面向移动端的苹果叶部病虫害轻量级识别模型

花叶病、斑点落叶病、褐斑病、白粉病、黄蚜、浅叶蛾和红蜘蛛是常见的苹果叶部病虫害,严重影响了苹果的产量和品质。病虫害早期诊断和防治可以有效地控制病害传播,降低损失,保障苹果产业的健康发展。为解决现有轻量级模型无法精准识别早期苹果叶部稀疏小病斑的问题,该研究面向资源受限的移动端设备,提出一种轻量级识别模型ALS-Net（Apple Leaf Net using Channel Shuffle）。在轻量化模型（ShuffleNetV2）的基础上,基于深度可分离卷积和通道混洗构建ALS模块,可降低模型的计算量和参数量。其次,采用知识蒸馏策略训练模型,进一步提高网络精度。试验结果表明,ALS-Net的模型精度可达99.43%,且模型大小仅为1.64 MB。移动端推理延迟为55 ms,能够有效满足实际应用需求,并实现基于移动端的苹果叶部病虫害自动实时监测。     

耦合全局与局部特征的苹果叶部病害识别模型

为充分利用苹果叶部病害图像类间差异小且类内差异大的特点,该研究基于全局与局部特征的交互式耦合对特征提取方法进行了优化,设计出一种苹果叶部病害识别模型。首先,在全局特征提取分支设计了一个注意力融合模块,以融合通道和空间上的信息而增强卷积提取到的特征图,并由增强后的特征图生成全局特征以及注意力激活图;然后,在局部特征提取分支,利用注意力激活图的引导,设计了一个裁剪模块对原图像进行裁剪,以得到可能包含病害信息的图像块且嵌入生成局部特征;最后,通过设计多头交叉注意力特征耦合模块,实现全局特征和局部特征的双向交叉耦合。基于苹果病害图像数据集的试验结果表明,将全局与局部特征进行交互耦合能有效提升模型对苹果叶部病害图像的特征提取能力,其识别准确率可达到98.23%,且较之单纯的局部或全局特征提取分支,准确率分别提高了3.39与4.61个百分点,所提模型可用于实现自然场景下的苹果叶部病害自动识别。     

改进Multi-scale ResNet的蔬菜叶部病害识别

基于深度网络的蔬菜叶部病害图像识别模型虽然性能显著,但由于存在参数量巨大、训练时间长、存储成本与计算成本过高等问题,仍然难以部署到农业物联网的边缘计算设备、嵌入式设备、移动设备等硬件资源受限的领域。该研究在残差网络（ResNet18）的基础上,提出了改进型的多尺度残差（Multi-scale ResNet）轻量级病害识别模型,通过增加多尺度特征提取模块,改变残差层连接方式,将大卷积核分解,进行群卷积操作,显著减少了模型参数、降低了存储空间和运算开销。结果表明,在PlantVillage和AI Challenge2018中15种病害图像数据集中取得了95.95%的准确率,在自采集的7种真实环境病害图像数据中取得了93.05%的准确率,在准确率较ResNet18下降约3%的情况下,模型的训练参数减少93%,模型总体尺寸缩减35.15%。该研究提出的改进型Multi-scale ResNet使蔬菜叶部病害识别模型具备了在硬件受限的场景下部署和运行的能力,平衡了模型的复杂度和识别精度,为基于深度网络模型的病害识别系统进行边缘部署提供了思路。     

基于改进YOLOv5s的苹果叶片小目标病害轻量化检测方法

为解决自然环境中苹果叶片病害检测场景复杂、小目标病害检测难度高以及模型参数大无法在移动端和嵌入式设备部署等问题,提出一种基于YOLOv5s的苹果叶片小目标病害轻量化检测方法。该方法将YOLOv5s的骨干网络更改为ShuffleNet v2轻量化网络,引入CBAM（convolutional block attention module）注意力模块使模型关注苹果叶片小目标病害,添加改进RFB-s（receptive field block-s）支路获取多尺度特征,提高苹果叶片病害检测精度,并更改边界框回归损失函数为SIoU（scylla-intersection over union）,增强病斑定位能力。试验表明改进后的YOLOv5s模型在IoU大于0.5时的平均精度均值（mean average precision,mAP_0.5）和每秒传输帧数（frame per second,FPS）分别达到90.6%和175帧/s,对小目标的平均检测准确率为38.2%,与基准模型YOLOv5s相比,其mAP_0.5提升了0.8个百分点,参数量减少了6.17 MB,计算量减少了13.8 G,对小目标的检测准确率提高了3个百分点。改进后的YOLOv5s目标检测模型与Faster R-CNN、SSD、YOLOv5m、YOLOv7、YOLOv8和YOLOv5s目标检测模型相比,具有最小的参数量和计算量,对小目标病害叶斑病和锈病的检测准确率分别提高了1.4、4.1、0.5、5.7、3.5、3.9和1.5、4.3、1.2、2.1、4、2.6个百分点,该方法为真实自然环境下苹果叶片病害尤其是小目标病害的轻量化检测提供参考依据。     

