基于Enhanced VGG16的油茶品种分类

随着油茶产业不断壮大，市场上也出现了油茶幼苗品系混乱、以假乱真、以次充好的现象，因此急需开发一种专门的分类识别算法实现不同油茶品种的准确识别。农业领域常用VGG、ResNet网络模型进行分类工作，但存在权重空间过大和准确率不高等问题。该研究对VGG16网络模型进行层间删减以及结构调整，提出了Enhanced VGG16网络模型，在油茶叶数据集上完成模型训练与测试，并与现有经典卷积神经网络（AlexNet、VGG16、Resnet50、InceptionV3、Xception）进行对比。结果表明，Enhanced VGG16网络模型的训练集准确率和测试集准确率分别为98.98%和98.44%，权重空间为90.6 MB。与原始VGG16模型相比，训练集准确率和测试集准确率分别提高3.08和2.05个百分点，权重空间下降165.4 MB，模型性能显著提升。Enhanced VGG16网络模型与经典卷积神经网络相对比，模型综合性能更优。该研究为通过油茶叶进行品种分类识别提供了依据，同时可为其他农作物品种识别提供参考。     

多尺度特征融合的柑橘冠层施药沉积量分类模型

针对传统农作物冠层施药沉积量分类模型分类准确率低、网络模型参数量大且运算速度慢的问题，该研究提出一种改进的SPP-Net-Inception-v4模型。该模型通过构建稀疏网络结构平衡各个模型子网间的计算量，利用3个Inception模块生成施药沉积量在柑橘冠层热红外图像的稠密有效特征数据；在模型的卷积层与全连接层间创新性接入空间金字塔池化网络（Spatial Pyramid Pooling Network, SPP-Net），进行一次历遍提取热红外图像特征信息，再通过空间池化操作融合3种池化方式提取的多尺度特征，实现柑橘冠层热红外图像施药沉积量表现特征的提取与融合。搭建多环境因素自主控制试验环境，模拟无人机低空采集柑橘冠层热红外图像，应用3个分类模型进行对比试验，试验结果表明，SPP-Net-Inception-v4模型与Inception-v4和ResNet-152两种模型相比，准确率分别提高1.58%和3.26%，模型大小分别降低13%和24%，表明SPP-Net-Inception-v4模型在降低模型规模的基础上，提高了柑橘树冠层施药沉积量分类的准确率，可为精准农业航空中无人机植保技术的进一步发展提供参考。     

空洞卷积结合全局池化的卷积神经网络识别作物幼苗与杂草

针对传统Alex Net模型参数大、特征尺度单一的问题,该文提出一种空洞卷积与全局池化相结合的多尺度特征融合卷积神经网络识别模型。通过对初始卷积层的卷积核进行膨胀,以增大其感受野而不改变参数计算量,并采用全局池化代替传统的全连接层来减少模型的参数。通过设置不同膨胀系数的初始卷积层卷积核与全局池化层类型,以及设置不同Batch Size,得到8种改进模型,用于训练识别共12种农作物幼苗与杂草,并从建立的模型中选出最优模型。改进后的最优模型与传统Alex Net模型相比,仅经过4次训练迭代,就能达到90%以上的识别准确率,平均测试识别准确率达到98.80%,分类成功指数达到96.84%,模型内存需求减少为4.20 MB。实际田间预测野芥与雀麦幼苗的准确率都能达到75%左右,说明该文最优模型对正常情况下的幼苗识别性能较好,但对复杂黑暗背景下的甜菜幼苗准确率为60%,对恶劣背景下的识别性能还有待提升。由于模型使用了更宽的网络结构,增加了特征图的多尺度融合,保持对输入空间变换的不变性,故对正常情况下不同作物幼苗与杂草的识别能力较强。该文改进模型能达到较高的平均识别准确率及分类成功率,可为后续深入探索复杂田间背景下的杂草识别以及杂草与幼苗识别装置的研制打下基础。     

基于改进卷积神经网络的多种植物叶片病害识别

针对训练收敛时间长,模型参数庞大的问题,该文将传统的卷积神经网络模型进行改进,提出一种批归一化与全局池化相结合的卷积神经网络识别模型.通过对卷积层的输入数据进行批归一化处理,以便加速网络收敛.进一步缩减特征图数目,并采用全局池化的方法减少特征数.通过设置不同尺寸的初始层卷积核和全局池化层类型,以及设置不同初始化类型和激活函数,得到8种改进模型,用于训练识别14种不同植物共26类病害并选出最优模型.改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90%以上的识别准确率;参数内存需求仅为2.6 MB,平均测试识别准确率达到99.56%,查全率和查准率的加权平均分数为99.41%.改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害.该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考.     

