共查询到20条相似文献，搜索用时 46 毫秒
1.
2.
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。 相似文献
3.
以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3–Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型,并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明：经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad–CAM热力图可视化显示,MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3–Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。 相似文献
4.
在黄瓜叶部病害检测中,传统方法简单但检测正确率低,难以处理多种多样的病害叶片图像,深度卷积网络的检测正确率高,但依赖于大量训练样本,训练时间长。本研究提出一种基于孪生多尺度空洞胶囊网络(Siamese multi-scale dilated capsule network, SMSDCNet)的黄瓜叶部病害检测方法,该方法整合了孪生网络、空洞卷积网络和胶囊网络的优势,将多尺度空洞卷积模块Inception引入胶囊网络,作为孪生网络的子网络,构建孪生多尺度空洞胶囊网络模型,提取多尺度判别特征,再进行矢量化处理,最后经动态路由算法得到具有空间位置信息的胶囊向量,进行病害检测与识别。SMSDCNet克服了深度卷积网络需要大量训练样本、训练时间长以及对旋转和仿射变换敏感的问题,并且克服了多尺度卷积网络训练参数较多的问题。在一个较小的黄瓜病害叶片图像数据集上进行试验,病害检测精度达90%以上。结果表明,该方法能够实现小训练样本集的黄瓜叶部病害检测,为训练样本有限情况下的作物病害检测提供了一种新方法。 相似文献
5.
针对在树皮图像分类过程中图像训练数据数量少、识别准确率低的问题,提出一种基于卷积神经网络的小样本树皮图像识别方法。以5种常见树种的树皮图像作为研究对象,在基于卷积神经网络的Inception_v3模型基础上,对原始数据集进行数据增强的一系列操作,扩大数据集的数量;在此基础上,对所有数据集进行白化处理,以降低数据之间的冗余性,使得特征之间相关性较低;采用ReLU激励函数和Dropout方法,防止训练时引起的过拟合现象;同时,在模型的最后添加3层全连接层,增强模型的特征表达能力,采用softmax分类器。最终确定了一个10层CNN模型:5个卷积层、2个池化层、3个全连接层。结果表明,上述网络模型对数据集的识别准确率为94%,并且为验证本研究方法的可行性,分别在MNIST数据集、ImageNet数据集、CIFAR-10数据集进行测试,识别准确率分别为92%、90%、93%。因此,提出的方法在小样本的识别试验中具有较高的识别准确率和一定的可行性。 相似文献
6.
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
7.
为快速、高效地利用高光谱成像技术诊断小麦赤霉病病症,分析了卷积层结构与光谱病症特征的关联性,并重点研究了高光谱的像元分类建模方法。首先,基于深度卷积神经网络的2种典型结构,构建了不同深度的卷积神经网络,比较了小麦赤霉病高光谱数据点集的训练和测试结果。结果显示:Visual Geometry Group(VGG)结构随着网络深度的增加,模型损失值不断下降;残差神经网络(ResNet)结构随着深度增加,损失值没有明显降低,说明ResNet网络的深度与模型性能无关。从测试集评测模型泛化性可知,具有4个基础单元模块的22层VGG网络在所有深度卷积模型中最优,其建模和验证准确率远高于传统的支持向量机(SVM),分别为0.846和0.843,测试集准确率为0.742。以VGG为基础单元构建的深度神经网络,能有效提取小麦赤霉病病症的高光谱特征。研究结果可为大尺度小麦赤霉病的智能成像诊断提供理论基础。 相似文献
8.
针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题，提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成，其中，多尺度空洞卷积模块Inception用于图像的多尺度特征提取，在卷积模块中引入双注意力机制增强网络模型，显著表示图像中叶部病斑区域特征，降低非病斑区域与背景区域对识别结果的干扰，在原始残差模块上引入卷积层与非线性激活函数改进的残差模块，增加鲁棒性判别特征的跨层融合，在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明，所提出的方法具有参数量少、占用内存小以及性能好的优势，可进一步应用于田间苹果叶部病害智能识别系统。 相似文献
9.
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。 相似文献
10.
采用无人机遥感技术进行油菜品种识别,是产量预测及灾害评估的重要前提和基础。本研究利用无人机作为数据采集设备,以基地24个品种油菜苗期育种材料为识别数据,将无人机获取的影像进行拼接、裁剪、旋转等预处理,按照4∶1划分训练集和测试集,构建注意力机制引导的卷积神经网络搭建油菜影像识别网络模型,并采用总体准确率、Kappa系数等评价参数对识别结果进行评价。结果表明,本研究的网络模型识别准确率和Kappa系数分别达到了89.60%和0.889 4,高于5个经典网络模型。说明,注意力机制能够更加充分地提取无人机遥感影像的油菜特征,有效地提高卷积神经网络对不同品种油菜的识别精度。本研究网络模型弥补了传统油菜细分需要人力统计及现有方法设备成本高的缺陷,为采用无人机遥感技术进行作物品种识别提供技术支撑。 相似文献
11.
