基于核相互子空间法的番茄叶部病害快速识别模型

近年来,基于叶片图像的番茄病害识别研究受到广泛关注。本研究利用番茄叶部病害图像中病斑的颜色和纹理的差异,通过提取番茄病害叶片图像的颜色矩（CM）、颜色聚合向量（CCV）和方向梯度直方图（HOG）等颜色纹理特征,引入核相互子空间法（KMSM）,建立了番茄叶部病害快速识别模型（CCHKMSM）。该模型首先通过高斯核函数,将从不同类别叶部病害图像数据中抽取的颜色及纹理特征映射到高维空间;然后对映射的高维空间进行主成分分析,建立非线性病害特征空间;最后基于非线性特征空间最小正则角对病害进行识别。本研究分别以公共农业病虫害数据集PlantVillage中的9种番茄病害类和1类健康番茄叶片图像,以及实际场景下采集的3种叶部病虫害图像数据集开展算法验证试验。基于PlantVillage的试验结果表明,当每类样本集数量为350张时,本研究所提出的CCHKMSM模型识别率达到100%,模型训练时间为0.1540 s,平均识别时间为0.013 s;同时,在样本数量150张到1000张的测试区间内,模型平均识别率为99.14%。该识别率高于其他典型的机器学习模型,与基于深度学习的识别方法相当。基于实际复杂场景下采集病害图像集的实验中,通过对原始图像切割分块后,对各病害的平均识别率为96.21%。试验结果表明,本研究提出的CCHKMSM模型识别准确率高且计算量小,其训练时间和测试时间都远低于深度学习等方法。该方法对系统要求低,具有在手持设备、边缘计算终端等低配置感知系统中的应用潜力。     

基于深度残差网络的番茄叶片病害识别方法

传统深度学习模型在用于蔬菜病害图像识别时,存在由于网络梯度退化导致的识别性能下降问题。为此,本文研究了一种基于深度残差网络模型的番茄叶片病害识别方法。该方法首先利用贝叶斯优化算法自主学习网络中难以确定的超参数,降低了深度学习网络的训练难度。在此基础上,通过在传统深度神经网络中添加残差单元,解决了由于梯度爆炸/消失造成的过深层次病害识别网络模型性能下降的问题,能够实现番茄叶片图像的高维特征提取,根据该特征可进行有效病害鉴定。试验结果表明,本研究中基于超参数自学习构建的深度残差网络模型在番茄病害公开数据集上取得了良好的识别性能,对白粉病、早疫病、晚疫病和叶霉病等4种番茄叶片常见病害的识别准确率达到95%以上。本研究可为快速准确识别番茄叶片病害提供参考。     

基于迁移学习的卷积神经网络玉米病害图像识别

为实现小数据样本复杂田间背景下的玉米病害图像识别,提出了一种基于迁移学习的卷积神经网络玉米病害图像识别模型。在VGG-16模型的基础上,设计了全新的全连接层模块,并将VGG-16模型在Image Net图像数据集训练好的卷积层迁移到本模型中。将收集到的玉米病害图像数据集按3∶1的比例分为训练集与测试集。为扩充图像数据,对训练集原图进行了旋转、翻转等操作。基于扩充前后的训练集,对只训练模型的全连接层和训练模型的全部层(卷积层+全连接层)两种迁移学习方式进行了试验,结果表明,数据扩充和训练模型的全部层能够提高模型的识别能力。在训练模型全部层和训练集数据扩充的条件下,对玉米健康叶、大斑病叶、锈病叶图像的平均识别准确率为95. 33%。与全新学习相比,迁移学习能够明显提高模型的收敛速度与识别能力。将训练好的模型用Python开发为图形用户界面,可实现田间复杂背景下玉米大斑病与锈病图像的智能识别。     

基于卷积神经网络的番茄主要病害识别方法研究

传统的番茄叶片病害识别周期长、准确率较低,依赖于人工设计特征。基于此,课题组现提出一种基于深度残差网络的番茄叶片病害识别网络,该网络基于ResNet101网络,将Plant Village数据集在ResNet101网络中训练好的参数进行迁移以完成构建,通过观察精准率、召回率和混淆矩阵等模型的评价标准可以看出,课题组提出的网络相对于参照模型,在番茄叶片病害识别方面综合平均识别率更高、收敛速度更快,具有更好的鲁棒性和泛化能力。研究结果表明,该网络能更好地平衡识别准确率和网络轻量高效的需求,模型的平均识别准确率高达99.89%,具有良好的应用前景,初步满足了番茄病害识别的生产要求。     

基于改进Yolov5植物病害检测算法研究

苹果和番茄是日常生活非常常见的果蔬,准确地识别病害能够提升作物产量,减少经济损失。针对现有的植物病害检测方法不能准确且快速地检测植物叶片中病害区域的问题,设计一种基于改进Yolov5的深度学习方法,用于检测苹果、番茄叶片常见病害。通过数据增强和图像标注技术构建苹果、番茄叶片病害数据集,利用K-means算法对初始锚框进行调整,在此基础上使用复合主干网增强Yolov5主干网对病害特征的提取能力,使用Varifocal Loss函数提高对密集感染区域的识别精度。试验结果表明：改进后的Yolov5病害检测算法mAP达到95.7%,在原来Yolov5模型基础上mAP提升1.7%,平均检测一张图像耗时0.033 s,为苹果、番茄叶片病害检测提供一种高性能的解决方案,能够以较高的准确率对植物叶片病害进行分类与定位。     