基于迁移学习和改进CNN的葡萄叶部病害检测系统

为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端。试验表明,在微调训练阶段选择Adam优化器、初始学习率设为0.001、中心损失函数平衡参数设为0.12时,改进的VGG16模型性能最优,对葡萄6类叶部图像的分类平均准确率为98.02%,单幅图像平均检测耗时为0.327s。与未改进的VGG16模型相比,平均准确率提高了2.82%,平均检测耗时下降了66.8%,权重参数数量减少了83.4%。改进后的模型综合性能优于AlexNet、ResNet50和Inceptionv3等模型。将模型跨平台部署在Android手机端,自然环境下验证的平均准确率为95.67%,平均检测耗时为0.357 s。该研究建立的基于迁移学习和改进卷积神经网络的病害检测系统可实现对葡萄叶部病害的快速、智能诊断,为葡萄病害的及时防控提供依据。     

反卷积引导的番茄叶部病害识别及病斑分割模型

针对当前植物叶部病害识别模型易受阴影、遮挡物及光线强度干扰,特征提取具有盲目和不确定性的问题,该研究构建一种基于反卷积引导的VGG网络(Deconvolution-GuidedVGGNet,DGVGGNet)模型,同时实现植物叶部病害种类识别与病斑分割。首先使用VGGNet计算多分类交叉熵损失进行病害分类训练,得到病害分类结果;其次设计反向全连接层,将分类结果恢复为特征图形式;然后采用上采样与卷积操作相结合的方法实现反卷积,利用跳跃连接融合多种特征恢复图像细节;最后使用少量病斑监督,对每个像素点使用二分类交叉熵损失进行训练,引导编码器关注真实的病斑部位。试验结果表明,该研究模型的病害种类识别精度达99.19%,病斑分割的像素准确率和平均交并比分别达94.66%和75.36%,在遮挡、弱光等环境下具有良好的鲁棒性。     

基于轻量级SSD模型的夜间金蝉若虫检测

为实现夜间树上金蝉若虫的快速准确检测,该研究以自然环境图像数据集为研究对象,结合近距离实际应用场景,考虑到嵌入式系统的模型小型化和计算过程轻量化,在保持精度指标基本不变的前提下,基于适度削减模型深度、宽度的思路对已有目标检测网络MobileNet-SSD提出改进。具体措施包括：删除骨干网络末端的小尺寸特征图卷积层,逐级裁剪模型整体宽度、适当增加中高层卷积深度,在目标检测的分类层和预测框的回归层中使用深度可分离卷积代替传统3×3卷积等措施,先后获取3种改进的精简模型以进行比较。夜间图像测试结果表明,在基本保持网络性能的前提下,改进后的模型大小及计算量均呈现大幅减小,其中最优模型大小从原MobileNet-SSD的15.22 MB减少到1.51 MB,模型的浮点运算量也由原先的1.13×109减少到1.26×108,其平均准确率达90.46%,平均交并比达83.52%,F1分数达92.35%,GPU上的检测速度达179.3帧/s,CPU上的检测速度达到6.49帧/s,与改进前的模型相比具有更好的综合性能,白天图像的试验结果也显示出较好的泛化性能。该文提出的改进模型在大幅减少模型大小及其计算量的同时使模型性能保持在一个较高的水平,更适合部署在移动终端等资源受限设备上,可为金蝉的人工养殖提供有益参考。     

基于偏好免疫网络和SVM算法的油茶果多特征识别

针对油茶果采摘脱壳后存在的果壳籽粒分选效率较低的问题，该研究提出了一种结合人工免疫网络（aiNet）与支持向量机（Support Vector Machine）的多特征智能分选算法。该方法利用了免疫算法的多特征聚类特点与支持向量机的二分性特点，对油茶果壳与籽粒的延伸率、圆形度、圆满度、色差分量等6个特征进行分选。试验结果表明，该研究提出的方法在分选效率上达到了97.4%，时间平均值为600 ms，证明了这种方法在油茶果壳籽粒分选作业中的实时性与有效性。通过与其他智能分选算法的效率对比分析证明，该研究提出的方法在效率上更优，更加适合油茶脱壳生产线的实时性要求。     

采用改进YOLOv4-tiny的复杂环境下番茄实时识别

实时识别番茄的成熟度是番茄自主采摘车的关键功能。现有目标识别算法速度慢、对遮挡番茄和小番茄识别准确率低。因此,该研究提出一种基于改进YOLOv4-tiny模型的番茄成熟度识别方法。在头部网络（Head network）部分增加一个76×76的检测头（y3）来提高小番茄的识别准确率。为了提高被遮挡番茄的识别准确率,将卷积注意力模块（Convolution Block Attention Module,CBAM）集成到YOLOv4-tiny模型的骨干网络（Backbone network）部分。在深层卷积中使用Mish激活函数替代ReLU激活函数以保证提取特征的准确性。使用密集连接的卷积网络（Densely Connected Convolution Networks, DCCN）来加强全局特征融合,并建立红风铃番茄成熟度识别的数据集。试验结果表明,与YOLOv3、YOLOv4、YOLOv4-tiny、YOLOv5m和YOLOv5l模型相比,改进YOLOv4-tiny-X模型的平均精度均值（mean Average Precision, mAP）分别提高了30.9、0.2、0.7、5.4和4.9个百分点,在Nvidia GTX 2060 GPU 上达到111帧/s的速度,平均精度均值达到97.9%。不同模型的实时测试可视化结果表明,改进模型能够有效解决遮挡和小番茄识别准确率低的问题,可为番茄采摘车研制提供参考。     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

