基于深度卷积神经网络的柑橘黄龙病症状识别

【目的】探究深度学习在柑橘Citrus spp.黄龙病症状识别上的可行性,并评估识别器的识别准确率。【方法】以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材,基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。【结果】M-8-C模型的整体识别表现最优,对所有图像的识别准确率为93.7%,表明构建的神经网络识别器能有效辨别柑橘黄龙病症状;I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上,在田间测试中取得较好的识别表现。【结论】基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。     

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GAC模型的柑橘缺陷图像分割方法研究

柑橘表面缺陷的图像分割与识别是水果在收购与销售过程中的重要环节,对于提升水果的品质和经济效益有着重要意义。经典GAC模型算法虽然能够很好的分割平面缺陷,但无法准确的分割图像凹陷区域。以柑橘的虫伤、腐烂、炭疽、蓟马、溃疡5种常见缺陷图像作为研究对象,其中腐烂、炭疽为凹陷缺陷,对传统GAC模型算法进行理论研究并针对其不足提出改进方案。通过对比试验分析各参数对于试验结果的影响,并应用改进后的GAC模型算法对柑橘缺陷样本进行图像分割,分析改进后的GAC模型对柑橘表面5种缺陷的识别能力,验证改进GAC模型的可行性。     

基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究

目的 解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。方法 首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用Mixup算法建立样本之间的线性关系,增强模型识别数据样本的鲁棒性;然后,迁移Xception网络在ImageNet数据集上的先验知识,提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型-X-ResNeXt模型;最后,采用动量梯度下降优化方法,有效地减缓震荡影响,并且有效地加速模型向局部最优点收敛。结果 采用数据扩增数据集训练的X-ResNeXt模型准确率可以达到91.38%;在进行迁移学习优化后,训练时间减少了432 s,准确率提升为91.97%;结合Mixup混类数据增强进一步训练,模型准确率提升为93.74%;最后,利用动量梯度下降方法进行模型收敛优化,最终模型的准确率达到94.29%,比Inception-V3和Xception网络分别提高了3.98%和1.51%。结论 在数据量较少情况下,降低模型复杂度并迁移已有先验知识,有助于模型性能提升;Mixup混类数据增强方法有利于提高模型识别柑橘黄龙病果实图像样本的适应性,提升柑橘黄龙病果实识别模型性能;X-ResNeXt模型在准确率与召回率指标上优于经典识别模型,可为柑橘黄龙病的高精度、快速无损识别提供参考。     

基于自注意力卷积网络的遥感图像分类

  目的  遥感图像分类技术在森林资源调查、生态工程规划以及森林病虫害防控等林业监测业务中,扮演着至关重要的角色。通过引入自注意力模块增强卷积网络对遥感图像的特征刻画能力,以期提高遥感图像的分类效果。  方法  该文提出了一种融合自注意力机制和残差卷积网络的遥感图像分类方法,首先利用卷积神经网络提取丰富的深度纹理语义特征,然后在卷积网络的最后3个瓶颈层嵌入多头自注意力模块,挖掘遥感图像复杂的全局结构信息。嵌入自注意力模块的卷积分类网络,能够有效提升遥感图像的分类精确度。该研究使用RSSCN7、EuroSAT与PatternNet 3个公开的遥感图像数据集,基于Pytorch深度学习库训练与测试该方法,并增加与已有分类框架算法精度和性能的对比试验。同时,使用不同批次、不同数量大小的数据训练改进研究提出的方法,并测试分类效果。  结果  试验得出,该研究提出的方法在3个遥感分类数据集上的平均识别率分别达到了91.30%、97.88%和97.37%,其中在前两个数据集上较现有的基于深度卷积网络的算法分别提升了2.26%和3.73%。同时,该算法的总参数量为2.08 × 107,较现有参数量最低的方法减少了5.2 × 106。  结论  相比已有的遥感图像分类框架,该研究提出的方法能够在图形处理器（GPU）加速的环境中,取得更为准确的分类效果。同时有效减少了模型的参数量,提高了算法执行的效率,便于后续的实际应用部署。      

