基于注意力残差机制的细粒度番茄病害识别

【目的】解决温室环境下细粒度番茄病害识别方法不足问题。【方法】以早、晚期5种番茄病害叶片为研究对象,提出一种基于注意力与残差思想相结合的新型卷积神经网络模型ARNet。通过引入多层注意力模块,层次化抽取病害分类信息,解决早期病害部位分散、特征难以提取难题;为避免网络训练出现退化现象,构建残差模块有效融合高低阶特征,同时引入数据扩充技术以防止模型过拟合。【结果】对44 295张早、晚期病害叶片数据集进行模型训练与测试的结果表明,与VGG16等现有模型相比,ARNet具有更好的分类表现,其平均识别准确率达到88.2%,显著高于其他模型。ARNet对早期病害识别准确率明显优于晚期病害,验证了注意力机制在提取细微区域特征上的有效性,且在训练过程中未发生过度抖动的状况。【结论】本文提出的模型具有较强鲁棒性和较高稳定性,在实际应用中可为细粒度番茄病害智能诊断提供参考。     

基于改进残差网络的苹果叶片病害识别研究

苹果叶片病害形态相似、斑点大小不同,依靠人工和农业专家识别的传统方式效率较低。为此提出一种基于改进残差网络的苹果病害识别模型REP-ResNet。该模型在基准模型ResNet-50的基础上通过采用批标准化、激活函数、卷积层的残差结构顺序,加入通道注意力机制和并行卷积的方式进行改进。训练过程中,将公开数据集PlantVillage预训练的模型权重参数迁移至上述网络模型中重新训练,达到加快网络的收敛速度和提高模型识别能力的目的。采用数据扩充的方式解决训练过程中样本不均的问题。结果表明,REP-ResNet模型与基准网络模型相比识别准确率提高2.41个百分点。模型使用迁移学习的方式进行训练,在复杂背景下的苹果叶片病害识别中准确率达到97.69%,与传统卷积神经网络相比识别效果有较大提高。     

基于改进轻量化网络MobileNeXt的苹果叶片病害识别方法

针对真实环境下苹果叶片病害识别背景复杂、识别准确率不高的问题,提出了一种改进轻量化网络MobileNeXt的苹果叶片病害识别方法。首先收集了4类常见苹果叶片病害图像样本,每类由简单背景图像与复杂背景图像混合,通过多种数据增强方式对图像进行处理,以增加样本多样性,提高模型的泛化能力。接着基于轻量化网络MobileNeXt中的sandglass结构,引入协调注意力机制CA分配权重,以区分目标与背景,同时结合Inception模块与Ghost模块,设计了2种SCI(Sandglass-CA-Inception)结构,在参数增加量尽可能小的前提下,扩充网络深度与宽度,增强模型对于背景复杂病害图像的特征学习能力。试验结果表明,改进后的模型相比于MobileNeXt, Top-1准确率提升了1.23百分点,平均精确率提升了1.18百分点,参数量只增加了0.62 M,为真实场景下的苹果叶片病害识别提供了一种有效的解决方案。     

基于注意力胶囊网络的作物病害识别方法

因病害叶片图像的复杂多变性,较难准确分割病斑图像和提取到鲁棒的病害分类特征.现有的基于卷积神经网络(CNN)的作物病害识别方法通过扩展训练样本来增加大量不同角度、方向的训练样本,从而增强模型的鲁棒性和泛化能力,但需要较长的训练数据和较大的算力,并且对于一些少见的病斑不能准确识别,因此提出一种基于注意力胶囊网络(ACap...     

基于改进YOLOv4算法的苹果叶片病害检测方法

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端,首先,该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络,并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积;其次,为提高检测精度,将卷积注意力机制模块CBAM融合至PANet结构中,可增强对有用特征信息的提取;最后,为了使锚框更适应本研究的数据集,通过K-means聚类算法将模型的锚框信息更新。结果表明,MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点,该研究为苹果叶片的病害检测提供了一种更优的方法,有助于实现精准施药,提高苹果的产量和品质。     

基于统计纹理残差学习网络的葡萄叶片分类方法

针对葡萄叶片类间相似度高导致的类内品种分类精度低的问题,构建一种改进的统计纹理残差学习网络（statistical texture residual learning network, STRLNet）的葡萄叶片分类方法。首先在ResNet50骨干网络的基础上添加SE注意力机制,然后构建底层信息的特征增强层,最后将增强后的底层特征与骨干网络提取的高层语义信息相融合,输出连接到用于存储分类特性的全连接层上。利用采集的11种成熟期葡萄叶片数据集进行训练测试,结果显示,STRLNet在提高网络空间性能的同时可充分利用底层特征信息,对构建的葡萄叶片数据集的分类准确率可以达到92.26%,相较于ResNet骨干网络提高了约2.8个百分点,与VGG16、Inception v4和ResNet等主流分类网络相比在葡萄叶片细粒度分类中具有更高的准确性。研究结果表明,在多品种的葡萄叶片分类任务中,改进后的模型相较于骨干网络可以关注到更多的特征信息,相较于主流分类网络模型可以获得更高的分类精度,模型性能得到进一步的提升。     