基于特征融合的棉花幼苗计数算法

为了获取棉花幼苗数量，掌握播种成活率和出苗率等关键苗情信息，该研究提出一种基于特征融合的棉花幼苗计数算法。首先，该算法采用VGG-16作为基础模块提取图像特征，使用注意力模块（Convolutional Block Attention Module，CBAM）在通道和空间维度上进行特征增强，然后将增强后的特征与基础模块中的特征进行融合，进一步强化幼苗特征表达，最后通过去冗余和归一化操作得到计数结果。此外，还构建了一个包含399张棉花幼苗图像的数据集，其中包含了对212 572株幼苗的精准手工标注点标签。在该数据集上的测试结果表明，所提出的棉花幼苗计数算法取得了较好的计数效果，平均计数误差（Mean Absolute Error，MAE）和均方根误差（Root Mean Square Error，RMSE）分别为63.46和81.33，对比多列卷积神经网络（Multi-column Convolutional Neural Network, MCNN）、拥挤场景识别网络（Congested Scene Recognition Network, CSRNet）、TasselNet、MobileCount等方法，MAE平均下降了48.8%，RMSE平均下降了45.3%。     

基于改进卷积神经网络模型的玉米叶部病害识别(英文稿)

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

便携式柑橘虫害实时检测系统的研制与试验

为实现柑橘虫害的快速、准确识别,帮助果农及时掌握果园内虫害的危害程度和分布情况,该研究结合嵌入式图像处理技术设计了一套基于深度卷积神经网络的柑橘虫害实时检测系统。优选MoblieNet作为虫害图像特征提取网络,区域候选网络生成害虫的初步位置候选框,快速区域卷积神经网络(Faster Region Convolutional Neural Networks,Faster R-CNN)实现候选框的分类和定位。检测系统根据目标图像中虫害数量计算危害程度,按照正常、轻度、中度、重度4个等级判定柑橘虫害的严重程度,形成虫害识别与级别定量化测评软件。最后引入北斗模块获取采样点位置信息,进一步处理成可视化的虫害热力图。结果表明,该方法可实现对柑橘红蜘蛛和蚜虫的快速准确检测,识别准确率分别达到91.0%和89.0%,单帧图像平均处理速度低至286ms。该系统实现了柑橘虫害的精准识别与定位,可为农药喷洒作业提供精准信息服务。     

基于多模态图像的自然环境下油茶果识别

针对自然条件下油茶果生长条件复杂,存在大量遮挡、重叠的问题,提出了一种基于RGB-D（red green blue-depth）多模态图像的双主干网络模型YOLO-DBM（YOLO-dual backbone model）,用来进行油茶果的识别定位。首先,在YOLOv5s模型主干网络CSP-Darknet53的基础上设计了一种轻量化的特征提取网络。其次,使用两个轻量化的特征提取网络分别提取彩色和深度特征,接着使用基于注意力机制的特征融合模块将彩色特征与深度特征进行分级融合,再将融合后的特征层送入特征金字塔网络（feature pyramid network,FPN）,最后进行预测。试验结果表明,使用RGB-D图像的YOLO-DBM模型在测试集上的精确率P、召回率R和平均精度AP分别为94.8%、94.6%和98.4%,单幅图像平均检测耗时0.016 s。对比YOLOv3、YOLOv5s和YOLO-IR（YOLO-InceptionRes）模型,平均精度AP分别提升2.9、0.1和0.3个百分点,而模型大小仅为6.21MB,只有YOLOv5s大小的46%。另外,使用注意力融合机制的YOLO-DBM模型与只使用拼接融合的YOLO-DBM相比,精确率P、召回率R和平均精度AP分别提高了0.2、1.6和0.1个百分点,进一步验证该研究所提方法的可靠性与有效性,研究结果可为油茶果自动采收机的研制提供参考。     

