多尺度自注意力特征融合的茶叶病害检测方法

针对茶叶病害检测面临的病害尺度多变、病害密集与遮挡等诸多问题,提出了一种多尺度自注意力茶叶病害检测方法(Multi-scale guided self-attention network, MSGSN)。该方法首先采用基于VGG16的多尺度特征提取模块,以获取茶叶病害图像在不同尺度下的局部细节特征,例如纹理和边缘等,从而有效表达多尺度的局部特征。其次,通过自注意力模块捕获茶叶图像中像素之间的全局依赖关系,实现病害图像全局信息与局部特征之间的有效交互。最后,采用通道注意力机制对多尺度特征进行加权融合,提升了模型对病害多尺度特征的表征能力,使其更加关注关键特征,从而提高了病害检测的准确性。实验结果表明,融合多尺度自注意力的茶叶病害检测方法在背景复杂、病害尺度多变等场景下具有更好的检测效果,平均精度均值达到92.15%。该方法可为茶叶病害的智能诊断提供参考依据。     

基于多尺度注意力和深度可分离卷积的农田杂草检测

农田杂草根除是促进农业稳定生产的前提。由于杂草种类多,且相同物种因大小、颜色和位置的变化多样,导致传统农田杂草检测算法性能不高。提出一种基于多尺度注意力和深度可分离卷积的农田杂草检测算法。首先,利用深度可分离卷积改进主干网络VGG-16,降低模型参数量,加快模型的训练;然后,采用多尺度注意力模块提取杂草的多尺度特征,增强模型对形态图像特征的捕获能力。通过在不同时间段测试多个农田杂草样本,结果表明：本文算法的精准率为94.69%、召回率为94.88%和F1值为93.82%。与当前主流杂草检测模型相比,在保持较高检测性能的基础上,具有更低的时间开销,可应用于农田杂草的自动检测。     

基于图像处理多算法融合的杂草检测方法及试验

自动化除草是现代精确农业科学领域的研究热点。已有的自动化除草解决方案中普遍存在鲁棒性不强、过度依赖大量样本等问题,针对上述问题,本研究提出了基于图像处理多算法融合的田间杂草检测方法,设计了一套田间杂草自动识别算法。首先通过设置颜色空间的阈值从图像中分割土壤背景。然后采用面积阈值、模板匹配和饱和度阈值三种方法对作物和杂草进行分类。最后基于投票的方式,综合权衡上述三种方法,实现对作物和杂草的精准识别与定位。以大豆田间除草为对象进行了试验研究,结果表明,使用融合多图像处理算法的投票方法进行作物和杂草识别定位,杂草识别平均错误率为1.79%,识别精度达到98.21%。相较单一的面积阈值、模板匹配和饱和度阈值方法,基于投票权重识别杂草的精度平均提升5.71%。同时,针对复杂多变的农业场景,进行了存在雨滴和阴影干扰的鲁棒性测试,实现了90%以上的作物识别结果,表明本研究方法具有较好的适应性和鲁棒性。本研究算法可为智能移动机器人除草作业等智慧农业领域应用提供技术支持。     

基于SVM-DS多特征融合的杂草识别

为解决单一特征识别杂草的低准确率和低稳定性,提出一种支持向量机(SVM)和DS(Shafer-Dempster)证据理论相结合的多特征融合杂草识别方法.在对田间植物图像处理的基础上,提取植物叶片形状、纹理及分形维数3类特征,分别以3类单特征的SVM分类结果作为独立证据构造基本概率指派(BPA),引入基于矩阵分析的DS融合算法简化决策级融合算法复杂度,根据融合结果及分类判决门限给出最终的识别结果.实验结果表明,多特征决策融合识别方法正确识别率达到96.11％,与单特征识别相比有更好的稳定性和更高的识别率.     

