基于改进YOLOv4算法的番茄叶部病害识别方法

为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。     

基于多尺度卷积与通道域增强的草莓病害识别方法

为提高草莓病害图像的分类准确性，提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先，针对草莓病害的多尺度特点，基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv),在提取多尺度病害特征的同时，缓解参数量增加导致的收敛干扰；其次，提出基于双重池化的通道增强模块，用以提高模型的特征选择能力，增强有用尺度下的特征；最后，将上述方法与ResNet18结合，将原本的3×3卷积替换为DOPConv,同时在残差块中加入通道增强模块，构建出草莓病害分类网络。为验证模型识别性能与模块有效性，在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明，与原有ResNet18模型相比，CEM-DOPConv-ResNet18的准确率达97.867%,提高3.045百分点，同时内存占用量下降16.6%;消融试验结果表明，相较于原始金字塔卷积，DOPConv可以优化模型收敛，对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率，降低了网络复杂度，为病害的精准识别提供了一种有效解决模型。     

基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi-head self-attention,多头自注意力)替换了SPPF(Spatial pyramid pooling-fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self-attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。     

基于多分辨率特征融合的葡萄尺寸检测

针对葡萄特征提取不够充分且果粒排列密集相互遮挡难以准确检测的问题,以陕西省鄠邑区户太8号葡萄为研究对象,提出一种基于特征金字塔网络(FPN)特征融合的Faster R-CNN卷积神经网络模型完成复杂背景情况下葡萄果粒的检测与识别.以ResNet50为主干网络,引入金字塔结构,增强网络模型对葡萄果粒不同分辨率特征的提取能...     

基于多感受野与多尺度融合的草莓病害分割算法

针对草莓病害在区域分割时存在背景复杂、目标较小导致难以被有效分割等问题,提出一种基于多感受野与多尺度融合的草莓病害分割算法。首先搭建了U-Net基础模型,使用结合注意力机制与残差网络的主干特征提取网络(CBAM-ResNet50)替代U-Net中的主干特征提取网络VGG16,一方面来加强目标区域的表征能力,抑制背景区域,以此实现复杂背景下的病害区域分割问题;另一方面通过残差减少梯度消失,提升模型的收敛速度;接着在特征融合层,设计基于3D无参注意力机制(SimAM)的多尺度自适应特征融合模块,通过邻近特征信息弥补当前层特征的信息丢失,以此提升小目标的检测能力;最后在网络底层设计基于膨胀卷积的多感受野模块,通过不同膨胀率的膨胀卷积来增加特征的全局感受野以实现整体分割区域的感知。结果表明,本研究提出的方法mPA达90.30%,相比于标准U-Net模型提高了7.13百分点,本研究提出的方法能更好地对复杂背景下及小目标病害进行精准分割。     

ViTH:面向医学图像检索的视觉Transformer哈希改进算法

对海量的医学图像进行有效检索会给医学诊断和治疗带来极其重要的意义.哈希方法是图像检索领域中的一种主流方法,但在医学图像领域的应用相对较少.针对此,提出一种面向医学图像检索的视觉Transformer哈希改进算法.首先使用视觉Transformer模型作为基础的特征提取模块,其次在Transformer编码器的前、后端分别加入幂均值变换(Power-Mean Transformation, PMT),进一步增强模型的非线性性能,接着在Transformer编码器内部的多头注意力(Multi-Head Attention, MHA)层引入空间金字塔池化(Spatial Pyramid Pooling, SPP)形成多头空间金字塔池化注意力(Multi-Head Spatial Pyramid Pooling Attention, MHSPA)模块,该模块不仅可以提取全局的上下文特征,而且可以提取多尺度的局部上下文特征,并将不同尺度的特征进行融合.最后在输出幂均值变换层之后将提取到的特征分别通过两个多层感知机(Multi-Layer Perceptrons, MLPs),上分支的MLP用来预...     

基于改进DINO的牧场杂草检测

针对传统杂草识别方法对与牧草有相似特征的杂草的识别精度低的不足,提出一种基于改进DINO检测网络的牧场杂草检测模型。为了增强有效特征和精确位置信息的提取,并减少无效信息的干扰,在端到端模型DINO的主干网络ResNet中加入结合空间注意力和通道注意力的CBAM-G注意力机制模块;通过增加网络深度,让主干网络可以提取到更深层次的目标特征;引入更加轻量化的SFPN模块,替换了算法中原有的特征融合模块;最后为了提高特征提取网络与Transformer的稳定度和检测性能,在模型特征提取网络中加入高斯误差线性单元。结果表明,改进后的检测模型在Kaggle的牧场杂草数据集上的像素精度AP₅₀达到了95.89%,AP₇₅达到了89.23%,相较于原始模型可以更好地利用多尺度特征信息,并提升识别精度。     

