基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4 599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×10～7,平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×10～8,与FasterNet、GhostNet、ShuffleNetV2和MobileNetV3 4种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。     

基于轻量化深度学习模型的豆角苗-杂草检测方法

除草是保证农业丰产的重要环节,杂草识别是自动化除草的关键。为了满足在中小型除草机器人上的使用,将轻量级深度学习模型Mobile Net-SSD应用于杂草识别。选取豆角苗和杂草作为实验对象,将实验目标细分为大目标和普通目标,针对大目标改动了Mobile Net-SSD模型的特征层。对比原模型、改动模型和标准SSD模型,以Mobile Net作为主干网络时识别速度提升了2倍。改动模型比原模型在普通目标检测上精度降低了3.15%,对大目标检测精度提高了3.23%。实验表明：Mobile Net-SSD模型与改动模型都具有体积小、识别率高、检测速度快等优点,在检测普通目标与大目标时各有优劣。     

基于改进YOLO v4的荔枝病虫害检测模型

为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671s,模型内存占用量为39.574MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。     

基于改进轻量化 EfficientNet-V2模型的小麦种子分类

小麦种子常混有燕麦、大麦等其他种子,如何分类足够纯度的种子是一个重要问题。为解决种子纯度问题,提出一种基于改进的 EfficientNet-V2模型的种子分类方法,将其命名为 CA-EfficientNet-V2_xs。首先,通过购买常用小麦种子（含有常见的燕麦、大麦等杂种）,自制数据集;其次,为加快训练以及针对自制数据集数量不足的问题,采用迁移学习的方法;再次,为更好地帮助模型更加精准地定位和识别感兴趣的目标,将采用 Coordinate Attention（CA）注意力机制来替换 SE注意力机制;最后,通过精简网络结构使模型更小、训练速度更快。试验表明,改进后模型的分类准确率达到 99. 7%,比未改进之前的网络分类准确率提升 1. 3%;与 EfficientNet-V2_s模型的 78 MB相比,改进后模型大小降至 3. 8 MB,模型大小降低;改进后的模型速度比主流网络更快。     

临汾市小麦白粉病的发生与防治

认真调查了2014年临汾市小麦白粉病发生情况,分析了该病发生较重的原因,并结合其危害特点,提出了针对性的防治措施,以期对防治小麦白粉病提供有益的参考。     

基于方向一致性特征的小麦条锈病与白粉病识别方法

针对小麦条锈病、白粉病这2种病斑颜色特征相近、形状特征不明显,但在方向分布的一致性上却存在较大差别这一特点,提出了一种方向一致性描述方法。通过不同的方向核与图像卷积得到多个方向图和边缘,对每个方向图依据边缘图进行统计得到图像的方向分布直方图;并计算方向分布直方图的标准差,作为图像方向分布的一致性特征。该方法能够较好地抑制噪声影响,得到的结果符合图像的实际分布情况。利用该方法对小麦病斑进行特征提取,并应用于小麦条锈病与白粉病的病斑识别实验中。实验结果表明,所提出的方向一致性特征使条锈病与白粉病的区别度较大,准确识别率达到99%。     

轻量化 YOLO模型在农作物微小病虫害检测中的应用研究

针对农作物病虫害检测中早期微小病虫害变化目标识别准确率不高的问题,提出一种轻量化农作物微小病虫害检测算法 YOLO-MobileNet-CBAM。该算法采用 MobileNetV3轻量级卷积模块替换 YOLOv5s的主干提取网络来降低参数运算量,并引入 CBAM注意力机制从通道和空间两个维度对重要的特征提取进行强化,有效增强小目标的聚焦准确度。卷积模块中用 H-SiLU代替原模型的 SiLU激活函数提高训练速度,避免梯度消失问题。通过将 SIoU函数代替原模型中的 GIoU函数计算预测框回归损失,将形状损失计算在内,进一步提高小目标定位精度。通过特征金字塔输出 4个不同尺度的检测头识别大面积病害、微小病害及虫害目标,增加微小目标的检测精度。结果表明,YOLO-MobileNet-CBAM在微小病虫害目标检测任务中精确率达 92. 38%,召回率达 90. 24%,平均精度大于 90%。实现模型轻量化,同时有效提高检测精确度,为手持式终端检测应用提供技术支持。     