基于CycleGAN-IA方法和M-ConvNext网络的苹果叶片病害图像识别

针对苹果叶片病害图像识别存在数据集获取困难、样本不足、识别准确率低等问题,提出基于多尺度特征提取的病害识别网络(Multi-scale feature extraction ConvNext, M-ConvNext)模型。采用一种结合改进的循环一致性生成对抗网络与仿射变换的数据增强方法(Improved CycleGAN and affine transformation, CycleGAN-IA),首先,使用较小感受野的卷积核和残差注意力模块优化CycleGAN网络结构,使用二值交叉熵损失函数代替CycleGAN网络的均方差损失函数,以此生成高质量样本图像,提高样本特征复杂度;然后,对生成图像进行仿射变换,提高数据样本的空间复杂度,该方法解决了数据样本不足的问题,用于辅助后续的病害识别模型。其次,构建M-ConvNext网络,该网络设计G-RFB模块获取并融合各个尺度的特征信息,GELU激活函数增强网络的特征表达能力,提高苹果叶片病害图像识别准确率。最后,实验结果表明,CycleGAN-IA数据增强方法可以对数据集起到良好的扩充作用,在常用网络上验证,增强后的数据集可以有效提高苹果叶片病害图像识别准确率;通过消融实验可得,M-ConvNex识别准确率可达9918%,较原ConvNext网络准确率提高0.41个百分点,较ResNet50、MobileNetV3和EfficientNetV2网络分别提高3.78、7.35、4.07个百分点,为后续农作物病害识别提供了新思路。     

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络（Multi scale feature fusion and coordinate attention MobileNet, MCA-MobileNet）模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络（Wasserstein generative adversarial networks, WGAN）进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块（Coordinate attention, CA）嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。     

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...     

基于迁移学习的卷积神经网络植物叶片图像识别方法

为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。     

基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别

番茄病害的及时检测可有效提升番茄的质量和产量.为实现番茄病害的实时无损伤检测,本研究提出了一种基于改进MobileNetV3的番茄叶片病害分类识别方法.首先选择轻量级卷积神经网络Mobile?NetV3,在Image Net数据集上进行预训练,将预训练得到的共享参数迁移到对番茄叶片病害识别的模型上并做微调处理.采用相同...     

基于改进YOLO v5s的作物黄化曲叶病检测方法

作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型在复杂环境下识别效果差和效率低的问题,本文提出一种集成改进的叶片病害检测识别方法。该方法通过对Plant Village公开数据集中单一患病叶片图像以及实际生产中手机拍摄获取的患病作物冠层图像两种来源制作数据集,并对图像中的患病叶片进行手动标注等操作,以实现在复杂地物背景和叶片遮挡等情况下正确识别目标,即在健康叶片、患病叶片、枯萎叶片、杂草和土壤中准确识别出所有的患病叶片。此外,用智能手机在生产现场拍摄图像,会存在手机分辨率、光线、拍摄角度等多种因素,会导致识别正确率降低等问题,需要对采集到的图像进行预处理和数据增强以提高模型识别率,通过对YOLO v5s原始模型骨干网络重复多次增加CA注意力机制模块（Coordinate attention）,增强YOLO算法对关键信息的提取能力,利用加权双向特征金字塔网络（Bidirectional feature pyramid network,BiFPN）,增强模型不同特征层的融合能力,从而提高模型的泛化能力,替换损失函数EIoU（Efficient IoU loss）,进一步优化算法模型,实现多方法叠加优化后系统对目标识别性能的综合提升。在相同试验条件下,对比YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型,本方法的精确率P、召回率R、平均识别准确率mAP0.5、mAP0.5:0.95分别达到97.40%、94.20%、97.20%、79.10%,本文所提出的算法在提高了精确率与平均精度的同时,保持了较高的运算速度,满足对作物黄化曲叶病毒病检测的准确性与时效性的要求,并为移动端智能识别作物叶片病害提供了理论基础。     

病虫害智能识别喷药装置设计——基于PC图像处理和近红外光谱分析

在自动化喷施农药过程中,为了准确识别病虫害作物、节约农药和降低农业对环境的污染,以及提高药物的去虫效率,提出了一种基于PC图像处理和近红外光谱分析的作物病虫害智能识别喷药装置。该装置分为3个模块,包括近红外病虫害识别模块、喷药自动化调节模块和车载设备,其控制模块为安装在车上的PC机,利用近红外识别装置可以判断作物是否被病虫害污染,并且识别作物污染的等级,采用喷药自动化调节模块可以实现农药的定量调节,利用车载设备实现了全自动化喷药。对装置的性能进行了测试,结果表明:采用近红外识别装置和主成分分析法可有效地识别病虫害污染的作物,识别准确率较高;喷药自动化装置可根据病虫害的等级进行变量化喷药,减少了农药使用量,得到了较高的去虫率,从而验证了装置的可行性和可靠性。     

