基于深度可分离卷积神经网络的农作物病害识别方法

为了满足现代化、机械化农业生产的目标,降低模型的计算量,使农作物病害分类模型更适用于资源受限制的设备,提出了一种以深度可分离卷积为主的神经网络模型。利用深度可分离卷积和卷积相结合的方法取代标准卷积,计算量可降低至标准卷积的12%左右,并且大大减少网络模型的参数量。通过进一步减少通道数、改变网络输入图片大小的等方式,获得12种参数量和计算量不同的模型。结果显示,对含有复杂背景和光照不均匀的10类农作物的27种病害样本图片进行分类,该研究提出的模型准确率为98.26%,且参数量仅904 K。     

基于迁移学习的小样本农作物病害识别

随着机器学习加速应用于各行各业,卷积神经元网络在农作物病害图片识别领域展现出良好的性能。本文针对传统卷积网络所需样本量大、训练时间长、二次学习困难等问题,实现了一种基于特征的有监督迁移学习,在Inception-V3网络的基础上,使用imageNet固化特征提取层,为目标领域设置特征分类器的方法,在每种病害仅使用20张图片的小样本基础上,实现了对8种不同病害的正确识别,总体识别率达到90.6%,并给出了进一步提升模型性能的方法,以期为小样本农作物病害图片识别提供有益参考。     

基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精...     

深度学习在农作物病害识别中的研究进展

农作物病害是严重影响农业生产的关键因素之一。近年来,深度学习技术迅速发展,其在农作物叶部病害检测和识别领域的应用逐渐受到关注。本文对基于深度学习的农作物病害识别方法进行总结,分析了该技术在农作物病害识别中的应用,从田间环境、成本和数据量等方面入手探讨其需要解决的一些问题,并对其发展进行了展望,为今后农作物病害识别的深入研究与发展提供参考。     

基于多任务联合稀疏表示的水稻叶片病害自动识别算法

在水稻(Oryza sativa L.)病害自动识别技术中,针对不同种类病害在抽取到相似特征的情况下,病害难于区分,甚至做出错误判断,从而降低识别率的问题,提出了多任务联合稀疏表示的水稻叶片病害自动识别算法.该算法将单一病害特征的识别过程看作任务,要求这些任务特征在同一个训练数据集合的对应特征字典下能够稀疏表示,同时不同任务的稀疏表示系数向量具有相似的结构,从而实现了利用不同任务间的相互关系提高判断的准确率.同时这种算法使得病害的识别通过一次处理完成,避免了传统方法多次判断所引入的误差.实验表明,该算法能够充分挖掘不同特征类型间的关系,从而提高了识别的效率.     

基于改进Inception网络的复杂环境下小样本黄瓜叶片病害识别

为解决田间复杂环境下小样本黄瓜叶片病害识别中模型泛化能力差、识别准确率不高的问题,将自注意力机制模块引入激活重建生成对抗网络（activation reconstruction GAN,AR-GAN）,采用Smooth L₁正则化作为损失函数,设计改进激活重建生成对抗网络IAR-GAN（improved AR-GAN）增广黄瓜叶片病害图像。通过在Inception网络基础上加入空洞卷积和形变卷积,设计空洞和形变卷积神经网络（dilated and deformable convolutional neural network,DDCNN）用于黄瓜叶片病害识别。试验结果显示,提出的IAR-GAN有效缓解了过拟合现象,丰富了生成样本的多样性;所提出的DDCNN对黄瓜炭疽病、斑靶病和霜霉病的平均识别准确率均达到96%以上,比Inception-V3模型提高了9个百分点。以上结果表明,本研究提出的数据增广方法和病害识别模型可为复杂环境下小样本的作物叶部病害的准确识别提供新思路。     

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。     

基于卷积神经网络的农作物病害识别

【目的】农作物生长过程中,作物产量会受到各种病害影响,实现自动精准地识别农作物病害以及病害程度的测定是农作物病害防治的关键。【方法】文章设计了一种基于卷积神经网络的农作物病害的识别方法并建立了农作物病害识别模型,模型利用10种作物中常见的59种病害类型的叶片图像数据集进行训练,并对模型的训练过程和训练结果进行评估。【结果】(1)农作物病害识别模型对59种病害类型的总识别精度达到0.83,部分类别的识别率高于0.9;(2)当训练的迭代次数增加到50轮以上时,农作物病害识别模型的性能不再提升,此时数据集图像的数量对模型性能的影响较大。【结论】实验证明,利用卷积神经网络进行农作物病害识别具有较高的可行性和准确性,为农作物病害的防治打下基础。     

