基于Macbm-RCNN的叶片周长和面积测量方法

为进一步提高日常背景下叶片周长面积测量精度和便利性,提出一种新的深度卷积网络模型Macbm RCNN,该模型在经典Mask RCNN模型基础上引入注意力机制。Macbm RCNN能对经过压缩处理过的图片进行准确检测和标注,并最终输出叶片周长和面积。通过最终的试验数据表明,Macbm RCNN网络模型的训练准确率相比于Mask RCNN提高1.65%,在复杂图像处理中,平均训练时间提升0.022 s,平均推理时间提升0.018 s。计算效率高于叶面仪和方格法,计算误差小于1.5%。验证表明,引入注意力机制的Macbm RCNN网络能提高叶片预测的准确率,在复杂情况下处理的速率有明显提升;在叶片周长和面积的计算中误差较小。在实际应用中能有效提高工作效率。     

小龙虾识别与度量关键技术研究与应用

小龙虾的表型性状是水产养殖和遗传育种中非常重要的经济依据,为了精准实现对小龙虾的视觉检测与定位,并对其主体躯干表型特征进行测量。首先提出了一种基于Mask RCNN实例分割模型检测小龙虾的方法,不仅能快速识别小龙虾,还能对其进行实例分割,生成高质量的二值掩膜图。然后在此基础上,提出一种新的小龙虾度量算法：通过提取小龙虾的轮廓曲线,获取其中轴线,采用分区法提取小龙虾的特征区域,再利用凸包和凸包缺陷算法获取小龙虾的特征点,实现对其全长、体长、头胸甲、腹部、尾扇等主要部位的无接触度量计算。结果表明：Mask RCNN模型在小龙虾数据集上具有很好的泛化性能,模型分割准确率达到了94.6%,目标识别的平均检测精度达到了98.7%。各测量指标的平均绝对误差均在5 mm之内,比人工手动测量难度大大减小,并且稳定高效,重复性更好。该方法将有利于生产和选育过程中小龙虾的鉴别及结构尺寸的快速获取。     

基于轻量级MIE＿Net的田间农作物病害识别

为实现农作物病害的快速精准识别,降低病害对农业安全生产的影响,本研究针对现有病害识别模型参数量大、鲁棒性低、泛化性弱等问题提出了轻量级MIE＿Net农作物病害识别网络。该网络以MobileNetV2为基础网络结构,首先使用多尺度特征提取模块替换原网络的初始卷积层,提高网络对不同面积病斑的特征提取能力,增加网络中的特征复杂度;其次在主模块中添加ECA注意力机制,提高网络对叶片病害区域的关注程度,降低复杂背景对小病斑特征提取过程的影响;最后使用Swish激活函数增加网络的表达能力,使网络性能达到最优。结果表明,多尺度特征提取模块提高了模型对不同病斑大小的识别准确率,ECA注意力模块提高了网络对小病斑的识别准确率,最终网络模型对复杂环境中2种作物11种病害类别的最低识别精确率达到91.2%,总体病害识别准确率达到95.79%,比原网络提高1.84百分点,参数量为2.24 M,权重文件大小为8.78 MB。MIE＿Net网络在保证模型轻量化的同时提高了模型的准确性、泛化性以及鲁棒性,整体性能优于其他现有网络模型,为以后的轻量级作物病害识别方法提供了参考。     

基于改进YOLOF的葡萄叶片黑腐病检测方法研究

葡萄在生长过程中易感染各种病害，导致产量和品质下降，对病害的准确识别是防治病害的基础和关键。本文提出了一种基于YOLOF的改进算法，将EfficientNet网络应用于YOLOF算法的主干网络，对葡萄叶片黑腐病病害进行检测。结果表明：改进后的算法识别黑腐病病害的准确率达89.4%，较原YOLOF算法提升了3.1个百分点，为检测葡萄叶部病害提供了一种新的思路。     

基于实例分割苹果采摘机器人视觉定位与检测

为了实现采摘机器人对复杂环境中的苹果进行精准的视觉检测与定位,提出了一种基于Mask RCNN实例分割模型检测果园苹果的方法.为了降低模型的参数数量并提升检测的速度,将主干特征提取网络由Resnet101网络替换为轻量化Mobilenetv3网络.该网络结构采用深度可分离卷积代替普通卷积,能有效降低模型参数量.并采用空...     

