基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。     

基于卷积神经网络的车牌识别研究

针对现有的车牌识别方法存在车牌无法定位且车牌字符无法正确分割等情况,提出了一种基于卷积神经网络的车牌识别技术。首先,设计了一套图像处理流程实现车牌定位和字符分割,然后,利用提出的卷积神经网络对车牌字符集进行训练、识别。所提方法可以达到98.54%以上的准确率,极大提高适用性和准确率。     

基于卷积神经网络的苹果树病虫害识别

基于深度学习中数字图像识别的理论,课题组构建了深层卷积神经网络,并使用网络模型对苹果树叶片进行分类试验,基于深度学习MobileNet,修改输出的全连接层尺寸,搭建了MobileNet苹果树叶分类模型,实现了Alternaria_Boltch(斑点落叶病)、Brown_Spot(褐斑病)、Grey_Spot(灰斑病)、...     

基于卷积神经网络的家蚕病害识别研究

病害是我国养蚕业健康发展面临的主要威胁之一,为研究机械化养蚕模式下的家蚕病害防治方法,采用卷积神经网络进行家蚕病害图像的识别研究。首先在实际环境下,采用饲养和添食病原的方法,集中获取家蚕品种芳·秀×白·春在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌病、农药中毒以及健康状态的样本,并开展图像采集工作,构建出家蚕病害图像数据集。其次采用特征融合和缩减结构的方法,对残差神经网络进行部分改进,以避免直接使用该算法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明:卷积神经网络能够高效准确识别家蚕病害图像,使用改进的算法在测试集上的准确率达到94.31%,与标准的残差神经网络准确率相当,但训练的参数量仅为原来的1/3,且识别效率大幅提升,更有利于网络的训练与部署。     

卷积神经网络水果识别

为提取水果图像的多维特征,运用卷积神经网络深度学习技术,在LeNet-5的模型结构的基础上,设计了一个卷积神经网络结构,进而完成水果识别任务.实验结果表明,所提出的网络结构取得了较高的识别准确率.     

基于无人机遥感与卷积神经网络的草原物种分类方法

基于无人机高光谱成像遥感系统,在400～1 000 nm波段内采集低矮、混杂生长的荒漠草原退化指示物种的高光谱图像信息。分别在退化指示物种的开花期、结实期和黄枯期进行飞行实验,飞行高度30 m,高光谱图像地面分辨率2. 3 cm。采用特征波段提取与深度学习卷积神经网络相结合的方式,提出一种荒漠草原物种水平分类的方法,结合植物物候给出了中国内蒙古中部荒漠草原物种分类的推荐时相,总体分类精度和Kappa系数平均值分别达到94%和0. 91。研究结果表明,无人机高光谱成像遥感技术及深度卷积神经网络可以较好地实现荒漠草原退化指示物种的分类,与基于径向基核函数的支持向量机、基于主成分分析的深度卷积神经网络分类法相比,基于特征波段选择的深度卷积神经网络分类法效果最好,分类精度最高。无人机搭载高光谱成像仪低空遥感和卷积神经网络法提供了一种草原物种水平分类的途径。     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于深度卷积神经网络的红树林物种无人机监测研究

红树林生态系统具有重要的生态价值和经济价值。但是近年来由于人类活动、环境污染等因素红树林的面积日益减少,红树林的保护变得极其迫切且重要。提出一种基于深度学习的红树林物种监测方法,以无人机采集红树林待监测区域图像为研究对象,基于LeNet-5模型结构构建深度卷积神经网络模型,将得到的新的网络模型命名为LeNet-5(2)。在新的卷积神经网络模型中,利用Leaky-ReLU激活函数解决模型中容易出现的梯度消失的问题,并且采用dropout技术提高网络模型的泛化能力,解决网络模型中容易出现的过拟合问题。利用LeNet-5(2)网络模型对红树林图像进行物种识别并标记,总体识别准确率87.31%,基本映射红树林各类物种的分布情况,预测出图像中4类红树林物种的面积分别为:白骨壤1 578.31 m^2、红海榄162.07 m^2、木榄58.94 m^2、秋茄871.79 m^2。将预测结果与图像中红树林物种的实际分布进行比较,总体上符合四类物种的实际分布情况。     

