共查询到20条相似文献，搜索用时 265 毫秒
1.
快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义，为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题，融合Focal Loss与4种典型卷积神经网络结构对7种水稻病害进行分类识别。利用TensorFlow的Keras深度学习框架搭建卷积神经网络的图像识别分类系统，使用Focal Loss损失函数解决数据集不平衡导致识别准确率低的问题，采用ResNet50、ResNet101、MobileNetV2、VGG16作为特征提取骨干，对7种水稻病害进行识别。通过imgaug库增强数据，将13 543张水稻病害图像按照9∶1的比例划分为训练集和验证集并参与训练模型，将1 404张水稻病害图像作为测试集来验证模型的准确性。结果表明，所搭建的数据集中ResNet50、ResNet101、MobileNetV2、VGG16的识别准确率分别为98.06%、94.26%、92.47%、97.83%。可见，在融合Focal Loss损失函数的情况下，ResNet50作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率，该成果可在实... 相似文献
2.
《云南农业大学学报(自然科学版)》2019,(5)
【目的】针对传统水稻病害识别技术对图像特定特征依赖性强、识别效率低等问题,提出将深度学习理论应用到水稻病害识别中,以期取得较好的识别效果。【方法】通过使用深度卷积网络建立水稻病害识别模型,对水稻3种主要病害数据进行了归一化处理,采用深度学习框架Keras进行深度CNN训练。通过设置不同的卷积核尺寸和池化函数,对水稻3种常见病害进行分类识别研究。【结果】卷积核尺寸采用9×9和池化函数采用最大池化构建的模型识别率最高;模型经过5次迭代,其识别准确率就能达到90%以上;当迭代6次时,图像趋于稳定,模型基本达到收敛;从模型性能分析看,损失函数呈梯度下降趋势,变化相对平稳,预测损失偏差逐步减少。【结论】该模型具有泛化能力较强、准确率较高、鲁棒性较好及损失率较小等特点,这为植物病害的识别研究提供了参考和借鉴。 相似文献
3.
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。 相似文献
4.
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。 相似文献
5.
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. 相似文献
6.
【目的】农作物生长过程中,作物产量会受到各种病害影响,实现自动精准地识别农作物病害以及病害程度的测定是农作物病害防治的关键。【方法】文章设计了一种基于卷积神经网络的农作物病害的识别方法并建立了农作物病害识别模型,模型利用10种作物中常见的59种病害类型的叶片图像数据集进行训练,并对模型的训练过程和训练结果进行评估。【结果】(1)农作物病害识别模型对59种病害类型的总识别精度达到0.83,部分类别的识别率高于0.9;(2)当训练的迭代次数增加到50轮以上时,农作物病害识别模型的性能不再提升,此时数据集图像的数量对模型性能的影响较大。【结论】实验证明,利用卷积神经网络进行农作物病害识别具有较高的可行性和准确性,为农作物病害的防治打下基础。 相似文献
7.
为了快速、准确判别农作物叶片病害图像的病害类型及病害程度，提出基于多任务学习的诊断方法。引入通道和空间注意力模型，对经典的MobileNetV3网络模型进行改进，并在此基础上构建基于特征金字塔的多任务深度卷积神经网络模型，实现作物类型、病害类型和病害程度的精准识别。采用多种图像增强方法对农作物叶片病害图像进行扩展，对改进前后模型与其他图像识别模型在农作物病害叶片识别性能上进行对比试验，并探究在有无数据增强处理条件下不同模型的性能。结果表明：该模型在作物类型识别、病害类型识别与病害程度识别任务上，平均准确率比原模型分别提升1.38、2.24和2.03个百分点；召回率比原模型分别提升2.38、1.62和1.18个百分点；对比MobileNetV3,InceptionV3、YOLOv7模型，该模型在上述3个任务上平均识别准确率和召回率均达到最高。 相似文献
8.
基于改进深度神经网络的农作物病害识别研究 总被引：1，自引：0，他引：1
《农业与技术》2021,(6)
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Mobile Net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,分别与使用迁移学习的MobileNet、Inception V1、Inception V2、Inception V3、Res Net 50、Res Net 101、Res Net 152模型进行对比试验,结果表明,M25Net模型比其它模型的识别精度提升了1.89%～4.86%,具有更高的分类精度,农作物病害类型识别的泛用性增强。 相似文献
9.