基于SPA-SSA-BP的小麦秸秆含水率检测模型

为提高基于电容法的小麦秸秆含水率检测模型的检测精度,扩大含水率检测范围,提高模型适应性,本文以小麦秸秆为研究对象,使用LCR数字电桥,测量含水率为10.43％ ～25.89％的秸秆在频率0.05 ～ 100 kHz、容积密度90.03 ～179.42 kg/m3和温度25 ～40℃内的电容,利用连续投影法(Succes...     

基于YOLO v5s的作物叶片病害检测模型轻量化方法

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构（Lightweight convolutional neural networks,LCNN）替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层（Batch normalization layer）的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0f/s,移动端检测帧率1.2f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。     

基于轻量化YOLO v8s-GD的自然环境下百香果快速检测模型

为了提高百香果检测精度,并将深度学习模型部署在移动平台上,实现快速实时推理,本文提出一种基于改进YOLO v8s的轻量化百香果检测模型（YOLO v8s-GD）。使用聚集和分发机制(GD)替换颈部特征融合网络,提高模型对百香果图像特征信息跨层融合能力和模型泛化能力;通过基于层自适应幅度的剪枝(LAMP)修剪模型,损失一定精度换取减小模型体积,减少模型参数量,以实现在嵌入式设备上快速检测;运用知识蒸馏学习策略弥补因剪枝而损失的检测精度,提高模型检测性能。实验结果表明,对于自然环境下采集的百香果数据集,改进后模型参数量和内存占用量相比原YOLO v8s基线模型分别降低63.88%和62.10%,精确率(Precision)和平均精度(AP)相较于原模型分别提高0.9、2.3个百分点,优于其他对比模型。在Jetson Nano和Jetson Tx2嵌入式设备上实时检测帧率(FPS)分别为5.78、19.38f/s,为原模型的1.93、1.24倍。因此,本文提出的改进后模型能够有效检测复杂环境下百香果目标,为实际场景中百香果自动采摘等移动端检测设备部署和应用提供理论和技术支持。     

南方地区冬小麦白粉病预测模型的研究

由于南方地区冬小麦白粉病的预测是一项多因素的复杂工程,因而针对传统预测方法的不足,提出了一种基于灰色系统GM(1,1)理论和BP神经网络相结合的预测模型。灰色系统GM(1,1)模型理论建模方法简单,计算量小,而BP算法特别适合于对GM(1,1)模型进行残差修正,利用两者的结合可以建立较高精度的预测模型。利用该模型对南方某地区冬小麦白粉病进行了预测,结果表明,该模型准确有效,适用于该地区的冬小麦白粉病的预测。     

基于椭圆型度量学习的小麦叶部病害识别

特征提取和相似性度量是基于图像处理的农作物病虫害识别方法中的两大关键问题。以感染小麦白粉病的叶片为研究对象,提出了一种基于椭圆型度量学习的小麦叶部病害严重度识别算法。该算法首先给出了一种滑窗最大值（Moving window maximum, MWM）特征提取方法,对分割后的病斑图像采用滑窗法提取HSV颜色特征和LBP纹理特征,在同一水平条滑窗上取每一维特征的最大值作为这一水平条的特征,这种MWM特征表示方法能有效减弱小麦叶片弯曲、倾斜、拍摄角度不同等对识别率的影响;然后,引入对样本数据具有更好区分性的椭圆型度量,根据样本的类内与类间高斯分布的对数似然比定义椭圆型度量矩阵,为了保持最大化的分类信息,将特征子空间学习和椭圆型度量学习同时进行;最后,利用得到的椭圆型度量计算特征向量之间的距离实现不同严重度病害的识别。对比实验结果表明,本文算法使得小麦白粉病严重度的识别正确率达到了100%,优于SVM方法的88.33%、BP神经网络方法的90%。     

