基于DeepLab v3+的葡萄叶片分割算法

为解决自然光照环境下复杂背景葡萄叶片图像的自动分割问题,使用一种DeepLab v 3+语义分割算法,完成对葡萄叶片分割.该算法采用ResNet 101作为主干网络进行特征抽取;采用空洞卷积和编码模块进行多尺度特征融合,将ResNet的中间信息和编码模块的特征组合作为解码输入;采用上采样的方式进行尺度还原,得到语义分割...     

基于深度学习服务的遥感影像农作物分类系统设计

【目的】深度学习在图像分类方面效果显著,但对机器的硬件配置要求高,将深度学习的技术应用于作物分类的同时,降低客户端的IT成本,开发基于深度学习服务的遥感影像农作物分类系统。【方法】系统采用C/S架构,服务器端部署Caffe的深度学习框架,通过PaaS提供计算服务,统一处理客户端模型训练、影像分类等任务;客户端提供用户界面,负责数据输入、结果解析和可视化操作;客户端和服务器之间通过异步RPC实现网络通信,利用FTP进行数据的上传和下载;考虑到农作物分类在实际应用中的时效性,系统还提供了一个简化的Alexnet模型,在保证分类精度的前提下加速了模型的收敛速度。【结果】通过对采集的428144个农作物样本数据集的应用表明,服务器训练的时间比单机训练缩短了近3倍,该系统不仅能够快速地完成深度学习模型训练的任务,还能实时准确得到遥感影像的农作物分类结果。【结论】该研究进一步推动了深度学习在农业分类方面的应用,同时为遥感技术在农业应用中的发展、农作物面积统计工作和对农业资源进行优化配置提供了重要的科学指导。     

基于CNN-Transformer的农作物病虫害知识问答意图识别与槽位填充联合模型

意图识别与槽位填充是农作物病虫害知识问答中问题理解的两个重要任务。在已有面向农业领域的研究中,上述任务仍被视为两个完全独立的子任务,并且未充分利用意图识别与槽位填充的语义信息。为此,该研究提出一种基于CNN-Transformer的意图识别与槽位填充联合模型（CDPCT-IDSF）。该模型根据农作物病虫害文本语义复杂设计CNN网络与多层Transformer结合强调局部的有用信息以缓解语义缺失问题;然后在Transformer解码器中引入对齐保证输入与输出一对一关系以提高识别正确槽位标签的能力。此外,进一步构建了包含20个意图类别、12个槽位类别和11242条标注样本的农业病虫害知识问答数据集进行对比试验,CDPCT-IDSF模型在该语料库上的槽位填充F1值为94.36%,意图识别精度为92.99%,整体识别精度为87.23%,优于其他对比模型,结果证明了所提模型在农作物病虫害意图识别与槽位填充任务上的有效性,可为面向农作物病虫害的知识问答研究提供理论支撑。     

基于深度学习的草地贪夜蛾自动识别

草地贪夜蛾是一种严重破坏农作物的重大洲际害虫,对我国农业生产造成了极大的威胁.尽管一系列防治措施已经展开,但如何有效辨别草地贪夜蛾仍然是防控工作中的一大难题.为了建立一个有效的识别算法,课题组开展了一系列研究工作,主要贡献在于:①采集了不同地域、不同生长区间的草地贪夜蛾及相似物种图片,建立了一个草地贪夜蛾识别数据库;②利用基于特征融合的深度学习算法,建立了一个三通道T型深度卷积神经网络(T-CNN),在现有数据集上平均识别率达到97%,为草地贪夜蛾的智能识别与防控工作提供了技术支撑.     

基于微波反射法的冬笋探测器设计

针对目前我国冬笋采收只能依靠传统人工经验法,没有合适的探测设备的问题,根据高频电磁波作用下冬笋与土壤的介电特性差异导致反射系数显著不同的原理,设计基于微波反射法的冬笋探测器。该探测器通过2块贴片天线向土壤发射并接收电磁波信号;构建基于卷积神经网络的回波序列检测模型,用于所设计冬笋探测器接收回波信号的分类,利用回波信号的电磁波衰减强度判断土壤内是否有冬笋存在。试验结果表明,本研究提出的回波序列检测模型通过冬笋探测器回波信号判断土壤内有无冬笋的准确率为79.08%,漏警率为21.47%,虚警率为20.37%,与支持向量机以及频谱阈值法相比,回波序列检测模型在冬笋探测的准确率、虚警率、漏警率方面均为最优。该探测器能对地下冬笋位置进行预测,可提高冬笋采收效率。     