基于改进YOLOv8的轻量化小麦病害检测方法

为提高小麦病害检测精度,实现将模型方便快速部署到移动端,该研究提出了一种基于改进YOLOv8的轻量化小麦病害检测方法。首先,使用PP-LCNet模型替换YOLOv8网络结构的骨干网络,并在骨干网络层引入深度可分离卷积（depthwise separable convolution, DepthSepConv）结构,减少模型参数量,提升模型检测性能;其次,在颈部网络部分添加全局注意力机制（global attention mechanism, GAM）模块,强化特征中语义信息和位置信息,提高模型特征融合能力;然后,引入轻量级通用上采样内容感知重组（content-aware reassembly of features,CARAFE）模块,提高模型对重要特征的提取能力;最后,使用Wise-IoU(weighted interpolation of sequential evidence for intersection over union)边界损失函数代替原损失函数,提升网络边界框回归性能和对小目标病害的检测效果。试验结果表明,对于大田环境下所采集的小麦病害数据集,改进后模型的参数量及...     

基于深度学习的水产病害可视化知识图谱构建与验证

知识图谱本质上是基于图的语义网络，表示实体与实体之间的关系，在知识问答、语义检索等领域起着至关重要的作用。针对目前水产病害领域存在实体关系交叉关联、多源异构数据聚合能力差、利用率低、知识共享困难等问题，该研究基于自然语言处理和文本挖掘提出了一个基于神经网络深度学习模型的水产病害专业领域知识图谱构建方法并进行试验验证。首先，构建水产病害专业领域本体，并预定义实体类型、属性和关系的集合，确定知识抽取边界；其次，在本体基础上，分别利用规则方法和深度学习方法对半结构化和非结构化知识进行抽取。对于非结构化知识，提出“水产病害+关系+BMES”文本标注体系，将关系抽取融合于命名实体识别任务中直接对三元组建模，将实体关系抽取转化为序列标注问题，不仅提高标注效率，还实现了实体和关系的联合抽取。同时通过标签匹配和映射对三元组建模获得RDF数据，解决了重叠关系抽取的难题。利用BERT-BiLSTM+CRF端到端模型进行试验，试验结果证明该三元组抽取方法具有较高的召回率（89.64%），准确率（94.04%）和F₁值（91.34%），优于CNN+BiLSTM+CRF和BiLSTM+CRF等模型，抽取效果有了显著提升，并将抽取到的知识存储到 Neo4j 图数据库中，实现知识可视化管理及知识推理分析。该研究构建的水产病害知识图谱精度高、粒度细，能够帮助机器理解数据、解释现象、知识推理，从而发掘深层关系、实现智慧搜索与智能交互。     

基于知识蒸馏的胡萝卜外观品质等级智能检测

胡萝卜等级分类是提高胡萝卜市场竞争力的关键环节。传统的胡萝卜外部缺陷检测采用特征提取+分类器模式,需要手工定义特征,客观性差。为了解决上述问题,该研究提出一种基于知识蒸馏的网络模型,通过引入教师模型来指导学生模型的训练,在保证准确率的情况下减少网络模型的参数量和运行时间消耗。该试验采集了外观无缺陷以及黑斑、弯曲、带须根的四类胡萝卜样本图片,将其导入网络模型中进行训练。通过使用Resnet34、Resnet50、Resnet101这3个不同教师模型来指导学生模型Resnet18的训练,蒸馏模型平均准确率从94.3%分别提高到94.8%、95.2%、95.8%,其中Resnet101模型指导的Resnet18模型中正常胡萝卜识别率提高到100%,正常、黑斑、须根识别率提高约2%,模型训练时间为11.3 h。此外,传统Resnet50模型和Resnet101模型对数据集的识别准确率分别是96.3%和96.9%,模型训练时间分别是19.3 h和31.3 h。试验发现：蒸馏模型识别率大幅优于基于特征提取+分类器的传统模型,且随着教师模型网络深度的增加,模型识别率也进一步提高。从模型训练时间和模型部署上考虑,知识蒸馏是很有必要的,通过牺牲小部分准确率可以大大缩短模型训练时间和降低模型部署成本。该研究所提出的知识蒸馏模型作为一种轻量级前端部署方法,对于改进胡萝卜外观品质自动检测装置的性能具有积极意义。     