为提高小样本茶树病害识别的准确率,提出一种基于2次迁移模型的卷积神经网络茶树病害图像识别方法.首先将ResNet模型在ImageNet数据集上进行预训练,然后将预训练模型对植物病害数据集进行参数迁移训练,最后将迁移学习训练后的模型对扩充后的小样本茶树病害数据集进行2次参数迁移训练.结果表明,扩充后的数据集识别准确率较原数据集提高2.32％,再进行2次迁移学习后识别准确率又提高6.38％.通过调整训练超参数,对茶红锈藻病、炭疽病、茶网饼病、圆赤星病、藻斑病等5种茶树病害图像的识别准确率高达96.64％.在对5种茶树病害进行验证时,验证样本识别率与常规深度学习相比由93％提高至98％.2次迁移学习能够有效提高在小样本茶树病害识别下模型的识别能力,对实用化茶树病害识别具有重要的参考意义. 相似文献
10.
针对准确识别小麦常见病害的需要,提出了一种基于卷积神经网络的小麦病害识别方法。该方法首先以小麦病害图片资料为基础,利用中值滤波法、直方图阈值法等对图像进行去背景、去噪、病斑分割等预处理形成样本库,然后利用卷积神经网络构建一个具有五层结构的深度学习模型进行样本学习,并利用随机梯度下降法进行学习过程控制,最后以获取的特征集对小麦图片进行病害识别,并形成一个在线识别系统。在泰安市4样点的试验结果表明,利用该方法可以有效实现对小麦常见病害——纹枯病、条锈病、叶锈病、秆锈病、赤霉病和白粉病的识别,综合识别率可达99%以上,可以应用于实际生产管理。 相似文献
11.
基于深度学习的5种树皮纹理图像识别研究 总被引：1，自引：0，他引：1
12.
深度学习在作物病害图像识别方面应用的研究进展 总被引：2，自引：0，他引：2
在作物生产管理过程中,正确及时地诊断作物所患病害非常关键。基于深度学习的图像识别为作物病害自动快速诊断提供了新途径。相比传统图像识别所用的模式识别方法,深度学习网络模型能自行提取特征且能够由低维特征抽象出高维特征,取得更好的学习效果。系统梳理了深度学习在图像自动化识别方面的发展历程,介绍了浅层神经网络的相关概念,阐述了深度学习与之相比具有的优势,并简述了深度学习的重要图像识别算法——卷积神经网络。作物病害图像识别由单作物单病害、单作物多病害和多作物多病害的识别三部分组成,在分析讨论深度学习这三方面的研究现状以及目前该领域面临的困难与挑战的基础上,提出了未来可能突破的难点和研究重点。 相似文献
13.
畜禽养殖疾病诊断智能传感技术研究进展 总被引：1，自引：0，他引：1
畜牧业是我国农业的重要组成部分,目前我国畜牧业向着规模化、集约化发展,同时也增加了畜禽疾病诊断的难度。为提高畜禽养殖中的动物福利水平,并降低畜牧养殖中因动物疫病与健康异常带来的经济损失与公共卫生安全风险,近年出现了一批通过数字化、智能化手段实现畜禽疫病诊疗的自动化方法,如机器视觉分析、动物音频分析、红外温度感知、深度学习分类等,这些方法可以有效提高对患病或异常畜禽动物的诊断效率、缩短诊断周期、降低畜牧养殖中人工巡检劳动力。畜禽疫病自动诊疗方法不同于常规的基于病理学知识的诊断方法,其主要通过各类传感器自动获取畜禽在养殖过程中的图像、声音、体温、心率、排泄物等各类特征信息,而后通过梅尔倒谱系数、Logistics回归分析等数学模型和支持向量机、深度学习等智能算法对采集的信息进行综合分析与处理,并对动物的健康状态做出评价与预测。文章分别从畜禽形态诊断技术、行为诊断技术、声音诊断技术、体温诊断技术、其他生理参数诊断技术等几个方面总结阐述了目前动物疫病智能诊断技术研究的进展和一些基础的方法原理,这些方法基于动物外型与体尺、行为与动作、鸣叫与声音、体温、排泄物、呼吸与心率等数字化特征,通过数学模型对传感器采集到的特征进行实时分析与分归类,基本实现了对理想环境下动物健康状态的评价。目前的畜禽动物疾病自动诊疗技术研究成果丰富,但相关诊断方法大多是在理想环境下进行,而实际的生产养殖环境中干扰因素很大,目前的诊断方法大多无法很好地排除干扰并精确提取出所需特征信息;并且目前的数字化禽畜疾病诊断方法多是基于禽畜的一种特征信息进行分析诊断,这使得诊断系统的诊断准确度受到影响,诊断结果说服力不足。同时目前的大多数数字化禽畜疾病诊断方法还存在诊断泛化能力差、抗干扰能力差等问题,这些问题制约了其推广与应用。未来畜禽疾病自动诊断的研究重点是提高其传感算法的精度和数学模型的适用性与鲁棒性,并进一步发展基于多种特征耦合与数据融合的智能化畜禽疾病诊疗专家系统,争取实现实时、高效、智能、精准的畜禽健康诊断。 相似文献
14.
