基于深度残差网络的玉米病害识别

针对人工诊断玉米病害成本高、效率低、时延长等问题,提出一种基于深度残差网络的玉米病害识别网络TFL-ResNet.TFL-ResNet网络基于ResNet50网络,首先引入Focal Loss损失函数使模型专注于难分类的病害样本,其次将ResNet50网络在PlantVillage数据集训练好的参数迁移到改进网络上以完...     

基于改进残差网络的葡萄叶片病害识别

葡萄病害是导致葡萄严重减产的主要因素,大多数病害症状都反映在葡萄的叶片上,但是人工针对叶片的识别费时且效率低。本研究提出了一种基于改进残差网络的葡萄叶片病害识别模型。该研究在ResNet50的基础上采用金字塔卷积网络,通过其包含不同大小和不同深度的卷积核来处理输入,然后以特征融合来获得不同程度的病害特征细节。在金字塔网络结构上采用深度超参数化卷积层代替传统的卷积层,能够加快模型收敛速度,有效提升模型精度。结果表明,改进后的残差网络模型与AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比,在准确性方面具有显著优势。与原模型相比较,识别准确率提高3.18百分比,改进模型对病害识别准确率高达98.20%。可以为识别葡萄叶片病害提供参考。     

基于注意力机制和残差网络的苹果叶片病害分类

苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源,进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率,提出一种残差网络与注意力机制结合的苹果叶片病害识别模型：P-D-ECA-ResNet101。首先构建苹果叶片病害数据集,然后使用常见的4种网络模型在构建的数据集上进行训练,选取训练效果最好的ResNet101为骨干网络模型,通过推迟下采样(delayed downsampling)、拆解大卷积层以及引入高效通道(efficient channel attention module, ECA)注意力模块对ResNet101网络模型进行优化,最后通过特征图可视化展示改进后网络模型的识别机制。试验结果表明,推迟下采样可以增强模型特征提取能力,拆解大卷积层可以有效减少模型的复杂度,引入ECA注意力模块可以削弱无效特征信息对模型的干扰。改进后的P-D-ECA-ResNet101模型在构建的苹果叶片病害测试集上的平均识别准确率达到96.20%,相较于原模型ResNet101提升了2.20百分点。特征图可视化分析表明改进后的P-D-ECA-ResNet101模型可以更好地聚焦于病...     

基于注意力残差机制的细粒度番茄病害识别

【目的】解决温室环境下细粒度番茄病害识别方法不足问题。【方法】以早、晚期5种番茄病害叶片为研究对象,提出一种基于注意力与残差思想相结合的新型卷积神经网络模型ARNet。通过引入多层注意力模块,层次化抽取病害分类信息,解决早期病害部位分散、特征难以提取难题;为避免网络训练出现退化现象,构建残差模块有效融合高低阶特征,同时引入数据扩充技术以防止模型过拟合。【结果】对44 295张早、晚期病害叶片数据集进行模型训练与测试的结果表明,与VGG16等现有模型相比,ARNet具有更好的分类表现,其平均识别准确率达到88.2%,显著高于其他模型。ARNet对早期病害识别准确率明显优于晚期病害,验证了注意力机制在提取细微区域特征上的有效性,且在训练过程中未发生过度抖动的状况。【结论】本文提出的模型具有较强鲁棒性和较高稳定性,在实际应用中可为细粒度番茄病害智能诊断提供参考。     

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...     