基于改进判别区域特征融合算法的近色背景绿色桃子识别

针对机器视觉识别中自然光照条件下未成熟绿色果实的识别存在颜色与背景相似、光照不均、果叶遮挡等问题,该文提出在判别区域特征集成(discriminative regional feature integration,DRFI)算法框架的基础上,结合颜色、纹理、形状特征,对未成熟绿色桃子进行识别。首先通过基于图的图像分割(graph-based image segmentation)算法,取不同的参数将图像分割为多层,再计算各层图像的显著图,并用线性组合器将其融合,得到DRFI显著图。再用OTSU算法得到的阈值自适应调整之后对DRFI显著图进行分割,减少了显著图中识别为低概率果实的误分割。对于分割后仍存在的果实相互粘连的情况,通过控制标记符和距离变换相结合的分水岭分割算法将其分开。试验结果表明:该方法在训练集中的准确识别率为91.7%,在验证集中的准确识别率为88.3%,与相关文献报道的结果以及原始DRFI算法在验证集中的检测结果相比,该文方法的准确识别率提高了3.7~10.7个百分点,较有效地解决了颜色相近和果叶遮挡问题,可为果树早期估产和绿色果实采摘自动化、智能化提供参考。     

基于RAdam卷积神经网络的水稻生育期图像识别

为了解决现阶段水稻发育期信息的获取主要依靠人工观测的效率低、主观性强等问题,该研究提出一种基于Rectified Adam(RAdam)优化器的ResNet50卷积神经网络图像识别方法,开展水稻关键生育期的自动识别。连续2a对12块试验田的水稻物候特征进行持续自动拍摄,对采集的水稻图像进行预处理,得到水稻各发育期分类图像数据集;采用ExG因子和大津法(Otsu)算法相结合的方法对水稻图像分割,减小稻田背景干扰;对比分析了VGG16、VGG19、ResNet50和Inception v3四种模型下水稻生育期图像分级识别的性能,选取性能较优网络模型并进行了网络参数调优;对比试验了不同优化器下模型准确率和损失值的变化,选取了RAdam优化器。结果表明,采取基于RAdam优化器卷积神经网络构建的模型,在真实场景下分类识别准确率达到97.33%,网络稳定性高、收敛速度快,为水稻生育期自动化观测提供了有效方法。     

采用改进YOLOv4-Tiny模型的柑橘木虱识别

黄龙病是一种以柑橘木虱为传播媒介的毁灭性病害,其关键预防措施是在果园现场环境对柑橘木虱识别监测,辅助果农进行早期防治。该研究基于YOLOv4-Tiny模型提出一种适用于嵌入式系统的柑橘木虱识别模型。通过改进YOLOv4-Tiny模型的颈部网络,利用浅层网络的细节信息以提高模型识别柑橘木虱的平均精度;采用交叉小批量归一化（Cross mini-Batch Normalization,CmBN）方法代替批归一化（Batch Normalization,BN）方法,通过累计卷积层的输出,提升统计信息的准确度;针对柑橘木虱易被遮挡的问题,模型训练时使用Mosaic数据增强,提升模型对遮挡目标的识别能力。通过自行建立的柑橘木虱图像数据集完成模型的试验验证。结果表明,该模型的柑橘木虱平均识别精度为96.16%,在图形处理器（Graphics Processing Unit, GPU）上的推理速度为3.63 ms/帧,模型大小为24.5 MB,实现了果园环境下快速准确地识别柑橘木虱,可为黄龙病防治技术的进一步发展提供参考。     

基于低场核磁成像的银杏胚检测及分类

银杏胚的有无及发育状况直接影响播种后的发芽率,而这些无法人工检测。该研究基于低场核磁共振成像（Low-field Magnetic Resonance Imaging,LF-MRI）技术,结合深度学习,探索研究银杏种子内部缺陷检测方法。设计了一种基于改进的VGG-16迁移学习图像分类方法,在利用VGG-16卷积层对数据集进行迁移学习时,对模型的学习率、模型结构和归一化3个方面进行改进,比较研究调整初始学习率与更新周期、将全连接层替换为全局卷积层或全局平均池化层并扩展8种微调模型、添加3种归一化层对模型性能的影响。结果表明,全局平均池化层调用方便,能够替代全连接层融合深度特征,提升模型性能;分类输出层置于全局平均池化层后的分类效果较好;组归一化能提升模型性能,并使验证曲线收敛更稳定;学习率对迁移学习模型性能影响极大,使用分段常数衰减策略针对具体应用可有效提高模型性能。相比较VGG-16,该研究构建的基于VGG-Net的银杏种子MR图像识别模型（Ginkgo seed low-field MR images recognition model based on VGG-Net, GV）大小降低89%,参数量降低89%,训练时间减少64%,训练集与验证集损失分别降低64%与45%、准确率分别提高2.4与2.5个百分点,对正常、孔洞、有胚和无胚4个类别的银杏种子平均分类准确率达到97.40%。研究结果为无损监测银杏种子萌发过程、合理预测种子播种后的发芽率提供了思路。