基于改进CNN的猕猴桃根区土壤含水率反演方法

为解决无人机遥感领域根据冠层光谱信息对猕猴桃果树根系土壤含水率（root soil water content, RSWC）进行反演时,现有算法对冠层图像信息分析不足的问题,该研究对传统卷积神经网络模型进行改进,提出一种复合视觉卷积回归神经网络（compound visual convolutional regression network, CVCRNet）,该网络复合两种不同尺寸卷积层对图像数据进行卷积特征提取,并使用全连接层对卷积特征值进行降维,从而直接以多光谱图像为分析对象对RSWC进行反演,充分利用多光谱图像内所有数据,提升反演精度。研究采集徐香猕猴桃果树果实膨大期（5—9月）冠层多光谱信息和深度40 cm处的RSWC,把基于图像的CVCRNet网络反演方法与基于植被指数的传统反演方法进行对比,CVCRNet训练结果在验证集R²为0.827,RMSE为0.787%,相较于传统方法在验证集R²为0.759,RMSE为0.983%,反演结果相关性有了明显提升,准确率也有得到一定提高。结果表明,改进后的CNN网络能够作为冠层信息反演的重要工具,在冠层复杂的场景下达成良好的土壤数据反演效果。     

水下鱼类品种识别模型与实时识别系统

快速准确的鱼类识别系统需要良好的识别模型和部署系统作为支撑.近年来,卷积神经网络在图像识别领域取得了巨大成功,不同的卷积网络模型都有不同的优点和缺点,面对众多可供选择的模型结构,如何选择和评价卷积神经网络模型成为了必须考虑的问题.此外,在模型应用方面,移动终端直接部署深度学习模型需要对模型进行裁剪、压缩处理,影响精度的...     

基于CNN和迁移学习的农作物病害识别方法研究

互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。     

粤港澳大湾区复合灾害系统敏感性评估

[目的]识别灾害的敏感性是防灾减灾的重要前提,复合灾害系统敏感性评估是复合灾害系统风险评估的重要组成部分。[方法]首先根据暴雨—滑坡灾害链特征构建复合灾害系统敏感性评估指标体系,进而采用卷积神经网络(CNN)和参数最优地理探测器—层次分析法耦合模型(OPGD-AHP)对粤港澳大湾区的暴雨—滑坡灾害链敏感性进行评估。通过对暴雨和滑坡单灾种的敏感性分析,分别得到粤港澳大湾区暴雨和滑坡的敏感性分级图,并由统计分析得出暴雨诱发滑坡的阈值及其转换概率,以此对暴雨-滑坡灾害链敏感性进行分析,最终得到粤港澳大湾区暴雨—滑坡灾害链敏感性分级图。[结果](1)粤港澳地区暴雨-滑坡灾害链高敏感区域主要分布在广宁县、怀集县等西北部地区和惠阳区、惠东县等东部地区;(2)次高敏感性和中敏感性区域主要分布在封开、德庆、从化、龙门、博罗等区域;(3)低敏感区和次低敏感区主要分布在南海、荔湾、禅城、顺德、南沙、番禺、三水、白云等中部地区。[结论]研究结果可为粤港澳大湾区的防灾减灾、增强灾害链风险抵抗力和恢复力提供科学依据和技术支持。     

Putting deep learning in perspective for pest management scientists

‘Deep learning’ is causing rapid technological changes in many fields of science, and conjectures about its potential for transforming everyone's work and lives is a matter of great debate. Unfortunately, it is all too easy to apply it as a ‘black box’ tool with little consideration of its potential limitations, especially when the data it is being applied to is less than perfect. In this Perspective, I try to put deep learning into a broader mechanistic and historical context by showing how it relates to older forms of artificial intelligence; by providing a general explanation of how it operates; and by exploring some of the challenges involved in its implementation. Examples wherein it has been applied to pest management problems are provided to illustrate how the technology works and the challenges deep learning faces. At least in the near term, its biggest impact on agrochemical development seems likely to come in automating the tedious work involved in assessing agrochemical efficacy, but getting there will require major investments in building large, well‐curated data sets to work from and in providing the expertise required to assess the resulting model predictions in real‐world scenarios. Deep learning may also come to complement the machine learning methodologies already available for use in pesticide discovery and development, but it seems unlikely to supplant them. © 2020 The Authors. Pest Management Science published by John Wiley & Sons Ltd on behalf of Society of Chemical Industry.