基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块（Mixed attention module,MAM）,提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。     

基于改进YOLOv7的水稻害虫识别方法

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2 帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。     

基于注意力机制改进卷积神经网络的柑橘病虫害识别

柑橘是我国种植面积最大、产量最高的水果作物,对我国的经济发展具有重要作用。柑橘病虫害侵染是导致柑橘产量及品质下降的重要原因之一,高效、准确的柑橘检测技术对柑橘产业的发展具有重要意义。因此,本研究提出一种基于注意力机制改进卷积神经网络的柑橘病虫害识别算法,以多尺度特征提取网络Inception v3为基础,在Inception结构间加入CBAM注意力机制,构建基于注意力机制的多尺度特征提取网络;然后融合残差注意力网络,提升模型的整体性能,以实现对柑橘病虫害的精准识别。试验结果表明,基于注意力机制改进卷积神经网络的柑橘病虫害识别算法从通道和空间维度提高了对输入有效特征的关注度,在融合残差注意力网络后,提高了模型的整体性能,实现对5种柑橘叶片(溃疡病、潜叶蛾、黑点病、红蜘蛛和健康叶片)的识别准确率达到98.49%,比基础模型提高4.02百分点,说明本研究提出的方法对柑橘病虫害的识别效果较好。最后将模型进行部署,设计柑橘病虫害识别系统,实现基于移动端的柑橘病虫害智能检测,为相关研究提供参考。     

基于改进YOLOX-Nano算法的柑橘梢期长势智能识别

【目的】采用机器视觉技术开展柑橘梢期的智能感知技术研究,以解决背景与目标颜色相似造成识别精度低的问题,实现柑橘梢期自动监测,探索算法的改进方法。【方法】根据不同卷积层提取特征的特点与不同注意力机制的作用,提出了一种基于多注意力机制改进的YOLOX-Nano智能识别模型,建立多元化果园数据集并进行预训练。【结果】改进的YOLOX-Nano算法使用果园数据集作为预训练数据集后,各类别平均精度的平均值(Mean average precision, mAP)达到88.07%。与YOLOV4-Lite系列模型相比,本文提出的改进模型在使用较少的参数和计算量的情况下,识别精度有显著的提升,mAP分别比YOLOV4-MobileNetV3和YOLOV4-GhostNet提升6.58%和6.03%。【结论】改进后的模型在果园监测终端的轻量化部署方面更具有优势,为农情实时感知和智能监测提供了可行的数据和技术解决方案。     

基于YOLO v5的水稻害虫分类

针对水稻害虫识别过程中存在的检测难度大、模型精度低、计算量大等问题,以稻纵卷叶螟等14类水稻害虫为研究对象,改进了YOLO v5检测算法,引入高效通道注意力机制(efficient channel attention, ECA)与EIoU(efficient-IoU)损失函数,并结合Ghost卷积,提出了一种基于改进的YOLO v5水稻害虫识别方法：(1)通过引入ECA注意力机制实现对水稻害虫识别过程中重要信息的处理,采用跨通道信息交互,保证模型性能和降低复杂度;(2)引入EIoU损失函数代替CIoU(complete-IoU)损失函数,从而降低原有CIoU损失函数存在的回归精度问题;(3)利用Ghost卷积替换CBS模块及C3模块中的标准卷积,实现模型轻量化处理。结果表明,改进后的模型较原始YOLO v5模型精度略微提升,参数量减少,模型体积降低至7.38 MB,较原模型减少了46%,与YOLO v7、Faster-RCNN模型相比,mAP比YOLO v7高1.49百分点,比Faster-RCNN高12.89百分点,且本研究模型体积最小,检测速度满足实时性要求,使水稻害虫检测识别能够...     