改进的基于YOLOv5s苹果树叶病害检测

针对目前在复杂环境下苹果树叶病害检测准确度低、鲁棒性差、计算量大等问题，提出一种改进的基于YOLOv5s苹果树叶病害的检测方法。首先，该方法在YOLOv5s网络基础上，选择考虑方向性的SIoU边框损失函数替代CIoU边框损失函数，使网络训练和推理过程更快，更准确。其次，在特征图转换成固定大小的特征向量的过程中，使用了简单化的快速金字塔池化(SimSPPF)替换快速金字塔池化(SPPF)模块，在不影响效率的情况下丢失的信息更少。最后在主干网络中使用BoTNet(bottleneck transformers)注意力机制，使网络准确的学习到每种病害的独有特征，并且使网络收敛更快。结果表明，相比于基准网络YOLOv5s,改进后的YOLOv5s网络mAP精度为86.5%,计算量为15.5GFLOPs,模型权重大小为13.1 MB,相对于基准YOLOv5s,平均精度提升了6.3百分点、计算量降低了0.3GFLOPs、模型权重压缩了1 MB。并适用于遮挡、阴影、强光、模糊的复杂环境。本研究所提出的方法，在降低了网络大小、权重、计算量的情况下提高了复杂环境下苹果树叶病害的检测精度，且对复杂环境具有一...     

基于改进YOLOv7的水稻害虫识别方法

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2 帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。     

基于改进YOLOv5＿OBB的中华绒螯蟹旋转目标检测

【目的】提出一种基于改进YOLOv5＿OBB的旋转目标检测方法,快速、准确地检测和定位中华绒螯蟹。【方法】首先,在YOLOv5＿OBB的主干网络中引入高效通道注意模块;其次,采用BiFPN网络结构进行特征融合模块设计,实现高效的双向跨尺度连接和加权特征融合;最后,采用变焦损失(varifocal loss)解决正负样本不均衡问题。【结果】改进后YOLOv5＿OBB模型的P(precision)、R(recall)和mAP(mean average precision)分别达到95.4%、95.2%和90.1%,比原模型分别提高了1.0%、1.9%和1.3%。【结论】该模型能够实时、准确地检测和定位中华绒螯蟹,实现自动化养殖。     

基于改进U-Net的不同容重小麦籽粒识别检测

小麦质量等级检测过程中，容重是一项非常重要的指标。人工检测和传统图像处理方法在小麦质量等级检测方面存在设备昂贵、识别效率低等问题，需要进一步改进。采用自制3种等级小麦籽粒样品作为小麦容重数据集，针对小麦籽粒目标小、边缘分割不清晰等特点对U-Net网络进行改进。在主干网络上，采用残差堆叠模块来减少特征损失，在网络桥接部分嵌入CBAM注意力机制模块来加强对特征的进一步提取，在解码器部分嵌入自注意力机制模块，还原细节信息。结果表明，改进网络模型CBSA＿U-Net的平均交并比（MIoU）为81.5%，比U-Net模型提升了1.8百分点，相较于PSPNet、DeepLabv3+模型分别提升了4.2、3.3百分点。     

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...     

一种改进的多任务级联卷积神经网络人脸检测算法

人脸识别是人工智能的重要应用领域之一,人脸检测是人脸识别的关键步骤.由于姿势变化、外物遮挡以及光源方向等多方面因素的影响,人脸检测的准确率不高,并且对于多人图片,往往很难准确地识别出所有人脸.提出了一种改进的多任务级联卷积神经网络的人脸检测算法(IMTCNN):对R-Net层网络集成图片信息卷积残差模块,通过扩大特征图的感受野来获取更多人脸信息,以提升R-Net层网络对人脸目标的检测鲁棒性,并且通过加入反卷积层和最大池化层解决特征融合时维度不一致问题;对O-Net层网络集成图片信息卷积残差模块,进一步提升对多人图片的人脸检测性能,降低人脸检测过程中受外部条件影响产生的误差,同时添加2个卷积池化层使特征融合时维度一致.通过改进R-Net层和O-Net层集成图片信息卷积残差模块,扩大特征图的感受野,对图片进行人脸候选框定、选区筛选以及人脸关键点定位,最终实现人脸检测.试验结果表明,该算法速度快,准确性高,并且可以一次性检测多张人脸,为后续人脸识别打下了良好的基础.     

基于深度学习的在线烟叶等级判定研究

对烟叶进行等级判定可以合理利用烟叶资源，提高卷烟产品质量，对实现经济利益最大化有重要意义。提出一种基于深度学习的在线烟叶等级判定方法，该方法采用ResNeXt为基础网络，在残差结构中嵌入SE模块以增强重要通道的信息，并引入FPN+PAN结构将网络浅层细节特征和高层语义特征进行融合，以实现多尺度特征表达。测试结果表明，该方法烟叶等级判定的准确率达到92.8%,因此该方法对烟叶等级具备良好识别的能力，可适用实际生产。     

