共查询到20条相似文献，搜索用时 15 毫秒
1.
利用中值滤波结合k均值聚类的方法分割出小麦白粉病、条锈病和叶锈病叶部病斑,分别采用颜色矩和灰度共生矩阵的方法提取病斑的颜色特征和纹理特征参数,设计了一种基于Variance算法初选与序列浮动前向选择搜索算法(SFFS)相结合的特征选择方法,选择出优良的特征子集,实现对小麦3种叶部病害的识别。试验以SVM为分类器,利用特征选择方法获得的特征子集识别准确率为99%,与采用主成分分析(PCA)方法进行特征降维获得的子集的识别准确率比较,能有效降低特征维度,提高识别准确率。 相似文献
2.
基于PCA和Whitening算法的水稻病害图像预处理研究 总被引：1，自引：0，他引：1
水稻病害图像预处理在使用机器视觉技术对水稻病害智能诊断识别中至关重要。预处理效果直接影响水稻病害识别准确率。提出一种新的基于PCA和Whitening融合算法的水稻病害图像预处理方法。实验获取了水稻病害彩色图像和灰度图像的训练样本和测试样本,对获取的样本应用PCA降维,然后对降维后的样本随机取样,应用Whitening算法得到了相应的训练特征和测试特征。实验表明,该融合算法增强了预处理后的水稻病害图像样本对光照及亮度的鲁棒性,可有效提高病害识别准确率。 相似文献
3.
基于深度学习和支持向量机的4种苜蓿叶部病害图像识别 总被引：1，自引：2，他引：1
为实现苜蓿叶部病害的快速准确诊断和鉴别,基于图像处理技术,对常见的4种苜蓿叶部病害(苜蓿褐斑病、锈病、小光壳叶斑病和尾孢菌叶斑病)的识别方法进行探索。对采集获得的899张苜蓿叶部病害图像,利用人工裁剪方法从每张原始图像中获得1张子图像,然后利用结合K中值聚类算法和线性判别分析的分割方法进行病斑图像分割,得到4种病害的典型病斑图像(每张典型病斑图像中仅含有1个病斑)共1 651张。基于卷积神经网络提取病斑图像特征,建立病害识别支持向量机(Support vector machine,SVM)模型。结果表明:当病斑图像尺寸归一化为32×32像素,利用归一化的特征HSV(即特征H、特征S和特征V归一化后的组合特征)构建的病害识别SVM模型最优,其训练集识别正确率为94.91%,测试集识别正确率为87.48%。本研究基于深度学习和SVM所建立的病害识别模型可用于识别上述4种苜蓿叶部病害。 相似文献
4.
基于GA-ANN融合算法的棉田杂草特征降维及分类识别 总被引：1，自引：0，他引：1
准确识别杂草是智能化除草技术所要解决的关键问题,为了实现棉花田间杂草的特征降维及分类识别,提出了遗传算法(GA)融合人工神经网络(ANN)的算法。试验中共采集棉花和杂草样本195个,提取棉花和杂草的形状特征、4个方向灰度共生矩阵纹理特征、HSV空间颜色特征等21个参数。将21个特征参数按照一定顺序组成码串作为遗传个体,融合神经网络模式识别算法,以实现特征参数的有效降维。对利用降维后的优良特征参数组合、全部特征参数以及主成分分析方法(PCA)降维识别的准确率进行了对比,结果表明:利用融合算法降维得到的不同特征组合,可将特征参数维数保持在8~13维,有效降低了特征参数空间的复杂度;融合算法平均分类准确率稳定在98%左右,明显优于PCA分析法。对降维后的优良特征参数组合进行自组织特征映射网络训练(SOM),可视化拓扑结构图表明,降维后的优良特征组合对各个类别的影响呈现出独立性、可区分性的显著特点,宽长比、H三阶矩特征与棉花样本的分类准确率呈强相关性,H一阶矩、S三阶矩对苘麻、龙葵草、灰菜、田旋花样本的分类影响显著,而对棉花样本的分类准确率影响较弱。 相似文献
5.
为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。 相似文献
6.
