基于迁移学习的卷积神经网络玉米病害图像识别

为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在Image Net图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95. 33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。     

基于对抗域适应网络的土壤水分智能识别算法

【目的】使用传统卷积神经网络测量土壤含水率的识别准确率低、泛化性能差。为了满足重大工程扰动下的含水率测量需要,需提出一种适用于不同土壤类型且不受深度制约的探测方法。【方法】笔者搭建了室内实验平台,采集了延安、兰州和蓝田三个地区间隔等级为2%的8类不同土壤水分下的图像,构造了用于神经网络训练和测试的数据集。然后,基于对抗域适应算法（CDAN）,比较了ResNet、MobileNetV2、Xception和ViT四种网络,选取识别准确率最高的模型作为其特征提取器,构建基于对抗域适应的土壤含水率识别模型,对比分析含水率识别模型在不同迁移任务上的识别效果。【结果】域适应模型CDAN的测试准确率明显高于MobileNetV2、Xception和ViT等模型,对不同地区土壤含水率的测试准确率均达到68%以上,最高识别准确率为84.3%。【结论】使用域适应方法具有良好的泛化能力和识别精度,能够为开发土壤地质信息探测机器人的视觉系统提供算法支持。然而,目前的土壤含水率识别算法仅适用于实验室条件下所搭建的土壤含水率数据集,若想实现实际的工程应用,则需要进一步完善土壤含水率图像数据集,使室内搭建的算法实现...     

基于改进多元宇宙算法的番茄病害图像识别

为提高卷积神经网络对番茄病害图像识别的效果,提出改进多元宇宙算法。首先设计、增加虫洞的端口,设置白洞侧的端口数量与黑洞侧的端口数量比值范围,使得宇宙的运动通过虫洞能够多方向进行;接着基于双向运动建立宇宙信息转移模型,宇宙能够正向、逆向进行的信息交流,加快宇宙的进化,使得宇宙都能够获得最优宇宙的信息,非线性调节对宇宙的膨胀率进行修正;然后对番茄病害提取纹理特征、颜色特征和形状特征,对卷积神经网络的激活函数与损失函数设计斯皮尔曼相关系数确定多元宇宙的优化卷积神经网络参数;最后给出算法流程。试验仿真表明：该改进算法对番茄各种病害识别正确率高于其他算法,细菌斑平均值为97.34%,早疫病平均值为97.03%,晚疫病平均值为97.08%,叶霉菌平均值为97.14%,叶斑病平均值为97.12%,蜘蛛螨平均值为97.20%,同时消耗时间小于其他算法。     

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。     

深度学习在农作物病害图像识别中的研究进展

农作物病害识别关乎作物的产量与质量,是智慧农业发展过程中必不可少的重要环节。随着深度学习技术在图像处理领域的飞速发展,利用深度学习从图像中识别出农作物患病类型的方法已逐渐成为主流。主要对基于深度学习的农作物病害识别方法进行综述,简要地介绍深度学习和卷积神经网络,收集一些常用的病害图像公开数据集。根据训练样本采集环境的不同,从实验室和野外两个方面概述近年来基于深度学习病害识别方法的进展,指出每种方法的优势与不足,总结出该研究领域存在数据量不足、任务难度大、深度学习模型网络结构复杂3个主要问题,并在此基础上进行展望,提出建立大规模、多种类、多类型病害数据库和设计高性能的深度学习模型是未来的重要发展方向。     

基于图像处理的小麦病害诊断算法

通过小波变换和纹理矩阵计算,强调了小麦病害部位.由自动阈值处理获得病害部位的二值图像;通过二值图像与原图像的匹配,计算出病害部位的颜色特征值;以待测病害图像与库存病害图像之间颜色特征值差值最小为原则,检索出库存病害图像.算法对小麦病害图像的诊断准确率达90%.     