基于小样本学习的马铃薯叶片病害检测

马铃薯叶片的病害将直接导致马铃薯产量和质量的下降,为实现马铃薯叶片病害的精确检测并及时预防病变,提出了一种基于小样本学习的马铃薯叶片病害检测算法。首先,利用一组共享权重的特征提取器将输入图片映射到深度特征空间;然后,提出一种任务感知注意力模块用于融合小样本学习网络中的双分支输入特征,强化目标任务的特定表达能力;最后,引入一种动态卷积模块提高卷积核的建模能力,并将卷积块注意力机制(CBAM)嵌入到该卷积网络中,构造特征强化学习模块,细粒度地捕获病害区域的细节特征。通过在开源马铃薯叶片病害检测数据集上进行测试,所提出模型分别实现了93.92%的准确率、93.81%的精准率、93.85%的召回率和93.63%的F₁值;此外,在自建数据集上与当前经典马铃薯叶片病害检测模型相比,同样具有较好的竞争力。     

基于混合注意力机制的植物病害识别

针对现有的多种植物病害分类识别方法存在准确率不高的问题,提出一种基于混合注意力机制深度残差网络的植物病害识别方法.该识别方法通过在传统的残差神经网络上,增加空间注意力模块以及通道注意力模块,使网络对于图片的细节部分的注意力更高,提取的特征更为丰富.为了验证改进后的网络模型对植物病害分类识别的有效性,使用改进的模型与现有...     

基于改进ConvNeXt网络的人参分级模型

为了解决人参分级特征差异性小、严重依赖专业人员的问题，建立了一个包含5 116张图像，不同背景下的3种级别的人参数据集，提出了一种基于改进ConvNeXt框架的人参分级模型。首先，在主干网络下采样后嵌入通道混洗（Channel Shuffle）模块，使通道特征充分融合以提升分级精确度；其次，对ConvNeXt Block模块进行优化改进，将结构重参数化（Re-parameterization）模块与其进行融合，提高模型的表征能力，丰富卷积块的特征空间，进一步提升模型准确率；最后，将原激活函数GELU替换为PReLU激活函数，以增加神经网络模型的非线性变异性，提高了模型精度和效率。结果表明：该方法对人参分级的准确率、精确率、召回率以及特异度分别达到了94.44%,91.58%,91.04%和95.82%，损失率降低至0.24%，验证了其在人参质量评估中的准确性和可靠性，为人参质量分级的智能化提供了技术支持。     

基于改进YOLO v5的橙子果实识别方法

针对自然环境下橙子检测存在枝叶遮挡、相邻果实重叠等情况而导致检测效果差的问题，提出一种改进的YOLO v5方法。首先，在主干网络部分使用RepVGG(re-param VGG)模块替换原始C3模块，加强网络对特征信息的提取能力；其次，在颈部网络使用鬼影混洗卷积(ghost-shuffle convolution)代替原有的标准卷积，能够在保证精度的前提下，降低模型参数量；再次，在预测头前加入ECA(efficient channel attention)注意力模块，能够更加准确定位目标信息；最后，引入EIOU(efficient intersection over union)损失函数加速预测框的收敛，提高其回归精度。改进的YOLO v5网络在自然环境下的橙子检测中平均精度达到90.1%,相比于目前热门的检测网络CenterNet、YOLO v3和YOLO v4其在识别效果方面有一定的提升。可见，所提出的改进网络在橙子检测上更有优势，能为今后智能采摘机器人的研发提供理论支撑和技术参考。     

基于Ghost-YOLOv3-2算法的2尺度猪目标检测

为了提高养殖场猪目标检测的检出率和实时性,提出一种从特征提取骨干网络和特征金字塔网络这2个方面对YOLOv3算法进行改进的猪目标检测算法(Ghost-YOLOv3-2),并与经典YOLOv3、Ghost-YOLOv3、YOLOv3-2等3种算法进行对比研究.试验结果表明,特征提取骨干网络的残差单元中引入影子块,可以在保...     

基于轻量级SE-PPM的自然状态烟叶正副组分类算法

【目的】针对自然状态烟叶传统正副组分类速度慢、正副组易错分、特征提取困难的问题,提出了一种基于轻量级SE PPM的自然状态烟叶正副组分类算法（SAPMDSNet）。【方法】基于轻量级ShuffleNetV2网络,先通过降低网络卷积深度和进化激活函数,加快网络模型的训练速度;再引入通道注意力机制SE模块,增强通道间的特征差异,提高网络模型的表征能力,避免正副组烟叶叶部区域化导致的组别错分;最后通过嵌入金字塔池化模块PPM充分融合烟叶显露特征与全局信息,增强对正副组烟叶上下文信息的聚合,并采用自行构建的烟叶数据集进行对比试验。【结果】SAPMDSNet网络模型的分类准确率为91.09%,计算量（FLOPs）为151.70 M,取得了相对较高的分类效果。与原网络ShuffleNetV2模型和轻量级GhostNet模型相比,SAPMDSNet网络模型的FLOPs分别升高2.65%和2.84%,而识别准确率则分别提高2.72和21.13个百分点;MobileNetV2、DenseNet和SqueezeNet模型的识别准确率分别为87.02%,89.53%和87.60%,虽均与SAPMDSNet模型的识别准确率接近,但其FLOPs明显较SAPMDSNet模型大。【结论】构建的SAPMDSNet模型能提高烟叶正副组分类精度且具有较好的整体性能,为烤烟烟叶品质初筛提供了新的思路和方法。