基于图像处理技术,对4种苜蓿叶部病害进行识别研究。利用结合K中值聚类算法和线性判别分析的分割方法对病斑图像作分割,获得了较好的分割效果。结果表明:该分割方法在由4种病害图像数据集整合成的汇总图像数据集上综合得分的平均值和中值分别为0.877 1和0.899 7;召回率的平均值和中值分别为0.829 4和0.851 4;准确率的平均值和中值分别为0.924 9和0.942 4。进一步提取病斑图像的颜色特征、形状特征和纹理特征共计129个,利用朴素贝叶斯方法和线性判别分析方法建立病害识别模型,并结合顺序前向选择方法实现特征筛选,分别获得最优特征子集;同时利用这2个最优特征子集,结合支持向量机(Support vector machine,SVM)建立病害识别模型。比较各模型的识别效果,发现利用所建线性判别分析模型下的最优特征子集,结合SVM建立的病害识别模型识别效果最好,训练集识别正确率为96.18%,测试集识别正确率为93.10%。由此可见,本研究所建基于图像处理技术的病害识别模型可用于识别上述4种苜蓿叶部病害,为苜蓿病害的诊断和鉴别提供了一定依据。 相似文献
7.
针对传统CNN(Convolutional neural network)模型存在训练参数量大而无法应用于硬件条件受限的场合这一问题,本研究提出一种轻量级CNN农作物病害识别模型,能够在保证模型识别准确率情况下简化模型结构,扩大模型的适用场景.设计1个深度卷积模块作为基本卷积单元,2个深度卷积模块和1个批归一化层组成1个残差块作为残差单元,以残差单元作为基本元素设计一个轻量级CNN农作物病害识别模型.对辣椒、番茄和马铃薯的病害图像进行分类识别,最终模型在训练集上的总识别准确率为99.33％,测试集上的总识别准确率为98.32％.相对VGG16等传统模型,在进行农作物病害识别时本模型有更高的识别准确率、更快的识别速度和更小的内存占用. 相似文献
8.
为了及时准确的识别番茄叶片病害,提高番茄产量,提出了一种优化的Swin Transformer番茄病害识别方法,该模型利用Transformer的自注意力结构获得更加完备的番茄病害图像的高层视觉语义信息;结合Mixup混合增强算法,在预处理阶段对图像特征信息进行增强;并采用迁移学习在增强番茄叶片病害数据集上进行训练和优化Swin Transformer模型,以此实现精准的番茄叶片病害识别。结果表明：1)优化的Swin Transformer模型对番茄叶片病害识别准确率达到98.40%;2)在相同训练参数下,本研究模型比原Swin Transformer、VGG16、AlexNet、GoogLeNet、ResNet50、MobileNetV2、ViT和MobileViT模型准确率提高了0.70%～1.91%,且能快速收敛;3)本研究模型中加入的Mixup混合增强算法极大地提高了番茄叶片病害的识别准确率,比现有的常见方法性能更加优越,并且鲁棒性强。因此,本研究提出的新模型能够更加准确的识别番茄叶片病害。 相似文献
9.
基于ROI快速检测与融合特征的马铃薯病害识别 总被引：1，自引：0，他引：1
【目的】针对在原始马铃薯病害图像上提取特征时计算量大、病害识别准确率低以及传统病害区域分割算法速度慢等问题,提出了一种新的基于关键特征点的病害感兴趣区域(ROI)快速检测与融合颜色和纹理特征的识别方法。【方法】对马铃薯病害图像作适当预处理后,首先提取ORB特征点,当其特征点数目小于给定阈值时提取SIFT特征点,再对所提特征点的坐标值按水平和垂直方向排序,并通过计算K个近邻点的均值来确定病害区域的坐标并提取ROI。然后融合病害ROI的HSV颜色直方图和UPLBP纹理直方图构成总特征向量。最后采用非线性SVM识别马铃薯病害。【结果】利用该方法对240幅马铃薯叶部、果实和茎部10种混合病害图像进行识别实验,结果表明,每幅病害图像ROI检测平均时间为0.013 s,平均识别正确率达95.83%,最高达100%,平均运行时间为0.083 s。【结论】基于ORB和SIFT关键特征点的病害ROI检测方法原理简单、易实现且实时性好。本文方法可实现对10类马铃薯病害的快速识别且准确率高,为其它农作物病害识别提供了参考价值。 相似文献
10.