深度学习在作物病害图像识别方面应用的研究进展

在作物生产管理过程中,正确及时地诊断作物所患病害非常关键.基于深度学习的图像识别为作物病害自动快速诊断提供了新途径.相比传统图像识别所用的模式识别方法,深度学习网络模型能自行提取特征且能够由低维特征抽象出高维特征,取得更好的学习效果.系统梳理了深度学习在图像自动化识别方面的发展历程,介绍了浅层神经网络的相关概念,阐述了...     

基于卷积神经网络的农作物病害识别方法研究

传统的农作物病害诊断主要依靠人工识别,需要从业者具有一定经验且主观性较强,存在误判现象。针对这一现象,提出了一种基于卷积神经网络的农作物病害识别方法。选取玉米和马铃薯的5种常见病害进行试验,构建了1个13层的卷积神经网络结构,并分析了不同池化方式及优化算法对该模型准确性的影响。同时采用十折交叉验证对模型鲁棒性进行评估,结果表明该模型具备良好的分类性能,对5种病害的平均识别率为93.95%,为玉米及马铃薯常见病害识别提供了一种新途径。     

基于深度学习的玉米叶片病害识别方法研究

玉米叶片病害是造成的玉米质量差、产量低主要原因之一。为了对玉米叶片病害进行快速准确识别,提出了基于ResNet（Residual Neural Network）深度学习网络对玉米病害识别的方法,采用ResNet 作为玉米病害识别的主体模型,利用数据增强技术来扩充数据集,扩充后的数据集图片包括训6000 张练集和1645 张测试集,并使用预训练网络AlexNet、GooLeNet 和ResNet 进行识别玉米叶片病害的性能对比实验,研究发现在批量尺寸为32 个和epoch 次数为16时ResNet50 获得最高的分类准确率为92.82%,优于传统机器学习算法。     

基于跨深度学习模型的作物病害检测方法

作物病害叶片症状是病害类型识别的依据,与作物病害发生相关的环境信息是作物病害预测的依据.由于病害叶片症状和环境信息的复杂多样性,使很多作物病害检测方法的准确率不高.针对大田作物病害检测难题,提出一种基于卷积神经网络(convolutional neural networks,简称CNN)和双向长短时记忆网络(BiLST...     

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。     

农作物病害图像识别研究进展和存在问题

针对卷积神经网络训练过程中耗费时间长以及大量参数设定等问题,提出采用卷积神经网络结合迁移学习实现智能、快速、准确识别农作物病害类型至关重要。本文首先介绍了农作物病害识别的发展进程,然后介绍了农作物病害识别方法的国内外研究进展,同时分析了其在农作物病害识别上存在的优缺点,最后指出了目前农作物病害识别存在的环境、模型结构和硬件条件等问题,并对农作物病害识别未来的研究方向进行了展望。     

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...     

基于改进DenseNet卷积神经网络的番茄叶片病害检测

针对传统的图像识别方法存在人工提取特征困难、识别耗时长和准确率低等问题,本研究以感染病害的番茄叶片和健康番茄叶片共10类图像为研究对象,提出了1种迁移学习和DenseNet卷积神经网络相结合的模型,实现了对番茄叶部病害的准确分类.首先将所有的图像数据进行预处理修改尺寸,对部分数量不均衡样本作随机变换;然后将DenseN...     

基于迁移学习的多模型水稻病害识别方法研究

水稻病害是影响水稻产量的重要因素之一,使用传统机器学习方法识别农作物病虫害效果并不理想,因此该研究使用深度学习技术结合迁移学习方法识别常见水稻病害.使用当前深度学习领域经典网络模型VGG、ResNet、DenseNet、InceptionResNet、Xception模型作为预训练模型,通过比较不同模型在新任务上的表现,选取性能最好且最稳定的Xception模型作为最终模型.试验结果显示,DenseNet、InceptionResNet、Xception的识别准确率可以达到97％,尤其是Xception模型不仅可以达到98.50％的最高识别准确率而且是最稳定的.该研究通过试验探讨了适用于常见水稻病害智能识别的最佳模型,同时表明了使用迁移学习方法解决新任务的有效性.     

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。     

基于轻量级神经网络的农作物病害识别算法

应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展.利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、...