基于改进YOLO v5s的轻量级奶牛体况评分方法

奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-MCE)。首先,通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次,在MobileNetV3网络中融入坐标注意力机制(Coordinate attention, CA)构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络,在降低模型复杂度的同时,使得网络特征提取时更关注于牛尾区域的位置和空间信息,从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数,优化了目标边界框回归收敛速度,生成定位精准的预测边界框,进而提高了模型检测精度。试验结果表明,改进的YOLO v5s模型的检测精度为93.4%,召回率为85.5%,mAP@0.5为91.4%,计算量为2.0×10⁹,模型内存占用量仅为2.28 MB。相较原始YOLO v5s模型,其计算量降低87.3%,模型内存占用量减...     

联合多源多时相卫星影像和支持向量机的小麦白粉病监测方法

白粉病主要侵染小麦叶部,可利用卫星遥感技术进行大范围监测和评估.本研究利用多源多时相卫星遥感影像监测小麦白粉病并提升分类精度.使用四景Landat-8的热红外传感器数据(Thermal Infrared Sensor,TIRS)和20景MODIS影像的MOD11A1温度产品反演地表温度(Land Surface Tem...     

基于YOLO v8n改进的小麦病害检测系统

针对现有小麦病害检测算法精度低、处理速度缓慢、易受背景环境干扰、难以检测目标病害等问题,结合先进的智 能手机硬件、便捷的微信小程序以及高效的云服务平台,设计一个基于云架构的小麦病害检测系统。系统主要包括云服务器模块和微信小程序模块,云服务器端主要用于图像接收和模型处理;使用 CSS 和 Java Script 语言开发微信小程序, 用于实现数据上传、信息反馈与信息显示。为保证模型在云服务器部署的可行性,提出一种基于YOLO v8n 改进的小麦病害检测模型（C2f-Faster-Slim-Neck-YOLO v8n,CS-YOLO）。该模型结合 FasterNet轻量化优点,使用 FasterNet 中的 FasterNet Block 替换 C2f 中 Bottleneck 模块,降低模型内存占用量的同时,提高模型特征融合能力和检测精度。在颈部网络使用 GSConv 并采用 Slim-Neck 设计范式中的 VoV-GSCSP 模块对 YOLO v8n 的 Neck 进行改进,降低模型计算量的同时提高模型检测精度。试验结果表明,对于大田环境下所采集的小麦病害数据集,改进后模型浮点运算量及模型内存占用量相比 YOLO v8n 基线模型分别降低24.4% 和17.5%,同时平均精度均值相较于原模型提高1.2个百分点,且优于 YOLO v3-tiny、YOLO v5、YOLO v6、YOLO v7 和 YOLO v7-tiny 算法。最后将轻量化检测模型 CS-YOLO 部署到云服务器上,将检测功能转化为 API 接口,小程序利用请求调用其接口调用服务器连接,服务器收到请求后,将数据传递给部署在云服务器上的模型,用户通过使用微信小程序调用检测模型对病害图像进行类型识别和病害位置检测,平均精度均值为 89.2%,可为小麦病害识别类型和检测病害位置提供技术支持。     

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。     

基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional, MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation, SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution, Batch normal, Hardswish, CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%...     

基于高光谱病害特征提取的温室黄瓜霜霉病早期检测

针对温室黄瓜早期霜霉病高光谱图像田间采集环境光照的影响及有效病害特征难以提取的问题,提出融合病害差异信息改进的竞争性自适应重加权算法(Competitive adaptive reweighted sampling,CARS)和连续投影算法(Successive projections algorithm,SPA)相结...     

基于图像识别算法的变电站压板核对系统研究

目前变电站压板核对工作需要人工的方式进行现场核对,工作效率低,灵活性和准确性不高。为了解决上述问题,文章通过图像识别算法的技术给核对压板工作提供一种支撑技术手段,搭建变电站压板数据库系统,使用便携式压板核对手持平台,对改进目前的人工纸质表格核对方式问题的解决和突破具有重要意义。