育肥猪生长过程中脸部变化对识别模型准确率的影响 总被引：2，自引：0，他引：2
为探究猪脸识别模型对育肥猪猪脸生长变化的识别效果,采用深度卷积网络,对大白育肥猪生长过程中脸部变化与识别模型准确率之间的关系进行研究。结果表明:1)在预训练的DenseNet201、MobileNetV3_small、SeNet154和Xception 4种模型中,SeNet154模型猪脸识别效果最好,对验证集的识别准确率可达98.80%,选其为猪脸识别模型;2)分别用试验期间第1～2、1～3、1～4和1～5天采集的猪脸图像数据训练该模型,并分别使用第3～8、4～9、5～10和6～11天的数据逐天测试模型的猪脸识别效果发现,使用第1～4与1～5天数据训练的模型猪脸识别效果相当且优于使用第1～2与1～3天数据训练的模型。使用第1～4天数据训练的模型对第5天数据的识别准确率最高,为96.74%,其后5天的识别准确率逐天下降,到第10天为84.17%。分析认为,造成识别准确率下降的原因是猪脸生长、光照变化以及污渍附着。3)使用第(n-4)～(n-1)天(5≤n≤10)的数据重新训练动态模型后,对第n天猪脸数据的识别准确率均在95.82%以上。深度卷积网络模型在猪脸识别方面有较高的识别准确率,可以用于育肥猪的脸部识别;建议在育肥猪的猪脸识别系统中每天都使用至少前4天,且≥10 800组图像数据重新更新猪脸识别模型。 相似文献
12.
麦穗检测与计数关乎小麦的产量预估与育种，估算小麦产量的重要指标之一就是单位面积穗数，如何准确检测单位面积穗数对于农业生产管理决策有着重要的指导作用。因此本研究提出了基于改进的YOLOX-s的田间麦穗检测方法对麦穗进行精准识别与计数。首先，选取多个国家的不同品种小麦图像，使用图像增强、数据清洗等方法建立全球小麦图像数据集。其次，在YOLOX-s的基础上根据麦穗图像的特点，重新设计了特征提取网络的深度，同时加入注意力机制，充分提取麦穗特征。将SPP模块替换为SPPF模块，在提升推理速度的同时，不降低模型性能。通过全球小麦图像数据集进行模型训练，并使用实地拍摄的麦田图像对模型进行测试。试验结果表明：通过全球小麦图像数据集的训练，改进的YOLOX-s网络模型的mAP达到了89.03%,精确度达到了91.21%。在实拍的麦田图像中，计数准确率达到了97.93%,平均单幅图像计数为0.194 s,单株小麦识别速度为2.8 ms,检测速度较YOLOX-s提升30.2%,计数速度优异，麦穗定位准确。 相似文献
13.
基于深度可分离卷积神经网络的农作物病害识别方法 总被引：2，自引：0，他引：2
为了满足现代化、机械化农业生产的目标,降低模型的计算量,使农作物病害分类模型更适用于资源受限制的设备,提出了一种以深度可分离卷积为主的神经网络模型。利用深度可分离卷积和卷积相结合的方法取代标准卷积,计算量可降低至标准卷积的12%左右,并且大大减少网络模型的参数量。通过进一步减少通道数、改变网络输入图片大小的等方式,获得12种参数量和计算量不同的模型。结果显示,对含有复杂背景和光照不均匀的10类农作物的27种病害样本图片进行分类,该研究提出的模型准确率为98.26%,且参数量仅904 K。 相似文献
14.
传统的瓯柑病虫害检测方式主要依靠人工肉眼查看,效率较低,而且需要检测人员具备丰富的专业知识。针对这些问题,文章提出了基于卷积神经网络和迁移学习的瓯柑病虫害识别方法。首先选取Xception、InceptionResNetV2、MobileNetV2、DenseNet121四种深度卷积模型,然后采用迁移学习策略,将各个模型在PlantVillage数据上训练得到预训练模型,迁移到瓯柑病虫害识别模型中,并对比各个模型的识别性能。结果表明：（1）迁移学习能够大大提高模型的泛化能力,经过迁移学习后,4种模型在瓯柑病虫害训练集和验证集上的准确率均达到了85%以上,其中Xception迁移模型表现最好,准确率在训练集和验证集上分别为99.3%,97.1%;(2)在测试集上,Xception迁移模型的整体性能优于其他3种迁移模型,总体测试准确率达到了97.38%,精确率、召回率和F1 Score也均达到了97%以上。综上所述,Xception迁移模型识别精确率高,实用性强,可为今后瓯柑病虫害防控提供参考。 相似文献
15.
16.
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
17.
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
18.
为提高草莓病害图像的分类准确性，提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先，针对草莓病害的多尺度特点，基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv),在提取多尺度病害特征的同时，缓解参数量增加导致的收敛干扰；其次，提出基于双重池化的通道增强模块，用以提高模型的特征选择能力，增强有用尺度下的特征；最后，将上述方法与ResNet18结合，将原本的3×3卷积替换为DOPConv,同时在残差块中加入通道增强模块，构建出草莓病害分类网络。为验证模型识别性能与模块有效性，在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明，与原有ResNet18模型相比，CEM-DOPConv-ResNet18的准确率达97.867%,提高3.045百分点，同时内存占用量下降16.6%;消融试验结果表明，相较于原始金字塔卷积，DOPConv可以优化模型收敛，对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率，降低了网络复杂度，为病害的精准识别提供了一种有效解决模型。 相似文献
19.
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。 相似文献
20.
以SV10PB1–30B液控单向阀为研究对象,利用传感器采集3种不同泄漏模式下10个阀芯的振动信号,设计深度卷积模型,开展不同测点(单向阀的上表面和阀座)、不同信号特征提取方式(原始信号、特征值、特征图)下的模式识别研究。结果表明：基于轴向冲击信号特征值和深度卷积神经网络的模型能有效识别故障类型,验证集上的识别准确率高达88.293%,是基于特征图的7.79倍,是基于原始时域冲击信号的1.16倍;训练步数以100的较优,同时该模型对正常阀芯和不同损伤阀芯的分类效果明显。 相似文献