基于YOLOv5改进模型的柑橘果实识别方法

为实现在自然环境下对柑橘果实的识别,提出一种基于YOLOv5改进模型的柑橘识别方法。通过引入CBAM(convolutional block attention module,卷积注意力模块)注意力机制模块来提高网络的特征提取能力,改善遮挡目标与小目标的漏检问题;采用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数,提高边界框定位精度。结果显示：本研究提出的模型平均精度AP值达到91.3%,在GPU上对单张柑橘果实图像的检测时间为16.7 ms,模型占用内存为14.5 Mb。结果表明,本研究基于YOLOv5的改进算法可实现在自然环境下快速准确地识别柑橘果实,满足实时目标检测的实际应用需求。     

基于YOLOX改进模型的茶叶嫩芽识别方法

【目的】改善茶叶嫩芽识别困难的问题,提高模型的识别准确率。茶叶嫩芽的识别是实现茶叶自动化采摘的核心技术之一,而茶叶嫩芽生长的姿态以及采集图像时的拍摄角度等条件都会对茶叶嫩芽的识别带来困难,造成识别准确率低的问题。【方法】提出一种改进的YOLOX茶叶嫩芽检测算法SS-YOLOX,该方法能准确地对一芽一叶、一芽二叶等茶叶嫩芽进行识别、分类。该方法通过添加注意力模块（Squeeze and excitation,SE）提高模型的特征提取能力,改善小目标漏检问题、引入Soft NMS算法改善检测框重叠度较高时的打分机制,提高模型对不同场景下嫩芽的识别能力。【结果】消融试验表明,引入Soft-NMS算法、SE模块均能提高YOLOX模型模型的检测精度,以引入SE模块提升较为明显。通过不同嫩芽图像对比验证算法的可行性和准确性,SS-YOLOX模型的均值平均精度mAP比原YOLOX模型提高2.2%,达到86.3%,表明经过改进后,模型的识别能力得到提升。在目标嫩芽数量较多的情况下,SS-YOLOX模型能有效地降低漏检率和错检率。【结论】SS-YOLOX模型能准确识别茶叶嫩芽,且识别效果更好,可为茶叶智...     

基于改进YOLOv4的林业害虫检测

为了提高林业害虫检测的准确性,提出一种基于YOLOv4的改进算法。首先,基于智能害虫捕捉装置拍摄的图像,制作害虫数据集,采用K-means算法对样本数据集的目标框进行聚类分析,基于DIoU-NMS算法实现对害虫的计数功能;然后,在模型的路径聚合网络（PANet）结构上增加特征融合和104×104层级特征检测图,以提升对小个体害虫的识别率;最后,根据模型检测效率和复杂度,调整模型中的尺度特征图组合,在保证检测准确度的基础上,提升检测效率,并精简模型。试验结果表明,改进的YOLOv4模型的平均识别精度比传统YOLOv4模型提高了1.6百分点,且对于小个体害虫的识别效果更好,模型复杂度和模型参数量分别减少了11.9%、33.2%,检测速度提升了11.1%,更适于应用部署。     

深度学习在小麦害虫分类研究中的应用

【目的】基于深度学习的小麦害虫高效识别方法有助于害虫的及时防控,极大程度地保障粮食质量安全。【方法】首先,在IP102小麦害虫数据集的基础上,提出结合增广和Real-ESRGAN超分辨率增强的技术方案,重新制作了高质量小麦害虫数据集：IP-AugESRWheat,有效突破了小麦害虫数据集面临的类别不平衡、规模小、分辨率低的局限。其次,提出轻量高效的ECA-EffV2模型,增强模型对小麦害虫的特征提取能力。【结果】改进前的准确率为72.5%,参数量为21.46 M,改进后准确率达到94.8%,参数量降到17.76 M。【结论】提出的协同增广增强的技术策略及高效轻量的模型为小麦害虫图像识别任务提供了有效的技术方法和数据支撑,对可持续小麦生产和农业生态发展具有重要价值。     

基于性能改善深度信念网络的棉花病虫害预测方法

针对与棉花病虫害发生相关的环境信息数据具有大容量、多样性的特点,提出一种基于环境信息和改进深度信念网络(MDBN)相结合的棉花病虫害预测模型。该模型由3层限制玻尔兹曼机(RBM)网络和1个BP网络组成。利用MDBN提取与病虫害发生相关的特征变量,并利用BP神经网络进行病虫害预测。该方法的特点是将自适应学习率引入到DBN的无监督预训练阶段,并从训练数据批次的选择、参数调优的迭代周期以及在线学习训练等多个方面对MDBN的性能进行优化和改善,从而能够利用MDBN充分挖掘数据集中病虫害预测的特征向量,提高网络的预测精度。对实际棉花病虫害的预测结果表明,MDBN比传统预测模型具有更高的预测精度,是一种有效的农作物病虫害预测方法。     

基于卷积块注意力胶囊网络的小样本水稻害虫识别

针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了 一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法.采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和...     