农业自动化喷雾机械标靶害虫自动识别系统的研究

农业喷雾对象的识别和定位是农业自动化喷雾机械研究中的核心技术之一。对病虫害甘蓝进行精准喷洒农药,实现病虫害准确自动识别成为关键。为此,利用机器视觉的欧氏距离甘蓝夜蛾虫害自动识别检测系统,结合由Qualityspec光谱仪组成的光谱成像系统,对甘蓝正常叶片和遭受甘蓝夜蛾虫害的甘蓝叶片的颜色特征和光谱特征进行分析,并采用机器视觉分割阈值选取中的Otsu算法和自适应波段选择方法提取出了颜色差异的最佳几何阈值和两种叶片的特征波段。试验结果表明:综合机器视觉和光谱技术能够实现甘蓝夜蛾虫害的自动且准确的识别,准确率可达94%。因此,建立机器视觉和光谱技术综合识别体系,可为农作物病虫害自动防治喷雾机器人的研制奠定基础,以达到农作物病虫害实时识别和及时治理的目的。     

基于改进YOLO v3的玉米叶片气孔自动识别与测量方法

气孔是植物叶片与外界环境交换气体和水分的重要结构。针对现有气孔性状分析主要采用人工测量,过程繁琐、效率低下、容易出现人为误差的问题,本文采用YOLO(You only look once)深度学习模型完成了玉米叶片气孔的自动识别与自动测量工作。结合玉米叶片气孔数据集的特点,对YOLO深度学习模型进行了改进,有效地提高了气孔识别和测量的精确率。对YOLO深度学习模型中的预测端进行了优化,降低了误检率;同时,结合气孔特征对16倍、32倍下采样层进行简化,提高了识别效率。实验结果表明,改进后的YOLO深度学习模型在玉米叶片气孔数据集上识别精确率达到95%,参数测量的平均精确率达到90%以上。本文方法能够自动完成玉米叶片气孔的识别、计数与测量,解决了传统气孔分析方法的低效率问题,为农业科学家、植物学家开展植物气孔分析研究提供了技术支撑。     

基于复杂环境的番茄叶部图像病虫害识别

针对复杂环境下番茄叶部图像因其背景复杂导致病害识别较为困难,以温室大棚内采集的番茄叶部图像作为研究对象,对番茄白粉病、早疫病和斑潜蝇三种常见病虫害,提出一种结合颜色纹理特征的基于支持向量机(SVM)的CCL-SVM的复杂环境番茄叶部图像病害识别方法。CCL-SVM方法为实现小样本及复杂背景环境下的快速识别,首先采用滑动窗口将原始番茄叶部病害图像切割成小区域图像,选取不包含背景的小区域图像样本作为试验样本,从而实现样本数量和样本多样性的增加,并降低样本复杂背景的影响。通过对样本数据抽取颜色纹理特征(CCL),采用SVM模型对番茄早疫病、白粉病、斑潜蝇和健康叶片分类识别。试验结果表明,提出的CCL-SVM方法比Gray-SVM对番茄叶片病害种类的识别性能得到大幅提升,识别率从60.63%提升到97.5%;CCL-SVM方法识别精度高于对比的深度学习网络VGG16和Alexnet方法,且每个小区域图像的平均测试时间远低于深度学习网络。本文设计的CCL-SVM方法具有减小复杂背景影响,计算量小及系统要求低的优点,为复杂环境下番茄病害快速识别提供一种新的思路。     

电子条码尺立木胸径自动测量研究

为了实现立木胸径的快速、准确测定,以EAN-13条形码编码和译码规则为模版,基于Android开发平台和Open CV图像智能处理技术,设计了一种可以实现单人作业、立木胸径自动测量的电子条码尺。条码尺编码完成后,利用开发的手机APP扫描条形码图像,通过图像的预处理、条形码的定位与识别、胸径的自动测量与记录、数据保存与导出等过程,实现立木胸径自动测量。经实验验证,该方法进行立木胸径测量的精度达99.95%以上,满足国家森林资源连续清查的精度要求,测量工作的效率也得到显著提高。     

水肥一体化远程自动控制系统设计及试验

结合我国智慧型农业和水肥一体化技术的发展趋势,设计了一套水肥一体化远程自动控制系统。系统由肥料稀释系统、均匀混合系统、远程自动控制系统、监测系统及田间喷灌系统组成,并应用了数据采集、数据处理、无线通讯、智能控制等技术。由可编程控制器(PLC)、无线通讯模块、触摸屏,以及EC、pH传感器、压力传感器、电磁阀、泵等部件构成完整的系统,通过触摸屏对施肥机实现本地控制,借助手机APP或电脑网站可以远距离控制施肥机完成相关指令。样机试验表明:施肥机能够实现远程自动控制,实时显示EC值、pH值、水压值,完成设定的多种施肥方案,准确记录单次水肥用量,吸肥性能较好,长时间运行表现出很好的稳定性。