基于光谱信息的柑橘黄龙病无损检测及分级模型构建

柑橘黄龙病(Huanglongbing,HLB)是世界柑橘生产上最具毁灭性的病害,给果农和相关产业造成了巨大的损失.以柑橘叶片为载体,利用高光谱图像技术采集柑橘叶片表面的高光谱图像,用ENVI4.7进行图像处理,提取感兴趣区域(Region of Intest,ROI),统计感兴趣区域平均光谱数据,并进行相关植被植物的运算,最后通过PLS-DA(Partial Least Squares Discrimination Analysis)判别法进行鉴别并分类.结果表明:基于平均光谱值和植被指数的PLS-DA判别模型都能对健康、缺锌和HLB叶片进行鉴别.其中基于平均光谱值的PLS-DA模型鉴别健康柑橘叶片样品的灵敏度为100％,特异度为100％,准确度为100％;鉴别缺锌柑橘叶片样品的灵敏度为80.6％,特异度为91.7％,准确度为88.9％;鉴别HLB叶片的灵敏度为89.3％,特异度为88.3％,准确度为88.9％.基于植被指数的PLS-DA判别模型鉴别健康柑橘叶片样品的灵敏度为100％,特异度为100％,准确度为100％;鉴别缺锌柑橘叶片样品灵敏度为92.5％,特异度为89.3％,准确度为90.1％;鉴别HLB叶片的灵敏度为86.4％,特异度为95.3％,准确度为90.1％.识别正确率较高,说明利用高光谱进行柑橘黄龙病病情分类是可行的.     

基于卷积神经网络优化因素的图像分类研究

为提高卷积神经网络的图像分类性能,通过图像数据集CIFAR-10的数据实验,验证了数据集、隐藏神经元数目和训练方法等优化因素对卷积神经网络的分类准确度、运行时间和网络参数量的影响,从而为有效提高卷积神经网络图像分类性能的研究提供了参考。     

基于高光谱成像技术的柑橘黄龙病病情诊断及分类

【目的】柑橘黄龙病(Citrus Huanglongbing,HLB)是一种无法根治且易扩散的病害,建立柑橘黄龙病病情诊断及分类的方法,以及时发现并去除病株,防止感染其他果树。【方法】基于高光谱成像技术,利用最小噪声分离变换进行降维去噪、像元纯净指数获取纯净像元并建立训练集,通过Fisher判别法对柑橘黄龙病病情进行鉴别并分类。【结果】通过对训练集设置适当的门限值,柑橘黄龙病病情识别正确率达90%以上。【结论】利用高光谱技术进行柑橘黄龙病病情诊断具有较高的可行性。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中,叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题,提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征,构建了双路卷积神经网路结构,其中形状特征路径运用7层卷积层的网络结构,前3层采用大尺寸11×11及5×5的卷积核提取大视野特征,完成叶片形状特征提取,另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征;纹理特征路径采用6个3×3卷积核的卷积层,提取叶片纹理图像细节特征;然后通过特征融合层将两类特征相加为融合特征,并利用全连接层对植物叶片种类进行识别。结果实验结果表明,双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比,在Flavia叶片数据集与扩充植物叶片数据集上,Top-1识别准确率分别提高到了99.28%、97.31%,Top-3识别准确率分别提高到了99.97%、99.74%,标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题,可以提高植物叶片的识别准确率。      

小型植保无人机喷雾参数对橘树冠层雾滴沉积分布的影响

【目的】探索小型植保无人机对果树喷施作业的雾滴沉积分布效果及应用前景,研究小型植保无人机喷雾参数对橘树冠层雾滴沉积分布的影响。【方法】采用三因素(飞行高度、飞行速度、喷施流量)的正交试验,应用小型六旋翼植保无人机进行喷雾试验。【结果】根据雾滴沉积密度和雾滴沉积均匀性结果,较佳的作业参数是喷头流量1.0 L·min~(-1)、作业高度2.5 m、作业速度4 m·s~(-1),影响雾滴沉积密度的主次顺序依次为作业速度、作业高度、喷头流量;根据雾滴沉积穿透性结果,作业高度均为2.0 m的试验号2(作业速度4 m·s~(-1),喷头流量0.6 L·min~(-1))和试验号8(作业速度1 m·s~(-1),喷头流量1.0 L·min~(-1))中雾滴沉积穿透性分别为22.21%和22.41%,其雾滴覆盖密度大且穿透性较好;影响雾滴沉积穿透性的因素主次顺序为作业高度、作业速度、喷头流量。【结论】针对植保无人机旋翼风场的影响和橘树独特的树形结构,对植保无人机的作业参数进行了优选,以保证航空喷施作业雾滴在橘树冠层的有效沉积分布。本试验研究可为小型无人机对果树的合理喷施、提高喷施效率提供参考和指导。     