融合注意力机制的Cascade R-CNN田间害虫检测方法

为解决测报灯采集图像中害虫依赖人工识别及统计结果可靠性低和准确性差的问题,本研究提出一种改进型Cascade R-CNN田间害虫检测算法。该算法以Cascade R-CNN为基础框架,采用ResNeSt-50作为主干网络,融合了跨通道注意力机制;使用统一目标检测头（unifying object detection heads with attentions,DyHead）,并融合尺度感知、空间位置感知和任务感知。此外,采用简单复制-粘贴（simple copy-paste,SCP）方法进行了数据增强。研究共采集到20类害虫总计1 500张图像,制作了符合MS COCO格式（microsoft common objects in context 2017, MS COCO 2017）的测报灯田间害虫数据集。结果显示,本研究提出的方法的F1分数（F1-score）达到了86.2%。当交并比（intersection over union,IoU）为0.5时,其F1-分数与经典Cascade R-CNN、Faster R-CNN和YOLOv4相比,分别提升了2.8、5.8和8.2个百分点。...     

基于CNN-Transformer的视觉缺陷柑橘分选方法

针对产线分拣缺陷柑橘费时费力等问题,以柑橘加工生产线输送机上随机旋转的柑橘果实为研究对象,开发了一种基于卷积神经网络（CNN）的检测算法Mobile-citrus,用于检测和暂时分类缺陷果实,并采用Tracker-citrus跟踪算法来记录其路径上的分类信息,通过跟踪的历史信息识别柑橘的真实类别。结果显示,跟踪精度达到98.4%,分类精度达到92.8%。同时还应用基于Transformer的轨迹预测算法对果实的未来路径进行了预测,平均轨迹预测误差达到最低2.98个像素,可用于指导机器人手臂分选缺陷柑橘。试验结果表明,所提出的基于CNN-Transformer的缺陷柑橘视觉分选系统,可直接应用在柑橘加工生产线上实现快速在线分选。     

基于改进YOLOv5s模型的柑橘病虫害识别方法

针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。     

基于改进的DeepLabV3+模型结合无人机遥感的水稻倒伏识别方法

针对传统水稻倒伏监测方法以人工进行现场测量耗时耗力且受主观影响较大的问题,利用无人机成本低廉、操作简单以及分辨率高的优势,以黑龙江省佳木斯市七星农场水稻种植基地的水稻倒伏区域为研究对象,对无人机遥感图像结合改进DeepLabV3+模型的水稻倒伏识别方法进行研究.结果表明:1)与其他方法相比,改进DeepLabV3 +网...     

基于改进MaxViT的辣椒病害识别分类方法

为实现复杂环境下辣椒病害的精准识别和分类,设计了一种适用于辣椒病害识别分类的方法。以辣椒在生长过程中常见的6种病害为分类研究的对象,使用数据增强的方法扩充数据集,提出一种基于MaxViT改进的MaxViT-DF模型,将MaxViT模型中的普通卷积替换为可变形卷积,使模型在提取特征时能更贴近复杂环境下的识别目标;同时在MaxViT模型施加注意力时引入特征融合模块,提高模型的全局感知能力。结果显示,改进的MaxViT-DF模型识别分类准确率达到98.10%,对6种辣椒病害的分类精度均高于95%。与ResNet-34、EfficientNetv2和VGG-16等模型相比,改进模型在收敛速度和分类精度上具有明显优势。以上结果表明,MaxViT-DF模型能够对不同种类的辣椒常见病害进行有效的分类识别。