基于注意力机制和特征融合的葡萄病害识别模型

植物病害是造成农作物减产的主要原因之一。针对传统的人工诊断方法存在成本高、效率低等问题,构建了一个自然复杂环境下的葡萄病害数据集,该数据集中的图像由农民在实际农业生产中拍摄,同时提出了一个新的网络模型MANet,该模型可以准确地识别复杂环境下的葡萄病害。在MANet中嵌入倒残差模块来构建网络,这极大降低了模型参数量和计算成本。同时,将注意力机制SENet模块添加到MANet中,提高了模型对病害特征的表示能力,使模型更加注意关键特征,抑制不必要的特征,从而减少图像中复杂背景的影响。此外,设计了一个多尺度特征融合模块(Multi-scale convolution)用来提取和融合病害图像的多尺度特征,这进一步提高了模型对不同病害的识别精度。实验结果表明,与其他先进模型相比,本文模型表现出了优越的性能,该模型在自建复杂背景病害数据集上的平均识别准确率为87.93%,优于其他模型,模型参数量为2.20×10⁶。同时,为了进一步验证该模型的鲁棒性,还在公开农作物病害数据集上进行了测试,该模型依然表现出较好的识别效果,平均识别准确率为99.65%,高于其他模型。因此,本文模型...     

基于注意力机制和多尺度残差网络的农作物病害识别

针对传统农作物病害识别方法依靠人工提取特征,步骤复杂且低效,难以实现在田间环境下识别的问题,提出一种多尺度卷积结构与注意力机制结合的农作物病害识别模型。该研究在残差网络（ResNet18）的基础上进行改进,引入Inception模块,利用其多尺度卷积核结构对不同尺度的病害特征进行提取,提高了特征的丰富度。在残差结构的基础上加入注意力机制SE-Net（Squeeze-and-excitation networks）,增强了有用特征的权重,减弱了噪声等无用特征的影响,进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明,改进后的多尺度注意力残差网络模型(Multi-Scale-SE-ResNet18)在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.62%,相较于原ResNet18模型准确率提高10.92个百分点,模型占用内存容量仅为44.2MB。改进后的Multi-Scale-SE-ResNet18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,可为田间环境下农作物病害识别提供参考。     

基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module,NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision,mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。     

基于多特征融合的田间杂草分类识别

提出了一种基于模糊BP综合神经网络的田间杂草分类识别方法。对分类特征进行模糊化处理,充分考虑了杂草的分类特征本身存在的不确定性。使用遗传算法对网络结构进行优化处理,提高了该综合神经网络的收敛性和稳定性。并基于特征级数据融合方法进行杂草识别。对田间7种杂草进行识别的实验结果表明,7种杂草的混合识别率达到94.2%;另外,对玉米及其伴生杂草进行分类测试,混合识别率达到96.7%,具有较好的识别精度。     

基于动态剪枝神经网络的杂草检测算法研究

针对卷积神经网络模型巨大的参数量和计算量导致其实际应用时难度较大的问题,提出了一种基于注意力机制与动态稀疏约束的模型压缩方法。该算法首先借助SENet(Squeeze and excitation networks, SENet)模块(可称为SE模块)评估出网络中各个通道的重要性,并施加稀疏正则化;然后提出一种网络稀疏度的自适应惩罚权重设计方法,根据模型学习效果,动态调整权重,将其添加到最终的训练目标上,实现模型动态压缩。最后,通过实验验证所提出的模型压缩方法,在经典的多分类数据集CIFAR-10上进行实验,证明了本文所提出的基于注意力机制与动态稀疏约束的模型压缩方法可降低网络的冗余度,使网络模型参数量减少43.97%,计算量减少82.94%,而分类准确率只比原始VGG16模型下降0.04个百分点。随后又将提出的模型压缩方法应用到杂草检测任务中,在甜菜与杂草数据集上进行实验,实验结果表明,剪枝模型相较于未剪枝模型的模型参数量减少41.26%,计算量减少45.77%,而平均检测精度均值只减少0.91个百分点,证明了该方法在杂草检测方面效果较好。     