基于改进YOLOv5s的果园环境葡萄检测

为了快速精准地识别复杂果园环境下的葡萄目标，该研究基于YOLOv5s提出一种改进的葡萄检测模型（MRWYOLOv5s）。首先，为了减少模型参数量，采用轻量型网络MobileNetv3作为特征提取网络，并在MobileNetv3的bneck结构中嵌入坐标注意力模块（coordinate attention,CA）以加强网络的特征提取能力；其次，在颈部网络中引入RepVGG Block，融合多分支特征提升模型的检测精度，并利用RepVGG Block的结构重参数化进一步加快模型的推理速度；最后，采用基于动态非单调聚焦机制的损失（wise intersection over union loss,WIoU Loss）作为边界框回归损失函数，加速网络收敛并提高模型的检测准确率。结果表明，改进的MRW-YOLOv5s模型参数量仅为7.56 M，在测试集上的平均精度均值（mean average precision,mAP）达到97.74%，相较于原YOLOv5s模型提升了2.32个百分点，平均每幅图片的检测时间为10.03 ms，比原YOLOv5s模型减少了6.13 ms。与主流的目标检测模型S...     

利用改进Faster-RCNN识别小麦条锈病和黄矮病

条锈病和黄矮病是严重威胁小麦生产的重大病害,病害的早期识别对病害防控具有重要意义。现有病害识别模型对相似表型症状识别困难,对早期病害的识别准确度低。为此,该研究构建了一种改进的快速区域卷积神经网络（Faster Regions with CNN Features,Faster-RCNN）的病害识别方法。该方法采用卷积核拆解和下采样延迟策略优化了深度残差网络（Deep Residual Neural Network,ResNet-50）,用优化后的ResNet-50作为主干特征提取网络以增强所提取特征的表达力,同时简化模型的参数;并采用ROI （Region of Interest）Align改进ROI迟化层以降低特征量化误差,提升识别的精度。在自建的涵盖200余种不同发病时期、不同抗感性的小麦叶部图像数据集上进行试验,结果表明：改进的Faster-RCNN识别方法比其他SSD （Single Shot Multi-Box Detector）、YOLO（You Only Look Once）和Faster-RCNN网络模型的平均精度均值（mean Average Precision,mAP）分别提升了9.26个百分点、7.64个百分点和14.97个百分点。对小麦条锈病、黄矮病、健康小麦和其他黄化症状小麦识别的平均精度均值可达98.74%;对小麦条锈病和黄矮病轻、重症识别的平均精度均值可达91.06%。同时,模型损失函数值降低更快,整体性能表现更优。进一步开发小麦病害智能识别系统部署研究模型,使用微信小程序进行田间小麦病害的识别。在最大并发100的条件下,小程序平均返回时延为5.02 s,识别返回成功率为97.85%,对两种小麦病害及其细分轻重症识别的平均准确率为93.56%,能够有效满足实际应用需求,可用于指导病害的科学防控。     

基于CNN-Transformer的农作物病虫害知识问答意图识别与槽位填充联合模型

意图识别与槽位填充是农作物病虫害知识问答中问题理解的两个重要任务。在已有面向农业领域的研究中,上述任务仍被视为两个完全独立的子任务,并且未充分利用意图识别与槽位填充的语义信息。为此,该研究提出一种基于CNN-Transformer的意图识别与槽位填充联合模型（CDPCT-IDSF）。该模型根据农作物病虫害文本语义复杂设计CNN网络与多层Transformer结合强调局部的有用信息以缓解语义缺失问题;然后在Transformer解码器中引入对齐保证输入与输出一对一关系以提高识别正确槽位标签的能力。此外,进一步构建了包含20个意图类别、12个槽位类别和11242条标注样本的农业病虫害知识问答数据集进行对比试验,CDPCT-IDSF模型在该语料库上的槽位填充F1值为94.36%,意图识别精度为92.99%,整体识别精度为87.23%,优于其他对比模型,结果证明了所提模型在农作物病虫害意图识别与槽位填充任务上的有效性,可为面向农作物病虫害的知识问答研究提供理论支撑。     

