基于改进YOLOv5s模型的柑橘病虫害识别方法

针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。     

基于RetinaNet模型的梨小食心虫智能识别计数方法

针对梨小食心虫监测调查中存在的人工分类计数费时、费力且误差较大的问题,基于RetinaNet深度学习目标检测模型,构建了一种普适性更广的梨小食心虫智能识别计数方法.试验结果表明,RetinaNet目标检测模型对黏虫板上梨小食心虫的平均识别准确率达95.93％,平均计数准确率达95.62％,且该方法对拍摄条件要求低,普适性广,优于Faster R-CNN目标检测模型,完全可以在梨小食心虫监测调查中替代人工进行分类计数.     

基于深度学习的植物病虫害智能检测系统研究

由于当今全球气候变化异常,农作物病虫害频发,而且农作物病种类多,成因复杂,其预防和识别难度较大,且传统病虫害识别方法大多靠人目视手查,需要一定的专家经验,具有主观性强、识别准确率低等缺点。而信息技术作为解决农作物病虫害智能、快速识别的新技术、新方法,我们计划利用农业信息大数据智能决策分析系统,建立完善一体化的智能农业信息监测系统等。本文便是基于深度学习将计算机视觉、图像识别等技术运用于农作物病虫害检测中,开发智能病虫害检测系统,以提高病虫害检测准确率,减少病虫害对农业生产的危害。     

园林植物常见病虫害识别

绿化植物养护是校园生态文明建设的重要组成部分,在美化校园环境,愉悦师生身心健康方面起着非常重要的作用。但是随着全球气候变暖环境恶化,导致虫害和疾病经常爆发。病虫害对校园绿化防护具有极大的危害,直接影响校园绿化环境。本文针对校园绿化中常见的病虫害,提出了基于深度学习的病虫害识别方法。该方法首先对图像进行灰度归一化处理,然后提取灰度图像的PCANet特征,最后利用支持向量机进行识别。该方法在扩充的数据集上进行了验证,识别效果理想。     

基于模型剪枝改进FCOS的实时柑橘检测研究

为实现快速实时的柑橘视觉检测,提出了一种基于模型剪枝的多维度特征Slim-FOCS逐像素目标检测算法,可实现自然环境下成熟柑橘高效快速检测.使用FCOS模型架构,选用Darknet 19作为模型主干网络,设计FPN多尺度特征提取网络融合柑橘图像不同尺度的特征,加强主干网络中的视觉特征提取.初训练完成后进行模型剪枝,将每...     

深度学习技术在农作物病虫害识别中的应用综述

本文首先介绍了深度学习技术在农作物病虫害识别中的应用。其次,介绍了深度学习技术在农作物病虫害识别的处理流程。最后提出了深度学习技术在农作物病虫害识别使用中面临的挑战和问题,并探讨未来发展的方向。     

基于深度学习网络实现番茄病虫害检测与识别

为利用计算机或人工智能技术协助番茄病虫害防治,以存在病虫害侵害问题的番茄植株图像为研究对象,针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络,用于精确定位图像中的病虫害目标,并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络,以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比,基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%,旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%;2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较,本研究的检测和分类方法也存在优势,病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之,本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络,有助于提升番茄病虫害的防治效果,对计算机视觉在农业领域的应用具有重要意义。     

基于改进深度神经网络的农作物病害识别研究

针对农作物病害图像样本难收集的问题,本文采用迁移学习算法并结合深度学习提出了一种基于Mo-bileNet的M25Net模型.通过对38类作物和1类背景图像的5.5万多幅农作物健康与病害图像进行训练,获得了农作物病害识别模型,其识别准确率可达99.67％.为了验证M25Net模型识别农作物病害类型的能力,分别与使用迁移学...     