基于改进EfficientNetv2模型的多品种南药叶片分类方法

为提高南药叶片的分类和分拣效率,本研究对 EfficientNetv2网络模型进行改进,引入迁移学习机制训练模型,选取自适应矩估计优化算法,通过多次测试进行超参数优化,确定学习率;采用MultiMarginLoss损失函数改善复杂背景信息对识别效果的影响。应用改进后的EfficientNetv2模型与其他轻量级模型对实地采集的复杂背景下的8种南药叶片进行分类效果对比试验,试验结果显示,改进模型对复杂背景下的南药叶片图像样本识别准确率为99.12%,相较于初始模型EfficientNetv2-S,准确率提高1.17%,并且参数量和模型大小均下降约85%,平均训练时间下降47.62%。与DenseNet121、ShuffleNet和RegNet等模型相比,改进模型在模型存储空间大小、准确率和训练时间3个指标上有明显优势。研究结果表明,在多品种南药叶片分类任务中,改进模型取得优良表现,模型的轻量化程度和性能得到进一步的提升。     

基于YOLOV3优化模型的复杂场景下茶树嫩芽识别

茶叶智能采摘的关键技术之一是待采摘嫩芽的识别,而嫩芽大小、环境光照、拍摄角度等因素都会给嫩芽的精准识别带来困难。针对复杂场景下传统茶树嫩芽识别方法准确率低的问题,文章提出一种基于YOLOV3深度卷积模型的识别方法,并通过增加SPP模块优化模型,提高模型对茶树嫩芽的识别能力。实验结果表明,YOLOV3模型和YOLOV3优化模型均能在复杂场景下实现茶树嫩芽识别,且YOLOV3优化模型的平均精度均值mAP比YOLOV3模型提高3.5百分点,达到91%,说明YOLOV3优化模型能够更好地应用于自然场景下的茶树嫩芽识别。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

目的 结合传统与现代农业病虫害监测的优缺点,探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像,经过光谱预处理和特征工程后,采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合,基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法,建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve,AUC)分别为0.883 0和0.912 0,分类准确率均超过95%;提取出698和762 nm的特征波长组合,基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率,证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。     

基于神经网络的蔬菜农药残留风险预警模型研究

为探索基于常规监测数据的神经网络预警模型在农产品传统风险管理中的应用,以2011—2012年我国5省市的蔬菜中农药残留监测数据为样本,采取神经网络方法建立风险预警模型。首先,以产品种类、监测环节、监测时间和蔬菜产地为参考采用专家打分法将样本进行安全性评级,然后将经过筛选和预处理的45种农药监测数据,作为BP神经网络输入层,并根据不安全蔬菜的风险程度,以非常安全(A)、比较安全(B)、基本安全(C)、较不安全(D)和不安全(E)5个等级作为输出层,农药残留数据经过处理整合后得到16个样本,通过对其中14个样本进行拟合训练,得到预警模型及2个验证样本的评分结果分别为2.343 0和3.171 5,与实际评分结果隶属同一安全等级。证明基于客观监测数据的神经网络预警模型对于蔬菜中农药残留的预警是有效的。     

基于卷积神经网络的茶鲜叶主要内含物的光谱快速检测方法

儿茶素和咖啡碱是茶叶品质的重要评价指标,为了探索深度卷积神经网络(CNN)结合可见近红外光谱(Vis/NIR)用于茶叶儿茶素和咖啡碱无损快速检测的可行性,本研究通过高效液相色谱来测定茶叶中的儿茶素和咖啡碱含量,并与样本的光谱信息建立对应关系;采用回归分析和CNN建模构建了光谱与茶叶内含物的定量关系;采用竞争自适应重加权采样(CARS)和连续投影算法(SPA)选择特征波长,用于开发基于这些特征波长的简单模型。结果表明:4种儿茶素和咖啡碱含量从第1叶位到第6叶位呈现出逐渐降低的趋势;提取特征波长不仅减少了光谱变量数,还获得了比全谱更优或接近的模型性能;CNN在回归分析和特征提取中均表现出良好的性能,预测儿茶素和咖啡碱最优模型的决定系数(R²)和残余预测偏差(RPD)分别达到了0.93和3.28以上。因此,卷积神经网络结合可见近红外光谱可以对儿茶素和咖啡碱的含量进行快速无损检测。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

基于改进VGG卷积神经网络的棉花病害识别模型

为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。