基于ResNet-50深度卷积网络的果树病害智能诊断模型研究 总被引：1，自引：1，他引：1
[目的/意义]果树病害危及农业生产安全,运用人工智能技术帮助果农及时准确地识别果树病害对保障农业安全生产具有重要意义。[方法/过程]采用10000张果树叶片病斑图像数据集,通过旋转、污化、增噪、切割等图像增强手段,提高样本图像的多样性;使用ResNet-50深度卷积网络模型,进行机器学习,获得果树病害识别模型,并基于此模型开发了应用软件提供在线诊断服务。[结果/结论]实验结果表明:该模型对4种果树病害的平均识别率达到92.9%,和相关研究成果相比具有较好的诊断效果。 相似文献
15.
[目的/意义]为了提高大豆叶片图像的分类精度与效率,进一步对大豆叶片图像进行存储与管理。[方法/过程]本文利用深度学习方法,针对肉眼观察准确率较低且不同人群分类结果差异较大的大豆叶片图像数据提出了一种自动分类方法。本研究首先对大豆叶片进行ROI感兴趣区域划分,进而利用分水岭分割方法对大豆叶片进行提取,最后通过深度学习高效精确的实现了大豆叶片的分类识别。[结果/结论]通过分析大豆叶片形态图像特点后,基于深度学习开展了对大豆叶片形态的分类识别的研究,达到了较高的识别准确率。 相似文献
16.
基于深度学习的农作物病害图像识别技术进展 总被引：5，自引：0，他引：5
农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像识别技术的基本原理,然后系统地阐述了基于深度学习的先进成像技术和先进图像识别分析技术在农作物病害检测识别中的国内外研究现状,分析了其在农作物病害检测识别上存在的优缺点,如具有快速、准确率高等优点以及数据量过大处理不便等缺点,并进一步指出,利用高光谱成像和热红外成像与深度学习相结合,将成为今后研究农作物病虫害早期检测的主要发展方向。 相似文献
17.
为提高对玉米病害叶片的识别精度,达到快速诊断、智能决策和有效诊治的目的,提出了一种基于Simulink仿真平台的玉米病害视频图像远程实时诊断技术。该技术首先使用Simulink仿真平台将采集的实时视频进行平滑处理,以提高图像的清晰度和质量;再运用分割技术确定玉米病害的优选图像;最后进行优选图像的解析和诊断处理。对玉米灰斑病图像的研究结果表明:该优化技术处理后的图像质量明显提高,突出了玉米病害特征,增强了玉米病害远程视频图像诊断的实时性和准确性,为玉米生产的智能决策提供了技术支撑。 相似文献
18.
PAN Shuai-qun QIAO Jing-fen WANG Rui YU Hui-lin WANG Cheng Kerry TAYLOR PAN Hong-yu 《农业科学学报》2022,21(4):1094-1105
Maize (Zea mays L.), also known as corn, is the third most cultivated crop in the world. Northern corn leaf blight (NCLB) is a globally devastating maize foliar disease caused by Setosphaeria turcica (Luttrell) Leonard and Suggs. Early intelligent diagnosis and warning is an effective and economical strategy to control this disease. Today, deep learning is beginning to play an essential role in agriculture. Notably, deep convolutional neural networks (DCNN) are amongst the most successful machine learning techniques in plant disease detection and diagnosis. Our study aims to identify NCLB in the maize-producing area in Jilin Province based on several DCNN models. We established a database of 985 leaf images of healthy and infected maize and applied data augmentation techniques including image segmentation, image resizing, image cropping, and image transformation, to expand to 30 655 images. Several proven convolutional neural networks, such as AlexNet, GoogleNet, VGG16, and VGG19, were then used to identify diseases. Based on the best performance of the DCNN pre-trained model GoogleNet, some of the recent loss functions developed for deep facial recognition tasks such as ArcFace, CosFace, and A-Softmax were applied to detect NCLB. We found that a pre-trained GoogleNet architecture with the Softmax loss function can achieve an excellent accuracy of 99.94% on NCLB diagnosis. The analysis was implemented in Python with two deep learning frameworks, Pytorch and Keras. The techniques, training, validation, and test results are presented in this paper. Overall, our study explores intelligent identification technology for NCLB and effectively diagnoses NCLB from images of maize. 相似文献
19.
基于分层卷积深度学习系统的植物叶片识别研究 总被引：5，自引：3，他引：2
深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。 相似文献
20.