基于改进轻量化网络MobileNeXt的苹果叶片病害识别方法

针对真实环境下苹果叶片病害识别背景复杂、识别准确率不高的问题,提出了一种改进轻量化网络MobileNeXt的苹果叶片病害识别方法。首先收集了4类常见苹果叶片病害图像样本,每类由简单背景图像与复杂背景图像混合,通过多种数据增强方式对图像进行处理,以增加样本多样性,提高模型的泛化能力。接着基于轻量化网络MobileNeXt中的sandglass结构,引入协调注意力机制CA分配权重,以区分目标与背景,同时结合Inception模块与Ghost模块,设计了2种SCI(Sandglass-CA-Inception)结构,在参数增加量尽可能小的前提下,扩充网络深度与宽度,增强模型对于背景复杂病害图像的特征学习能力。试验结果表明,改进后的模型相比于MobileNeXt, Top-1准确率提升了1.23百分点,平均精确率提升了1.18百分点,参数量只增加了0.62 M,为真实场景下的苹果叶片病害识别提供了一种有效的解决方案。     

基于改进残差网络的水稻害虫识别

水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残差网络的全连接层,首先通过4个残差块得到特征图,将特征图进行胶囊化编码,其次进行层间路由,以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别,并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明,提出的改进残差网络模型的准确率达到77.12%。模型满足水稻害虫图像识别的需求,具有一定的识别准确率及较强的鲁棒性,可为实际农业场景下水稻害虫识别提供可行的方案。     

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。     

基于参数指数非线性残差神经网络的脐橙病变叶片识别

提出一种参数指数非线性(PENL)函数来改进残差网络,利用深度学习的新方法识别脐橙叶面病变,减少了整流线性损失,提升了训练效果。以脐橙叶面图像为样本,进行CNN训练,以区分出病变、缺素、正常及非此类物种4种类型,实现了对于脐橙疾病检测迅速且方便应用的分类模型,相比于传统植物病变识别方法具有极大的优势,最终识别准确率达到了97.18%~98.86%。     

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。     

基于无人机图像处理的大豆叶片病害识别准确率研究

为了平衡无人机识别覆盖度与识别准确率之间的矛盾,实现大面积大豆病害的精确识别,利用简单线性迭代聚类(Simple linear literative clustering,SLIC)超像素方法处理无人机在高度为1、2、4、8、16 m获取的大豆叶片图像,提取叶片的颜色、梯度、纹理、形状特征后,基于这些属性的特征向量利用...     

基于改进YOLOv4算法的苹果叶片病害检测方法

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端,首先,该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络,并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积;其次,为提高检测精度,将卷积注意力机制模块CBAM融合至PANet结构中,可增强对有用特征信息的提取;最后,为了使锚框更适应本研究的数据集,通过K-means聚类算法将模型的锚框信息更新。结果表明,MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点,该研究为苹果叶片的病害检测提供了一种更优的方法,有助于实现精准施药,提高苹果的产量和品质。     

基于计算机视觉的作物病害监测服务平台设计与研究

病害是威胁作物生长的主要因素,其特征复杂、变化多样。农业从业人员如缺乏专业知识,往往难以准确识别。以往图像识别方法常针对单一作物,图像分割后提取病害特征进行识别,无法适应多种作物。针对此问题,以水稻、番茄、柑橘、苹果为研究对象,以ResNet模型为基础构建深度学习网络框架,设计了含Squeeze-and-Excitation(SE)模块全新的全连接层,导入在ImageNet上预训练的权重,并在病害数据集上训练得到病害模型。为扩充图像数据,对训练集原图进行了亮度增减、随机旋转与镜面翻转等操作。基于扩充后的训练集进行病害识别和病害程度的分级研究。结果表明,对水稻、番茄、柑橘、苹果平均病害程度识别的准确率为94.16%,平均病害种类识别的准确率为92.45%;并利用训练好的模型基于c#.net core开发了病害监测平台,可实现作物病害的智能识别。     

基于残差网络与迁移学习的柑橘类型识别

传统的柑橘分类依靠人工进行辨识再手动完成分拣,整个过程耗费时间且成本高昂。对此提出了一种基于迁移学习与残差网络的柑橘图像分类方法。对Kaggle获取的20738张共8类柑橘的图像按7：3比例进行划分得到数据集。在此数据集上不同网络对于柑橘分类性能差异以及迁移学习对经典卷积模型在图像分类任务中的性能提升进行探究,实验以损失值、精准率、召回率等为性能评价指标。实验结果表明,在多种模型中,残差神经网络能获得比其他网络更高的准确率,使用迁移学习初始化网络参数能显著提高柑橘分类的准确度,降低模型过拟合的概率,实现对8类柑橘的准确识别分类,最终分类准确率达到99.9%,对柑橘分类具有指导意义。     