基于二值化卷积神经网络的农业病虫害识别

卷积神经网络的使用提高物体识别的准确率,但还是存在运行时间长、参数量较大的问题。针对这些问题提出使用二值化卷积神经网络模型对植物病虫害进行识别。试验中以VGG16模型为基准,采用深度网络模型对植物病虫害进行分类,相比于传统植物分类方法有效提高准确率;以符号函数和尺度因子α代替浮点型权值参数,将权值二值化以提高模型的计算速度;采用了PlantVillage数据集共54 306张图片,并且设置不同比例、环境下的数据集用以排除固有偏差对实验的影响,并且对原数据集进行图片扩充以消除样本分布不均的情况。试验表明二值化模型达到原模型近两倍的计算速度,且在分割数据集下测试平均识别准确率能达到96.8%。     

基于卷积神经网络的害虫分类

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量。由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战。针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类。首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别。试验表明：所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2%,损失函数Loss为0.031,模型训练时间为197 min。     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

基于轻量级无锚点深度卷积神经网络的树上苹果检测模型

为提高现有苹果目标检测模型在硬件资源受限制条件下的性能和适应性,实现在保持较高检测精度的同时,减轻模型计算量,降低检测耗时,减少模型计算和存储资源占用的目的,本研究通过改进轻量级的MobileNetV3网络,结合关键点预测的目标检测网络（CenterNet）,构建了用于苹果检测的轻量级无锚点深度学习网络模型（M-CenterNet）,并通过与CenterNet和单次多重检测器（Single Shot Multibox Detector,SSD）网络比较了模型的检测精度、模型容量和运行速度等方面的综合性能。对模型的测试结果表明,本研究模型的平均精度、误检率和漏检率分别为88.9%、10.9%和5.8%;模型体积和帧率分别为14.2MB和8.1fps;在不同光照方向、不同远近距离、不同受遮挡程度和不同果实数量等条件下有较好的果实检测效果和适应能力。在检测精度相当的情况下,所提网络模型体积仅为CenterNet网络的1/4;相比于SSD网络,所提网络模型的AP提升了3.9%,模型体积降低了84.3%;本网络模型在CPU环境中的运行速度比CenterNet和SSD网络提高了近1倍。研究结果可为非结构环境下果园作业平台的轻量化果实目标检测模型研究提供新的思路。     

基于分水岭算法结合卷积神经网络的玉米种子质量检测

为实现玉米种子快速、准确地优选,以不同质量的玉米种子为研究对象,提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法.首先利用分水岭算法分割出单粒玉米种子,然后通过卷积神经网络模型对每粒种子进行质量分类,根据分水岭算法得到的单粒种子的位置,将结果在图像中进行标注,实现种子质量检测.使用改进型的Inceptio...     

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。     

基于多光谱成像和卷积神经网络的玉米作物营养状况识别方法研究

水肥一体化自动装备的使用能够有效提高水肥资源利用率,但需要在作业前获知作物的营养状况及水肥需求量,而通过人工手持测量仪器来获取这些信息,存在着时效性差和劳动强度大等缺点。针对以上问题,本研究以常见的作物玉米为研究对象,使用大疆精灵Ⅲ无人机携带RedEdge-M多光谱相机在田间上空采集玉米多光谱图像,同时使用YLS-D系列植株营养测定仪测量玉米植株的氮素和水分含量等营养信息,根据这些信息将采集的图像分为3个等级（每个等级共包含530幅五通道图像,其中480幅作为训练集,50幅作为验证集）,提出了一种基于卷积神经网络的玉米作物营养状况识别方法。并基于TensorFlow深度学习框架搭建了ResNet18卷积神经网络模型,通过向模型输入彩色图像数据和五通道多光谱图像数据,分别训练出适合于彩色图像和多光谱图像的玉米植株营养状况等级识别模型。试验结果表明：训练后的模型能够识别玉米作物的彩色图像和多光谱图像,能够输出玉米的营养状况等级和GPS 信息,识别彩色图像模型在验证集的正确率为84.7%,识别多光谱图像模型在验证集的正确率为90.5%,模型训练平均时间为4.5h,五通道图像识别平均用时为3.56s。该识别方法可快速无损地获取玉米作物的营养状况,为有效提高水肥资源利用率提供了方法和依据。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。