基于迁移学习的水稻病虫害识别

【目的】水稻病虫害是引起水稻减产的重要因素。准确地识别水稻病虫害类型,及 时采取有效的针对性预防措施,有助于避免因水稻减产带来的经济损失。然而,聚焦于人 脸和花草等常见事物的识别技术,在农业领域特别是水稻病虫害识别领域应用较少,而 目前已有的水稻病虫害识别研究存在数据量小和数据种类不够丰富等问题。【方法】文 章搜集了2.0372 万张水稻病虫害图片,并以此构建了完整的水稻病虫害识别数据集,基 于迁移学习的思想,在ResNet50 的预训练模型基础上构建了一个针对16 种主要水稻病 虫害识别的深度模型。同时,考虑实际应用的需要,搜集了9 928 张其他图片（包括人 像、汽车等）,结合9 675 张水稻病虫害图片,构建了一个二分类数据过滤模型,以此来 避免非水稻病虫害图片被识别为某一类病虫害的不合理结果。【结果】有预训练模型验 证结果的top-1 准确率达到了95.23%,F1 系数为77.83%,相较无预训练模型top-1 准确 率提升了24.51%,F1 系数提升了56.66%。数据过滤模型的过滤准确度达到了99.60%。 【结论】基于迁移学习的水稻病虫害识别模型,使水稻病虫害识别结果更加准确。非水稻病 虫害过滤模型,有效地解决了实际应用中非水稻病虫害图片被错分为某一类水稻病虫害的 问题。     

基于改进空间残差收缩网络模型的农作物病虫害识别

为了提高农作物病虫害识别的精度,本文将3D-CNN和2D-CNN与空间残差网络相结合,软阈值化作为非线性层嵌入空间残差网络以消除病虫害图像不重要的图像特征,提出一种基于空间残差收缩网络的农作物病虫害识别模型。与3D-CNN和ResNet相比,基于空间残差收缩网络的农作物病虫害识别模型具有更高的精度和鲁棒性,总体分类精度为99.41%,增强了图像特征与病虫害类别的关系,可以识别多种农作物病虫害图像。     

基于AdaBoost改进算法的农作物病虫害预测模型研究

提出了一种基于改进的Boosting算法的病虫害预测新模型。针对当前全球气候变化异常造成传统的病虫害预测的模型预测的准确率不高,根据气象因子定位可疑虫灾区域,对可疑病虫害区域提取突发病虫害的特征值,以消除气候规则变化带来的干扰。结果表明:与传统的预测模型相比,该模型具有较低的误报率和漏报率,并提高了预测模型的学习效率。     

基于改进YOLOv7-Tiny的成熟草莓识别模型研究

【目的】成熟草莓的快速、准确识别是高效机械采摘的关键技术,针对草莓生长环境中果实堆叠、叶片遮挡和小目标等问题,提出一种改进YOLOv7-Tiny的成熟草莓识别模型。【方法】该模型在YOLOv7-Tiny模型的基础上,将骨干网络中CBL卷积块的LeakeyReLU激活函数替换为SiLU函数,提高模型的非线性拟合程度与特征学习能力。为降低模型的参数量和计算量,实现模型轻量化,提高识别速度,引入轻量化RepGhost网络。在YOLOv7-Tiny模型的小目标层加入C3模块,降低模型参数量,增加网络深度,增强模型对小目标的信息提取能力,从而提高被遮挡草莓以及小目标草莓的识别准确度,进一步提高模型的识别速度。以设施草莓为试验样本对改进YOLOv7-Tiny模型进行对比试验。【结果】相较于YOLOv7-Tiny模型,改进YOLOv7-Tiny模型训练的收敛速度快,模型拟合后损失曲线的波动幅度小且稳定,训练的损失值小,模型的鲁棒性好。与原模型的对比试验结果表明,改进YOLOv7-Tiny模型的参数量降低26.9%,计算量降低55.4%,识别速度提高26.3%,识别平均准确率（mAP）为89.8%。消...     