基于重参数化MobileNetV2的农作物叶片病害识别模型

针对基于卷积神经网络识别农作物叶片病害存在参数众多,计算量大且实时性差的问题,提出一种轻量级农作物叶片病害识别模型RLDNet(reparameterized leaf diseases identification network)。首先,基于MobileNetV2利用重参数化倒残差模块提升推理速度,并设计浅而窄的网络结构增强对浅层特征的提取,降低模型参数量。其次,使用轻量级ULSAM(ultra-lightweight subspace attention module)注意力机制,结合叶片病害特征,强化模型对病害区域的关注能力。最后,利用DepthShrinker剪枝方法对模型进行剪枝进一步减小空间占用。RLDNet在PlantVillage数据集上识别准确率达99.53%,参数量为0.65 M,对单张叶片病害图像的推理时间为2.51 ms。在自建叶片病害数据集上获得了98.49%识别准确率,比MobileNetV3、ShuffleNetV2等轻量级模型识别准确率更高,更为轻量。     

采用复合知识蒸馏算法的黑皮鸡枞菌图像分级方法

为解决黑皮鸡枞菌品质分选速度慢、精度低等问题,该研究提出了一种基于复合知识蒸馏算法的鸡枞菌分级检测方法。采用4 800根黑皮鸡枞菌（共分4级,每级1 200根）图像对教师模型（Resnet50）进行预训练,然后截留教师模型的前25层输出并对学生模型（Resnet18）前9层卷积模型进行参数训练,最后将经过预训练的学生模型的前9层卷积模型与其后半部分拼接,进行整体模型知识蒸馏。经过复合蒸馏的Resnet18识别精度为96.89%,识别单幅图像所用时间为0.032 s。通过对比发现,该研究提出的复合知识蒸馏算法相比Resnet50识别单幅图像所用时间缩短68.93%,相比未经过知识蒸馏及经过单次知识蒸馏的Resnet18模型,精度分别提升了0.97个百分点和0.52个百分点。结果表明,该研究提出的复合知识蒸馏算法可在不增加运行时间的前提下,使小模型的准确率逼近大型模型训练的准确率,研究结果可为鸡枞菌品质分级生产线提供技术支持。     

采用改进的SqueezeNet模型识别多类叶片病害

为实现作物叶片病害的准确识别,该研究以PlantVillage工程开源数据库中14种作物38类叶片为研究对象,从网络规模小型化和计算过程轻量化需求的角度出发,对经典轻量级卷积神经网络SqueezeNet提出改进措施,包括修改最后一层卷积层的输出、删除经典模型中的后3个fire模块并修改fire模块5的参数、调节fire模块中expand层中1×1和3×3的卷积核数目的比例、移动部分fire模块在模型中的位置等措施,共获取5种改进的病害叶片检测模型,并运用迁移学习和随机梯度下降算法进行训练。试验结果表明,在不过多损失网络性能的前提下,改进后5种模型的参数内存需求及模型计算量均呈现大幅减小,模型收敛迅速,其中最优模型参数内存需求仅为0.62MB,模型运算量仅为111MFLOPs,其平均准确率达到98.13%,平均查全率达到98.09%,平均查准率达到97.62%,在与已有相关研究的对比中表现出较高的性价比。该研究提出的改进模型在大幅减少参数内存要求和计算量的同时使模型性能保持在一个较高的水平,较好地平衡了这3项指标,适合将模型部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病害的实时准确识别。     

基于迁移学习和改进CNN的葡萄叶部病害检测系统

为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端。试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02%,单幅图像平均检测耗时为0.327s。与未改进的VGG16模型相比,平均准确率提高了2.82%,平均检测耗时下降了66.8%,权重参数数量减少了83.4%。改进后的模型综合性能优于AlexNet、ResNet50和Inceptionv3等模型。将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67%,平均检测耗时为0.357 s。该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据。     

采用改进的EfficientNet识别苹果叶片病害

该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题，设计DEFL (DenseNet121+EfficientNet with focal loss and label smoothing)模型。首先，该模型以并行的EfficientNet-B0网络和DenseNet121网络为特征提取网络，以提升模型特征提取能力，其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注。经测试，所提模型的识别准确率为99.13%，平均精度均值为98.47%。消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点。对比试验结果表明，DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的EfficientNet-B0模型分别高出14.53、13.17、14.61、 6.4、 7.71以及8.91个百分点，模型规模分别小18.73、 7.7、 12.2、 83.62、 69.6以及60.09MB。Grad-CAM(gradient-weighted class a...     

基于迁移学习的葡萄叶片病害识别及移动端应用

为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。