桃树3种叶片穿孔病的比较鉴别与防治

穿孔病是桃树叶片的主要病害,主要有霉斑穿孔病、褐斑穿孔病和细菌性穿孔病。比较3种穿孔病的危害症状、发生特点,介绍了防治方法。     

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 YOLOv5s 和 Android 的苹果树皮病害识别系统设计

【目的】针对果园多种苹果树皮病害实时检测的需求,设计基于 Android 的苹果树皮病害识别 APP 以便进行果园精准管理。【方法】通过网络查找和实地拍摄收集轮纹病、腐烂病、干腐病 3 种病害的图片 数据,经扩增和标注后按照 8 ∶ 2 比例进行训练集和测试集的划分。使用 YOLOv5s 算法训练苹果树皮病害识别 网络模型,对训练得到的轻量级网络模型进行 Android 端部署,并设计相应 APP 界面,实现对轮纹病、腐烂病、 干腐病的快速诊断。【结果】训练后得到的深度学习网络模型识别效果良好,准确率稳定在 88.7%,召回率稳 定在 85.8%,平均精度值稳定在 87.2%。其中腐烂病准确率为 93.5%,干腐病准确率为 88.2%,轮纹病准确率为 84.3%。将其在 Android 端部署后,每张病害图片处理时间均小于 1 s,检测置信度为 87.954%。该轻量级识别系 统不仅实现了 3 种病害的快速检测,也保证了较高的识别精度。【结论】YOLOv5s 网络权重模型小,能够轻松 实现 Android 端的部署,且基于 YOLOv5s 设计的 APP 操作简单、检测精度高、识别速度快,可以有效辅助果园 精准管理。     

8%宁南霉素水剂防治桃树穿孔病效果试验

桃树穿孔病是桃树生产中发生较普通、为害较严重的主要病害之一,流行年份减产可达30%以上。为有效防治该病,于2012年选用日常使用较为普遍的8%宁南霉素水剂进行了其田间效果试验。结果表明,8%宁南霉素水剂800倍液对桃树细菌性、真菌性穿孔病均具有良好的防治效果,在已进入发病期时使用,仍具有一定的控制效果。     

基于YOLOv4-tiny模型的水稻早期病害识别方法

针对现有的卷积神经网络模型过于依赖设备的计算和存储能力、水稻病虫害形状大小不一、遮挡造成的病害特征显著性弱、漏检率高等问题,采用轻量化、易部署的YOLOv4-tiny模型检测和识别水稻病虫害。首先收集831张4种不同的水稻病害叶片图像样本,为了使模型具有更好的泛化能力,对已有数据进行数据增强,将样本数量扩增到了5 320张。然后构建YOLOv4-tiny轻量化模型,与经典的YOLOv4算法模型相比,其主干特征提取网络CSPDarkNet53模块替换为CSPDarkNet53＿tiny,使用CPSnet进行通道的分割,实现了网络模型的压缩并提高了训练速度;添加了FPN结构,对有效特征层进行特征融合;依据模型评价指标,通过试验将YOLOv4-tiny轻量化网络与经典的YOLOv4网络、Faster-RCNN网络、YOLOv4-MobileNet系列轻量化网络、YOLOv4-GhostNet轻量化网络和SSD轻量化网络进行对比。结果表明,YOLOv4-tiny的平均准确率可以达到81.79%,检测速度可以达到90.03帧/s,模型权重大小为22.4 MB,能够比较精准地识别水稻胡麻斑病、白叶...     

20%噻唑锌悬浮剂防治桃树细菌性穿孔病效果研究

研究20%噻唑锌悬浮剂对桃树细菌性穿孔病的防治效果,结果表明:20%噻唑锌悬浮剂对桃细菌性穿孔病的叶部病害和果实病害均有显著的防效,以500倍液效果最佳,可在桃果生产中示范及推广使用。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

基于AI的桃树病害智能识别方法研究与应用

为解决传统人工识别桃树病害效率低、成本高、准确率低等问题，提出了基于AI深度学习的桃树病害智能识别方法，利用并微调ImageNet预训练的DenseNet-169分类模型，对桃树常见的11种病害图像进行预处理与模型训练，搭建桃树病害智能识别软件环境。该方法对常见桃树病害的平均识别率达到91%以上，结合图像处理、深度学习、数据挖掘等技术自动对桃树病害进行识别，实现桃树病害的智能诊断并提供防治建议。该方法具有人力成本低、操作简单、识别效率高等优点，利于病害的及时诊出与防治决策的制定，对促进果园病害防控的智慧化管理具有重要研究意义与应用价值。     

上海地区桃树叶片主要病虫害的发生与综合防治技术

为做好桃树叶片病虫害防治工作,促进上海地区桃产业的健康发展,阐述了上海地区桃树叶片主要病害（缩叶病、穿孔病、黄化病）及主要虫害（蚜虫、金龟子、潜叶蛾）的危害特点、发生规律及综合防治技术,从供广大种植户参考。     