基于改进深度卷积神经网络的水稻病虫害识别

病虫害影响水稻质量和产量,快速、准确地检测出水稻病虫害有利于及时防治。针对传统图像识别方法存在特征提取繁琐、识别率低以及对田间环境下的作物病虫害识别困难等问题,本文提出一种以DenseNet121为基础网络,结合迁移学习与坐标注意力机制的水稻病虫害识别模型。该模型引入坐标注意力学习图像特征的通道间关系和空间位置的重要性以增强模型的特征提取能力,采用迁移学习策略训练模型以缓解模型在小数据集上的过拟合现象、减小计算资源以及提升模型的识别性能。利用从田间复杂环境收集的水稻病虫害数据集,对该模型与ResNet50、Xception、InceptionV3、InceptionResNetV2及原DenseNet121等卷积神经网络模型的识别效果进行比较,结果表明,该模型能有效识别出水稻常见8种病虫害和健康植株,识别准确率达到98.95%,模型参数量仅为7.23 M,识别效果优于其他模型。这可为田间环境下的其他作物病虫害识别提供参考。     

融合多头注意力的轻量级作物病虫害识别

【目的】解决当前病虫害识别方法参数多、计算量大、难以在边缘嵌入式设备部署的问题,实现农作物病虫害精准识别,提高农作物产量和品质。【方法】提出一种融合多头注意力的轻量级卷积网络(Multi-head attention to convolutional neural network,M2CNet)。M2CNet采用层级金字塔结构,首先,结合深度可分离残差和循环全连接残差构建局部捕获块,用来捕捉短距离信息;其次,结合全局子采样注意力和轻量级前馈网络构建轻量级全局捕获块,用来捕捉长距离信息。提出M2CNet-S/B/L 3个变体以满足不同的边缘部署需求。【结果】M2CNetS/B/L参数量分别为1.8M、3.5M和5.8M,计算量(Floating point operations,FLOPs)分别为0.23G、0.39G和0.60G。M2CNet-S/B/L对PlantVillage病害数据集取得了大于99.7%的Top5准确率和大于95.9%的Top1准确率,对IP102虫害数据集取得了大于88.4%的Top5准确率和大于67.0%的Top1准确率,且比同级别的模型表现优异。【结论】该方...     

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。     

基于深度学习的农作物病害图像识别技术进展

农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像识别技术的基本原理,然后系统地阐述了基于深度学习的先进成像技术和先进图像识别分析技术在农作物病害检测识别中的国内外研究现状,分析了其在农作物病害检测识别上存在的优缺点,如具有快速、准确率高等优点以及数据量过大处理不便等缺点,并进一步指出,利用高光谱成像和热红外成像与深度学习相结合,将成为今后研究农作物病虫害早期检测的主要发展方向。     

基于注意力机制改进卷积神经网络的柑橘病虫害识别

柑橘是我国种植面积最大、产量最高的水果作物,对我国的经济发展具有重要作用。柑橘病虫害侵染是导致柑橘产量及品质下降的重要原因之一,高效、准确的柑橘检测技术对柑橘产业的发展具有重要意义。因此,本研究提出一种基于注意力机制改进卷积神经网络的柑橘病虫害识别算法,以多尺度特征提取网络Inception v3为基础,在Inception结构间加入CBAM注意力机制,构建基于注意力机制的多尺度特征提取网络;然后融合残差注意力网络,提升模型的整体性能,以实现对柑橘病虫害的精准识别。试验结果表明,基于注意力机制改进卷积神经网络的柑橘病虫害识别算法从通道和空间维度提高了对输入有效特征的关注度,在融合残差注意力网络后,提高了模型的整体性能,实现对5种柑橘叶片(溃疡病、潜叶蛾、黑点病、红蜘蛛和健康叶片)的识别准确率达到98.49%,比基础模型提高4.02百分点,说明本研究提出的方法对柑橘病虫害的识别效果较好。最后将模型进行部署,设计柑橘病虫害识别系统,实现基于移动端的柑橘病虫害智能检测,为相关研究提供参考。     

农作物病虫害防治措施研究

农作物病虫害是我国的主要自然灾害之一。近几年来,由于农作物病虫害的严重扩散,给我辖区造成了严重的农作物损失,为保证农作物的生产,防治病虫害显得尤为重要。本文结合当地农业生产实际,阐述了我镇典型农作物存在的主要病虫害症状,并针对防治过程中出现的问题,提出了一些有效防治措施。