基于MATLAB的黄瓜叶片病害等级识别系统设计

为解决作物病害图像识别准确率低的问题,本研究以黄瓜叶片病害图像为研究对象,首先建立SVM模型,利用数据集训练取得模型并本地化,然后基于MATLAB平台搭建了黄瓜叶片病害等级识别系统。结果表明,通过输入图片,系统可自动识别黄瓜叶片病害等级并输出,平均预测准确率为91.25%。本研究可为农作物病害识别技术的发展提供参考。     

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...     

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.     

基于改进的LinkNet的苹果叶片图像分割算法

使用传统方式对苹果叶片进行图像分割进而测量叶片几何参数,虽精度尚可,但效率较低。针对该问题,提出一种基于深度学习语义分割模型和迁移学习的苹果叶片图像分割算法,完成对叶片的快速、准确分割。所提方法以LinkNet为基本网络结构,进行了4个方面的改进：采用ResNet18作为编码器主干网络,融合迁移学习的思想加速模型拟合;减小编码解码块的数量,降低网络复杂度;改进通道约减方案,减少上采样中的参数量;使用子像素卷积进行上采样,降低计算量。结合焦点损失函数,将改进的LinkNet网络应用于标准苹果叶片数据集上。试验结果表明,所提算法的分割精度为97.27%,与原LinkNet相比精度相当;推理时间仅为7.82 ms,相较于原网络缩短39.89%;模型参数量和浮点数计算量大幅减少;且改进网络的推理速度远快于FCN、U-Net、DeepLabV3+等网络。所提算法在快速分割叶片主体的同时,还能较好地保持叶片边缘锯齿等细节特征,能够真正实现高效、精准地分割苹果叶片,为快速测量叶片面积和其他几何参数提供了新的思路。     

基于坐标注意力机制和残差网络的水稻叶片病虫害识别

【目的】针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题,探索基于ResNet深度学习网络的水稻叶片病虫害识别模型（ResNet50-CA）。【方法】在ResNet-50的残差卷积模块下引入坐标注意力机制（CA）,采用LeakyReLU激活函数替代ReLU激活函数,使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。【结果】在使用传统卷积神经网络进行水稻叶片病虫害研究发现,ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系,因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验,研究发现在批量样本数为16和学习率为0.000 1时,ResNet50-CA获得最高的识别准确率（99.21%）,优于传统的深度学习算法。【结论】改进后的网络能够提取出水稻病虫害更加细微的特征信息,从而取得更高的识别准确率,为水稻叶片病虫害识别提供新思路和方法。     

基于迁移模型集成的马铃薯叶片病害识别方法

针对目前马铃薯叶片病害识别工作量大、准确率低且主观性强等热点问题,提出1种通过ResNet34模型结合不同迁移方式进行集成学习以快速识别马铃薯叶片病害图像的方法。首先,利用多种迁移方式(全部参数迁移、特征提取、微调及全新训练4种训练方法),通过调整超参数,使模型快速收敛达到全局最优点。其次,使用混淆矩阵对多种迁移方式的训练模型结果进行对比分析,微调模型识别准确率达到95.45%。最后,利用集成学习将3种训练较优的模型进行集成并与微调模型进行对比。通过试验建立了1个马铃薯叶片病害图像数据集,结果表明,相比现有热门神经网络模型,该数据集无论是识别准确率还是识别效率均有显著提升,通过对比发现,试验的总体准确率提升了3.68百分点,达到99.13%,迁移学习能够更快速地收敛,减少训练时间,并且集成学习能够大幅提升平均识别准确率。本研究提出的针对马铃薯叶片病害的识别方法成本低、精确率高,能更好地应用于日常病害识别中,为植物叶片病害的智能诊断提供借鉴和参考。