桃树常见病害发生规律及综合防治措施

介绍了桃树的主要病害如桃褐腐病、桃树细菌性穿孔病、桃缩叶病的发病特征及发生规律,提出综合防治措施,以期为桃树的病害防治提供参考。     

基于知识蒸馏与EssNet的田间农作物病害识别

农作物病害的快捷精准识别对我国粮食安全与农业发展提质增效具有重要意义。针对现有病害识别模型参数量大、泛化能力弱、不适用于田间实际场景且不易搭载至移动端等问题，本文提出了EssNet农作物病害识别网络，该网络以ShuffleNetV2＿0.5为基础网络，引入高效通道注意力(ECA)机制与SiLU激活函数进行结构改进，同时结合知识蒸馏技术使用EfficientNetB0网络对EssNet进行学习指导，最后使用余弦退火衰减策略对学习率进行动态调整使网络表现达到最优。结果表明，本文提出的EssNet农作物病害识别网络对复杂环境下2种作物(玉米、苹果)的11种病害在测试集上的准确率达到95.21%,比基础网络提高2.11个百分点，参数量为0.35 M,权重文件为1.49 MB。该网络的整体性能优于其他现有模型，为建立田间轻量级农作物病害识别方法提供了参考。     

基于颜色特征和属性约简的黄瓜病害识别方法

为了减少黄瓜叶部病害给农业生产带来的损失,提高病害的识别率和精度,提出了一种基于颜色特征和属性约简算法的黄瓜病害叶片分割与识别方法。该方法首先利用最大类间方差(Otsu)阈值法对黄瓜病害叶片图像进行病斑分割;其次提取病斑图像的36个分类特征,再利用基于区分矩阵的属性约简算法进行特征选择;最后利用最近邻分类器进行病害识别。该方法在5种常见黄瓜病害叶片图像数据库上进行了病害识别试验,结果表明,识别率高达94.8%。说明,该方法对作物病害叶片图像识别是有效可行的。     

安顺市李树主要病害调查

为安顺市李树病害无害化管理技术体系的建立提供参考,2020年1月至2021年12月对安顺市李园病害进行调查。结果表明：安顺市李树主要病害有16种,包括细菌性病害2种（细菌性穿孔病和根癌病）、真菌性病害11种（李红点病、流胶病、缩叶病、褐斑穿孔病、褐腐病、袋果病、白粉病、疮痂病、炭疽病、褐锈病和灰色膏药病）和其他病害3种（李果锈病、裂果病和日灼病）。其中,红点病、细菌性穿孔病和流胶病3种为重发生病害,年均发病率分别高达57.67%、39.25%和40.19%;袋果病、疮痂病、炭疽病、缩叶病和褐腐病为普遍发生病害;褐斑穿孔病、根癌病、灰色膏药病、褐锈病、日灼病、果锈病和裂果病为零星发生病害。     

基于环境信息和颜色特征的作物叶片病害等级识别算法

为了根据作物不同病害程度等级采取不同防治方法,实现作物高产和减少环境污染,提出了一种复杂背景下的作物叶片病害等级分类算法。首先,利用阈值分割法对黄瓜病害叶片图像进行病斑分割;其次,计算病斑区域中像素个数与病叶区域中像素个数的比值;最后用作物病害等级分级标准进行比较来确定病害等级类别。利用该方法在2种作物5种常见病害叶片图像数据库上进行了病害等级分类试验,识别精度高达92.7%。结果表明,该方法对作物病害叶片等级分类是有效可行的。     

基于颜色特征和差直方图的苹果叶部病害识别方法

识别苹果病害是一个重要的研究课题,该研究成果对大面积苹果病害监测具有重要意义。针对苹果常见的3种叶部病害,提出一种基于颜色特征和差直方图的苹果叶部病害识别方法。首先采用改进的mean-shift图像分割算法分割病害叶片图像的病斑,然后计算病斑的颜色特征和差直方图作为病害的分类特征。该特征不仅反映病斑图像的灰度统计信息,还反映病斑图像的空间特征和灰度的渐变度,而且对病斑图像的光照、平移、旋转具有不变性。最后利用支持向量机识别病害类型。在3种常见苹果叶部病害叶片图像数据库上的试验结果表明,该方法能够有效识别苹果常见的叶部病害,平均识别率高达96%以上。该方法为苹果病害的智能诊断系统提供了技术支撑。