番茄叶部病害严重影响了番茄的产量和质量,为实现在移动设备实时对番茄进行病害识别,提高番茄的产量,减少种植者的损失。本研究提出将轻量级网络模型MobileNet V2和迁移学习的方式相结合,对番茄早疫病、番茄细菌性斑疹病、番茄晚疫病、番茄叶霉病、番茄斑枯病、番茄红蜘蛛病、番茄褐斑病、番茄花叶病、番茄黄化曲叶病等9种叶部病害图像以及健康番茄叶片图像进行分类识别,首先将数据集按照9∶1的比例分为训练集和验证集,对于训练模型根据迁移学习的方式分别采用不冻结卷积层、冻结部分卷积层、全部冻结卷积层的方式获得3种模型,然后在模型最后加上2层全连接层并用Dropout层防止过拟合,接着通过Softmax层输出实现对番茄病害图像分类识别,最后利用验证集来统计模型的准确率和损失值。其中,冻结部分卷积层准确率最高,达到93.67%。另外,通过试验对比传统网络VGG16、ResNet50训练集和验证集的准确率、损失值及运行时间,其中迁移学习的MobileNet V2模型的准确率最高,运行时间最短。该研究提出的基于MobileNet V2和迁移学习的番茄病害识别研究方法识别效果较佳,速度较快,为在移动设备实时对... 相似文献
11.
基于注意力残差机制的细粒度番茄病害识别 总被引：2，自引：0，他引：2
【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。 相似文献
12.
针对目前当归产业病虫害识别方法缺失、人工提取特征存在主观因素及卷积神经网络训练需要大量数据等不足,提出1种基于多卷积神经网络融合的当归病虫害识别方法。构建当归常见病虫害数据集;选择在当归病虫害数据集中表现性能最好的ResNet50、InceptionNetV3、VGG19、DenseNet201 4个网络作为模型融合的基学习器;使用XGBoost(极度梯度提升)算法作为元学习器,得到基于多卷积神经网络融合的当归病虫害识别模型。结果表明,该融合模型比单个卷积神经网络模型具有更高的识别准确率,并优于其他融合方法融合的模型,对当归病虫害识别的查准率、查全率、F1值分别达到98.33%、97.14%、97.68%。本研究提出的基于XGBoost融合方法融合的模型实现了当归常见病虫害的精确分类,对常见病害的识别准确率达到98.33%,为当归产业提供了一种有效的病虫害识别方法。 相似文献
13.
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
14.
一种迁移学习算法在番茄病害检测上的应用 总被引：1，自引：0，他引：1
针对当前番茄病害智能识别精度不高、耗时长的问题,提出一种基于Inception-v3和迁移学习相结合的图像分类算法。从试验田中收集8种番茄病害叶片和健康叶片,运用1 000万像素高清扫描仪统一扫描成图像,将图像归类到9种文件夹中,手动标记叶片属性。最后,基于Inception-v3模型结合迁移学习算法对健康和病害叶片进行分类试验,并与传统图像分类算法(KNN、SVM、BP神经网络)和非迁移学习算法进行对比。结果表明,基于Inception-v3模型结合迁移学习算法,在番茄病害图像分类中能够快速有效识别分类生长健康番茄和患病番茄,并且能高效识别番茄病害的种类。其中健康置信度达0.9760,病害种类平均置信度达0.929 7,可为番茄病害检测和防治提供支持。 相似文献
15.
玉米品种识别多算法模型比较研究 总被引：1，自引：0，他引：1
为了比较玉米品种图像识别中各种神经网络识别模型的性能,搭建了一套基于统计特征提取和模式识别分类算法的玉米品种识别系统。采用扫描仪获得了11个玉米品种每个品种50粒子粒图像,基于图像的统计特征,分别研究了7种人工神经网络(ANN)模型(BP、rbf、grnn、pnn、compet、sofm、ELM)的识别性能,进一步考察了极限学习机(ELM)、支持向量机(SVM)模式分类过程性能。结果表明,在同样的情况下SVM模型较ANN模型的特征识别率高,另外神经网络模型grnn和ELM识别效果较好,其他识别模型性能较差。对11个玉米品种种子的最高检出率为91.73%,另外,所采用的特征降维方法、特征维数、初始权值的随机性选择等因素都会影响模型的识别效果。这对玉米种子纯度和品种真实性检验中人工神经网络模型的构建具有指导意义。 相似文献
16.