基于改进残差网络的葡萄叶片病害识别

葡萄病害是导致葡萄严重减产的主要因素,大多数病害症状都反映在葡萄的叶片上,但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络,通过其包含不同大小和不同深度的卷积核来处理输入,然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层,能够加快模型收敛速度,有效提升模型精度。结果表明,改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比,在准确性方面具有显著优势。与原模型相比较,识别准确率提高3.18百分比,改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。     

基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题,提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成,其中,多尺度空洞卷积模块Inception用于图像的多尺度特征提取,在卷积模块中引入双注意力机制增强网络模型,显著表示图像中叶部病斑区域特征,降低非病斑区域与背景区域对识别结果的干扰,在原始残差模块上引入卷积层与非线性激活函数改进的残差模块,增加鲁棒性判别特征的跨层融合,在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明,所提出的方法具有参数量少、占用内存小以及性能好的优势,可进一步应用于田间苹果叶部病害智能识别系统。     

基于坐标注意力机制和残差网络的水稻叶片病虫害识别

【目的】针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题,探索基于ResNet深度学习网络的水稻叶片病虫害识别模型（ResNet50-CA）。【方法】在ResNet-50的残差卷积模块下引入坐标注意力机制（CA）,采用LeakyReLU激活函数替代ReLU激活函数,使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。【结果】在使用传统卷积神经网络进行水稻叶片病虫害研究发现,ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系,因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验,研究发现在批量样本数为16和学习率为0.000 1时,ResNet50-CA获得最高的识别准确率（99.21%）,优于传统的深度学习算法。【结论】改进后的网络能够提取出水稻病虫害更加细微的特征信息,从而取得更高的识别准确率,为水稻叶片病虫害识别提供新思路和方法。     

基于深度残差网络的玉米病害识别

针对人工诊断玉米病害成本高、效率低、时延长等问题,提出一种基于深度残差网络的玉米病害识别网络TFL-ResNet.TFL-ResNet网络基于ResNet50网络,首先引入Focal Loss损失函数使模型专注于难分类的病害样本,其次将ResNet50网络在PlantVillage数据集训练好的参数迁移到改进网络上以完...     

一种基于集成学习的苹果叶片病害检测方法

由于苹果树叶片病害图像背景复杂、病斑形态多样,苹果树叶片病害的检测一直是一项具有挑战性的任务。传统的苹果树叶片病害检测方法严重依赖于果农经验和特定领域的专家,步骤复杂且低效,并很容易导致病害的误判和漏判。为解决该问题,基于深度学习技术对苹果树叶片病害特征进行自适应学习和提取,提出一种基于集成学习的苹果树叶片病害检测方法。该算法基于不同的模型,在处理不同的数据集上呈现出各自的特性,充分利用了模型间的优势互补,使用非极大值抑制算法将YOLOv5和EfficientDet模型进行集成,进一步提高模型特征提取能力并且增强了模型的检测能力。结果表明,该方法在不增加延迟的情况下,能有效提高3种苹果树叶片病害的检测效果,平均精度可达73.4%,相比于单个YOLOv5和EfficientDet模型分别提高了3.0%、4.8%。集成后的算法具有更好的特征提取能力,可以提取到更多的病害特征信息,并且较好地平衡了模型的识别精度与模型复杂度,可为田间环境下苹果树叶片病害识别提供参考。     

基于多尺度和注意力机制的番茄病害识别方法

番茄病害的及时发现与治理有助于提高番茄产量与质量,增加农户经济收益.利用物联网和人工智能可以无损害有效检测番茄病害,该研究提出了一种改进的AT-InceptionV3(Attention-InceptionV3)神经网络番茄叶部病害检测模型,该网络以InceptionV3为主干网络,结合多尺度卷积和注意力机制CBAM(...     

基于迁移学习的番茄叶片病害图像分类

针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。     

基于BCE-YOLOv5的苹果叶部病害检测方法

针对自然环境中,人工目视解译苹果叶部病害耗时耗力、人为主观因素强的问题。本研究提出了一种融合自注意力机制和Transformer模块的目标检测算法——BCE-YOLOv5,实现对自然环境下对苹果叶片病虫害的自动识别与检测。该算法首先使用BotNet、ConvNeXt模块分别替换Backbone网络和Neck网络的CSP结构,增加自注意力机制对目标的特征提取能力。通过将改进的CBAM引入YOLOv5的特征融合网络之后,使注意力机制对特征融合信息更加地关注。最后,用α-IoU损失函数替换IoU损失函数,使得网络在模型训练过程中收敛的更加稳定。BCE-YOLOv5算法在传统算法YOLOv5基础上平均精准率均值提升了2.9百分点,并且改进后的算法的模型大小和计算量较传统算法分别减小了0.2 M和0.9 GFLOPs。平均精度均值比YOLOv4s、YOLOv6s、YOLOx-s和YOLOv7模型分别高2.5、1.3、3.5、2.2百分点。该方法能快速准确识别苹果叶部病害,为苹果种植过程中提供智能化管理做参考。     