基于轻量卷积结合特征信息融合的玉米幼苗与杂草识别

针对自然环境下作物与杂草识别精度低、实时性和鲁棒性差等问题,以幼苗期玉米及其伴生杂草为研究对象,提出一种基于轻量卷积神经网络结合特征层信息融合机制的改进单步多框检测器（Single shot multibox detector,SSD）模型。首先,采用深度可分离卷积结合压缩与激励网络（Squeeze and excitation networks,SENet）模块构建轻量特征提取单元,在此基础上通过密集化连接构成轻量化前置基础网络,替代标准SSD模型中的VGG16网络,以提高图像特征提取速度;然后,基于不同分类特征层融合机制,将扩展网络中深层语义信息与浅层细节信息进行融合,融合后的特征图具有足够的分辨率和更强的语义信息,可以提高对小尺寸作物与杂草的检测准确率。试验结果表明,本文提出的深度学习检测模型对自然环境下玉米及其伴生杂草的平均精度均值为88.27%、检测速度为32.26f/s、参数量为8.82×10.6,与标准SSD模型相比,精度提高了2.66个百分点,检测速度提高了33.86%,参数量降低了66.21%,同时对小尺寸目标以及作物与杂草叶片交叠情况的识别具有良好的鲁棒性与泛化能力。本文方法可为农业自动化精准除草提供技术支持。     

基于特征融合的前方车辆检测

近年来,由于交通事故发生率逐渐上升,智能交通系统受到研究人员的广泛关注.前方车辆检测作为其中的重要组成部分,能够及时提醒驾驶人员潜在的危险来减少交通事故的发生.基于图像处理技术,针对目前车辆检测方法中鲁棒性差、误检过多的问题,提出一种基于HOG和Haar-like特征融合算法,将提取的特征输入AdaBoost级联分类器...     

基于YOLO v5-Jetson TX2的秸秆覆盖农田杂草检测方法

玉米苗期杂草的实时检测和精准识别是实现精准除草和智能农业的基础和前提。针对保护性耕作模式地表环境复杂、杂草易受地表秸秆残茬覆盖影响、现有算法检测速度不理想等问题,提出一种适用于Jetson TX2移动端部署的秸秆覆盖农田杂草检测方法。运用深度学习技术对玉米苗期杂草图像的高层语义信息进行提取与分析,构建玉米苗期杂草检测模型。在YOLO v5s模型的基础上,缩小网络模型宽度对其进行轻量化改进。为平衡模型检测速度和检测精度,采用TensorRT推理加速框架解析网络模型,融合推理网络中的维度张量,实现网络结构的重构与优化,减少模型运行时的算力需求。将模型迁移部署至Jetson TX2移动端平台,并对各模型进行训练测试。检测结果表明,轻量化改进YOLO v5ss、YOLO v5sm、YOLO v5sl模型的精确率分别为85.7%、94%、95.3%,检测速度分别为80、79.36、81.97 f/s, YOLO v5sl模型综合表现最佳。在Jetson TX2嵌入式端推理加速后,YOLO v5sl模型的检测精确率为93.6%,检测速度为28.33 f/s,比模型加速前提速77.8%,能够在保证检...     

基于深度学习特征的铸件缺陷射线图像动态检测方法

针对X射线检测中铸件微弱缺陷误检率和漏检率高的问题,提出一种基于选择性注意机制和深度学习特征匹配的缺陷动态跟踪检测方法。基于射线图像序列,采取帧内注意区域检测消除漏检、帧间深度学习特征匹配跟踪排除误检的策略。在帧内检测阶段,提出通过中央-周边梯度搜索方法模拟生物视觉的中央-周边差运算,根据梯度阈值直接检测各可疑缺陷区域,无需分割出缺陷本身。在帧间跟踪阶段,借鉴人类大脑视觉感知系统的深度学习层次结构,建立基于卷积神经的深度学习网络,可疑缺陷区域灰度信号直接作为输入,自动抽取表征可疑缺陷区域的本质特征信息,组成深度学习特征矢量。定义基于欧氏距离的特征矢量相似度,通过连续图像中可疑缺陷区域的相似度匹配实现缺陷跟踪,以消除噪声等伪缺陷。实验结果表明,基于深度学习特征匹配方法的铸件缺陷图像动态检测,误检率和漏检率均低于3%,缺陷检测准确率超过97%,证明了所提方法的有效性。     

基于多层信息融合和显著性特征增强的农作物病害识别

现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement, MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95....