基于迁移学习和改进残差神经网络的黄瓜叶部病害识别方法

针对在黄瓜叶部病害识别过程中使用传统卷积神经网络存在模型训练时间长、识别准确率低等问题,提出一种迁移学习和改进残差神经网络相结合的方法对黄瓜叶部病害进行识别。首先对数据集图像进行预处理,将数据集划分为训练集和测试集;然后对传统残差神经网络进行改进;最后使用迁移学习的方式对网络模型进行训练。利用该研究方法对不同的黄瓜叶部病害进行识别试验,结果表明该方法具有较高的识别准确率,可为其他作物的识别方法研究提供参考。      

基于CycleGAN-IA方法和M-ConvNext网络的苹果叶片病害图像识别

针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext, M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation, CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达9918%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。     

基于残差网络和小样本学习的鱼图像识别

针对鱼种类多、数据采集难度大,且需要细粒度图像识别等问题,提出了一种基于度量学习的小样本学习方法.采用基于度量学习的小样本学习网络以及ResNet18的残差块结构,提取鱼图像的深层次特征,并将其映射至嵌入空间进而在嵌入空间判断鱼的种类.为了进一步提升识别准确率,利用小样本学习模型在mini-ImageNet数据集进行预...     

基于弹性动量深度学习神经网络的果体病理图像识别

为了实时预警果蔬病害和辅助诊断果蔬疾病,实现无人值守的病虫害智能监控,设计了深度学习神经网络的果蔬果体病理图像识别方法,基于对网络误差的传播分析,提出弹性动量的参数学习方法,以苹果为例进行果体病理图像的识别试验。结果表明,该方法召回率为98.4%;同其他同源更新机制相比,弹性动量方案能显著改善学习网络的果蔬病害识别准确率;其收敛曲线平滑,5 h时耗能实现收敛,对不同数据集也有良好泛化性能。     

小麦病害图像识别处理及形状特征提取研究

以小麦条锈病为例,研究小麦病害部位的图像获取、处理和特征提取。通过图像灰度映射和反映射变换、非线性直方图均衡处理等方法进行病害图像噪声去除和图像优化;采用迭代阀值分割和微分边缘检测提取小麦病斑部位的形状特征,为农业作物病害诊断信息特征数据库的建立提供基础数据。     

基于RSTCNN的小麦叶片病害严重度估计

以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病...     

基于粗糙集和神经网络在小麦病害诊断中的应用

针对小麦病害诊断过程的复杂性以及处理信息的不确定性,综合了粗糙集理论与BP神经网络的各自优势,构建了小麦病害诊断模型。首先是对连续的样本数据进行离散化,主要采用差别矩阵计算方法进行启发式知识约简,得到最小简化规则,然后把约简结果作为BP神经网络的输入结点。实验结果表明,采用该方法不仅优化了神经网络的拓扑结构,还降低了神经网络的训练时间,同时大大提高了学习速度和故障诊断的准确率。     

基于深度学习的植物病虫害图像识别

植物病虫害的识别是对植物保护和利用的基础,随着计算机图像识别技术的发展,利用计算机图像处理技术获取植物病虫害信息可以大大提高植物病虫害的识别效率。选择SVM工具箱和Matlab的图形用户界面工具箱GUI设计开发了苜蓿植物病虫害识别系统,构建了自然环境下图像数据库和特定环境图像数据库,为今后的植物病虫害图像识别技术的发展奠定了基础。      

基于深度学习的水果图像识别系统

随着模式识别领域不断的发展,图像识别作为该领域中的典型应用,受到了众多学者的关注,尤其是在图像快速识别方面。对此,该文将从深度学习的概述入手,选择卷积神经网络算法应用于水果图像识别中。通过对卷积神经网络算法的网络结构以及卷积神经网络训练过程的详细分析,采用卷积神经网络架构设计、分类器设计建构了基于卷积神经网络的水果图像识别系统。并将识别结果与传统水果图像识别结果进行对比验证,为水果图像识别领域提供参考。      

