面向对象分类和非监督分类。     

基于卷积神经网络的农作物病理图像分类算法研究

快速有效检测农作物病理对于农业具有重大的意义,不仅能提高自动化识别病理效率,还可以提高农作物产量.以土豆、番茄等农作物作为病理研究对象,提出一种基于卷积神经网络的农作物病理分类模型MFCPNet.首先构建深度卷积神经网络模型,分别通过卷积层、激活层、池化层全连接层进行组建,然后将提取到的图像病理特征进行多特征融合,从而...     

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。     

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。     

戊唑醇与羟菌唑对小麦赤霉病的田间防效试验

2001~2003年,对不同药剂防治小麦赤霉病的效果进行了田间试验研究。结果表明,接种前2,3 d和接种后2,3,5 d喷施三唑类杀菌剂,与接种未喷药对照相比,戊唑醇可使小麦赤霉病病情指数减少76.47%~78.67%,籽粒中毒素含量减少64.19%~81.39%,增产10.81%~21.15%;羟菌唑可使小麦赤霉病病情指数减少74.64%~82.06%,籽粒中毒素含量减少42.43%~88.01%,增产11.01%~13.35%;大田示范试验中,处理区小麦赤霉病病情指数比对照区平均减少91.92%;对照药剂多菌灵与利德隆对小麦赤霉病也有很好的防治效果。     

基于Caffe卷积神经网络的大豆病害检测系统

以常见的大豆病害图片为样本,研究分析了大豆的叶斑病、花叶病、霜霉病和灰斑病,并利用卷积神经网络技术设计了针对大豆的病害检测系统。通过对病害图片的二值化和轮廓分割等预处理来获得神经网络模型的训练集,并在此基础上对模型进行了多方面的优化,利用Caffe框架对优化后的网络模型进行了识别率等方面的实验验证。此外,为提高模型使用的便捷性,本实验使用了Qt软件为该系统设计了人机交互界面,从而进一步实现了数据可视化。     

基于高光谱成像技术识别水稻纹枯病

【目的】利用高光谱成像技术对水稻纹枯病进行早期的快速无损识别,结合判别分析方法建立相应的鉴别模型。【方法】以健康和感染纹枯病的水稻幼苗为研究对象,采集叶片和冠层各180个样本的380~1 030 nm波段的360条高光谱图像,剔除明显噪声部分后,以440~943 nm波段作为水稻样本的光谱范围,分别用不同的方法预处理获得水稻叶片的光谱曲线。采用偏最小二乘–判别分析(PLS-DA)对不同预处理的光谱建模。采用MNF算法对冠层的原始光谱数据进行特征信息提取,并基于特征信息建立线性判别分析(LDA)模型和误差反向传播神经网络(BPNN)判别模型。【结果】标准正态变量变换(SNV)预处理后建立的PLS-DA模型的预测集判别正确率最高,为92.1%。基于特征信息的LAD和BPNN模型的判别结果优于基于全波段的PLS-DA判别模型。基于最小噪声分离变换特征信息提取的BPNN模型取得了最优效果,建模集和预测集正确率分别达99.1%和98.4%。【结论】采用高光谱成像技术对水稻纹枯病生理特征进行无损鉴别是可行的,本研究为水稻纹枯病的识别提供了一种新方法。     

基于高光谱成像技术的柑橘黄龙病病情诊断及分类

【目的】柑橘黄龙病(Citrus Huanglongbing,HLB)是一种无法根治且易扩散的病害,建立柑橘黄龙病病情诊断及分类的方法,以及时发现并去除病株,防止感染其他果树。【方法】基于高光谱成像技术,利用最小噪声分离变换进行降维去噪、像元纯净指数获取纯净像元并建立训练集,通过Fisher判别法对柑橘黄龙病病情进行鉴别并分类。【结果】通过对训练集设置适当的门限值,柑橘黄龙病病情识别正确率达90%以上。【结论】利用高光谱技术进行柑橘黄龙病病情诊断具有较高的可行性。     

基于深度卷积网络的育肥猪体重估测

为快速、无应激、准确地获取育肥猪体重数据,采用深度卷积网络对育肥猪体重进行了估测.结果表明:1)在改造后的Xception、MobileNetV2、DenseNet201和ResNet152V2 4种模型中,DenseNet201模型体重估测效果最好,在验证集上估测的相关系数为0.993 9,均方根误差为1.85 kg...