基于小样本学习的马铃薯叶片病害检测

马铃薯叶片的病害将直接导致马铃薯产量和质量的下降,为实现马铃薯叶片病害的精确检测并及时预防病变,提出了一种基于小样本学习的马铃薯叶片病害检测算法。首先,利用一组共享权重的特征提取器将输入图片映射到深度特征空间;然后,提出一种任务感知注意力模块用于融合小样本学习网络中的双分支输入特征,强化目标任务的特定表达能力;最后,引入一种动态卷积模块提高卷积核的建模能力,并将卷积块注意力机制(CBAM)嵌入到该卷积网络中,构造特征强化学习模块,细粒度地捕获病害区域的细节特征。通过在开源马铃薯叶片病害检测数据集上进行测试,所提出模型分别实现了93.92%的准确率、93.81%的精准率、93.85%的召回率和93.63%的F₁值;此外,在自建数据集上与当前经典马铃薯叶片病害检测模型相比,同样具有较好的竞争力。     

基于多尺度注意力残差网络的桃树害虫图像识别

自然场景下拍摄的桃树害虫图像,不同种类的害虫个体之间存在尺寸大小差异以及害虫颜色与背景颜色相近的问题,影响害虫图像识别精度。针对以上问题,本文提出了一种基于多尺度注意力残差网络的桃树害虫图像识别模型。首先,将残差网络的第一层普通卷积替换为多尺度卷积,缓解了大卷积核对于小尺寸目标特征的不敏感性,增强多尺度害虫特征提取能力。其次,在残差结构中加入注意力机制选择性内核卷积单元,它通过自适应调整感受野重点提取害虫信息,产生有效感受,抑制背景干扰问题。实验结果表明,本文提出的模型识别准确率为93.27%,取得了较好的识别效果。     

基于改进YOLOX-Nano的农作物叶片病害检测与识别方法

目的 实现精确迅速的农作物病害检测,减少人工诊断成本,降低病害带来的农作物产量和品质影响。方法 根据对农作物病害和病斑特征的分析,提出一种基于卷积注意力机制改进的YOLOX-Nano智能检测与识别模型,该模型采用CSPDarkNet作为主干网络,将卷积注意力模块CBAM引入到YOLOX-Nano网络结构的特征金字塔(Feature pyramid network,FPN)中,并在训练中引入Mixup数据增强方式,同时将分类的损失函数由二分类交叉熵损失函数(Binary cross entropy loss,BCE Loss)替换为焦点损失函数Focal Loss、回归损失函数由GIOU Loss替换为本文设计的CenterIOU Loss函数,采用迁移学习策略训练改进的YOLOX-Nano模型,以此提升农作物病害检测的精度。结果 改进后的YOLOX-Nano模型仅有0.98×10⁶的参数量,在移动端测试单张图片检测时间约为0.187 s,平均识别精度达到99.56%。实践结果表明,其能快速有效地检测与识别苹果、玉米、葡萄、草莓、马铃薯和番茄等农作物的常见病害,且达到了精度与速度的平衡。结论 改进后的模型不仅对农作物叶片病害识别具有较高的精度和较快的检测速度,参数量和计算量较少,还易于部署在手机等移动端设备。该模型实现了在田间复杂环境对多种农作物病害精准定位与识别,对于指导早期农作物病害的防治具有十分重要的现实意义。     

基于无人机图像处理的大豆叶片病害识别准确率研究

为了平衡无人机识别覆盖度与识别准确率之间的矛盾,实现大面积大豆病害的精确识别,利用简单线性迭代聚类(Simple linear literative clustering,SLIC)超像素方法处理无人机在高度为1、2、4、8、16 m获取的大豆叶片图像,提取叶片的颜色、梯度、纹理、形状特征后,基于这些属性的特征向量利用...     

基于成像高光谱的苹果树叶片病害区域提取方法研究

【目的】对带病斑苹果树叶片的高光谱图像进行病斑提取,为作物病虫害的遥感监测提供支持。【方法】对带有病斑的苹果树叶片成像高光谱图像,从传统基于光谱特征和面向对象特征2个方向入手进行病斑提取。为减少高光谱图像波段之间的冗余,首先对高光谱图像采用PCA变换进行降维处理,利用降维之后的前11个波段,分别采用波谱角分类和面向对象分类的方法提取苹果树叶片病害区域。【结果】由于同物异谱和异物同谱现象的存在,波谱角分类算法在提取病斑时,对叶柄和叶脉产生了错误的分类,而且以像元为分类单位的波谱角分类,在分类结果图中存在椒盐噪声,而面向对象分类则避免了这一现象的发生。【结论】采用面向对象分类方法提取苹果叶片病斑的结果优于基于光谱特征的波谱角分类方法,其总体精度和Kappa系数分别为98.44%和0.97。     

基于LM神经网络的小麦叶片病害识别

快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。