为了实现番茄病害的精准识别,本研究提出一种轻量级网络自适应特征提取方法。该方法首先对图片进行正形处理,然后基于SqueezeNet模型构建轻量级网络模型GKFENet。GKFENet模型包含全局特征提取和关键特征提取2个模块,其中全局特征提取模块逐层提取番茄病害叶片的全局特征,关键特征提取模块通过学习评估出特征图各通道的重要程度,计算出权重值,最后将该值加权到原特征图上,从而实现病害关键特征的自适应提取。结果显示,正形机制有助于神经网络学习特征,本研究构建的GKFENet模型的平均识别准确率为97.90%,模型大小仅为2.64 MB,且在强噪声环境下,其识别准确率仍能保持在78.00%以上。GKFENet模型在训练过程中相对稳定,对8种番茄病害的识别准确率均超过96.00%。相比Bayes、KNN、LeNet、SqueezeNet、MobileNet模型,本研究构建的GKFENet模型的识别精度高,稳定性强且占用内存小,对于移动端未来的应用具有较高的实际价值。 相似文献
17.
18.
【目的】为测定温室中番茄不同成熟阶段的果实数量,提出一种基于彩色点云图像的测定方法。【方法】在移动平台上搭载KinectV2.0采集温室中行栽番茄的图像信息合成番茄植株点云,再将二视角的番茄植株点云合成1个点云,并通过深度信息截取得到近处番茄植株点云,将标注的点云数据输入到PointRCNN目标检测网络训练预测模型,并识别番茄植株点云中的番茄果实,最后利用基于特征矩阵训练的支持向量机(Support vector machine, SVM)分类器对已经识别出来的果实进行成熟阶段分类,获得不同成熟阶段番茄果实的数量。【结果】基于PointRCNN目标检测网络的方法识别番茄果实数量的精确率为86.19%,召回率为83.39%;基于特征矩阵训练的SVM分类器,针对番茄果实成熟阶段的预测结果在训练集上准确率为94.27%,测试集上准确率为96.09%。【结论】基于彩色点云图像的测定方法能够较为准确地识别不同成熟阶段的番茄果实,可以为评估温室番茄产量提供数据支撑。 相似文献
19.
传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大，基于此，提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先，利用Vgg-16、Swin Transformer网络，将玉米叶片病害图片映射到全局和局部特征空间；然后，利用多尺度特征融合网络，实现全局和局部特征的深度融合，强化特征的分类能力；最后，利用无参数元学习网络，实现待测玉米叶片病害图片与特征集之间的度量，根据度量结果，实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试，所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销；相比其他经典玉米叶片病害识别模型，具有更强的鲁棒性和泛化性能。 相似文献
20.
为实现鲜烟叶采收部位的数字化识别,进一步提升采收鲜烟叶素质的一致性,利用轮廓纹理特征和线性判别分析（LDA）技术对不同着生部位鲜烟叶进行研究,首先,对采集的鲜烟叶图像进行图像缩放、灰度化、二值化等预处理操作,提取狭长度、矩形度等4个轮廓特征参数,进而提取鲜烟叶图像的灰度共生矩阵（GLCM）特征,并通过LDA进行特征降维,之后利用K近邻算法（KNN）对鲜烟叶部位进行分类。结果表明,所提取未经降维处理的轮廓纹理特征在不同分类模型中的识别准确率均达到0.80以上,可有效反映鲜烟叶部位特征。相对于主成分分析（PCA）处理和未经降维处理,采用LDA降维处理的模型识别准确率最高。所构建的基于KNN算法的鲜烟叶部位识别模型,其精确率、召回率、F1分数、准确率均达到0.99,能够较好地识别鲜烟叶着生部位。 相似文献