小麦叶部病害彩色图像特征提取研究

针对小麦叶部病害智能识别系统,提出了基于颜色、纹理和形状特征的特征提取方法。首先,针对RGB和HIS颜色空间,定义这两种颜色空间的转换公式,并提取14个颜色特征;其次,利用灰度共生矩阵方法得到16个纹理特征;再次,借助于不变距理论获取13个形状特征;最后,以4种小麦叶部病害为研究对象进行试验。结果表明:本文提出的特征提取方法,系统识别率较高,符合实际应用的要求。     

基于卷积神经网络的番茄主要病害识别方法研究

传统的番茄叶片病害识别周期长、准确率较低,依赖于人工设计特征。基于此,课题组现提出一种基于深度残差网络的番茄叶片病害识别网络,该网络基于ResNet101网络,将Plant Village数据集在ResNet101网络中训练好的参数进行迁移以完成构建,通过观察精准率、召回率和混淆矩阵等模型的评价标准可以看出,课题组提出的网络相对于参照模型,在番茄叶片病害识别方面综合平均识别率更高、收敛速度更快,具有更好的鲁棒性和泛化能力。研究结果表明,该网络能更好地平衡识别准确率和网络轻量高效的需求,模型的平均识别准确率高达99.89%,具有良好的应用前景,初步满足了番茄病害识别的生产要求。     

基于动态集成的黄瓜叶部病害识别方法

对作物病害类型的准确识别是病害防治的前提。为提高病害识别的准确度,以黄瓜叶部病害识别为例,提出一种基于动态集成的作物叶部病害种类的识别方法。首先利用图像分块策略提取病害图像的75维颜色统计特征,然后采用不一致度量方法对构建的10个BP神经网络单分类器进行差异性度量,并按照差异性大小进行排序,最后根据分类器的可信度,动态选择差异性大的分类器子集对病害图像进行集成识别。在由512幅白粉病、霜霉病、灰霉病和正常叶片4类黄瓜叶片组织图像构成的测试集上,所提方法的识别错误率为3.32%,分别比BP神经网络、SVM、Bagging、Ada Boost算法降低了1.37个百分点、1.56个百分点、1.76个百分点、0.78个百分点。试验结果表明:所提方法能够实现黄瓜叶部病害种类的准确识别,可为其它作物病害的识别提供借鉴。     

基于神经网络的实蝇成虫图像识别算法

为了实现从图像中快速、准确地识别双翅目果实蝇害虫,本文提出一种基于神经网络学习模型的识别算法。该算法首先采用Hough变换对实蝇样本图像的双翅边缘进行直线检测,使图像中实蝇旋转为躯体朝上形态,同时限定条纹所在的有效区域。结合HSV色彩空间锁定胸背板上的条纹区,对该区域进一步处理,根据中心条纹形状特征的描述方法,提取出形状特征参数,定义4种实蝇形态特征向量。采集90幅实蝇图像中各目标的4种特征因子,建立BP神经网络对数据集进行训练,从而得到用于实蝇分类的神经网络模型参数。试验结果表明,该方法对双翅目实蝇成虫的识别效果具有较好的准确性和实时性,对橘小实蝇、南瓜实蝇和瓜实蝇的识别准确率分别为95.45%、93.33%和97.83%,总体准确率为95.56%,单次识别平均耗时500ms。     

基于边缘智能的茶叶病害识别

为实现在资源有限的边缘设备上自动识别茶叶病害,提出基于边缘智能的深度学习模型部署方法。首先使用自动化模型剪枝(AMC)算法在PlantVillage数据集上对MobileNetV2进行模型剪枝,然后使用剪枝率为90%时生成的模型AMC-MobileNetV2在自建茶叶病害数据集上进行迁移学习训练,最后将获得的茶叶病害识别模型部署在边缘设备上。试验结果表明,AMC-MobileNetV2与MobileNetV2相比,在模型参数量减少94.5%、存储体积减小93.4%的情况下,提高模型在资源有限边缘设备上的识别速度,对8种茶叶病害识别平均准确率高达97.42%。研究结果可应用于茶园病害防治机器人。