共查询到20条相似文献，搜索用时 46 毫秒
1.
2.
基于改进VGG卷积神经网络的棉花病害识别模型 总被引：5，自引：2，他引：3
为实现自然条件下棉花病害图像准确分类,提出基于改进VGG-16卷积神经网络的病害识别模型。该模型在VGG-16网络模型基础上,优化全连接层层数,并用6标签SoftMax分类器替换原有VGG-16网络中的SoftMax分类器,优化了模型结构和参数,通过微型迁移学习共享预训练模型中卷积层与池化层的权值参数。从构建的棉花病害图像库中随机抽取病害图像样本作为训练集和测试集,用以测试该方法的性能。试验结果表明:该模型能有效提取出棉花病害叶片图像的多层特征图像,并通过Relu激活函数的处理更能凸显棉花病害的边缘信息与纹理信息,分辨率为512像素×512像素图像在样本训练与验证试验效果最好。在平均识别准确率方面,本研究模型较BP神经网络、支持向量机、AlexNET、GoogleNET、VGG-16NET效果最好,达到89.51%,实现对棉花的褐斑病、炭疽病、黄萎病、枯萎病、轮纹病、正常叶片的准确区分。该模型在棉花病害识别领域具备良好的分类性能,可实现自然条件下棉花病害的准确识别。 相似文献
3.
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
4.
人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。 相似文献
5.
【目的】研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取验本集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值。 相似文献
6.
银杏是我国一种常见的经济林木,对银杏叶病害进行数字化辨识有助于提高银杏种植产业的管理水平,为其病害预警提供可能。以银杏轮纹病为研究对象,采用卷积神经网络为分类算法,对银杏患病程度进行自动辨识。根据银杏轮纹病的叶片特点,设计了18层卷积神经网络,核心功能主要由四个卷积层,四个池化层、两个全连接层提供。经过多次训练与测试,网络对银杏叶片的5种不同患病程度辨识率最低可达92%以上。将设计的卷积神经网络与传统的BP神经网络、Alex-Net网络进行对比实验,结果表明,卷积神经网络在银杏轮纹病患病程度辨识的应用上具有更高的精度。上述结果对于银杏其他病害或其他植物病害辨识应用中具有一定的借鉴意义。 相似文献
7.
一种植物病害图像识别卷积网络架构 总被引：1，自引：0，他引：1
针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97％,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考. 相似文献
8.
基于迁移学习的番茄叶片病害图像分类 总被引：4，自引：1，他引：4
针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。 相似文献
9.
基于量子神经网络和组合特征参数的玉米叶部病害识别 总被引：1，自引：0，他引：1
【目的】探索一种基于量子神经网络和组合特征参数的玉米叶部病害识别方法,以提高玉米叶部病害识别的准确率和效率。【方法】应用K_means硬聚类算法对玉米叶部病害图像进行彩色图像分割,得到彩色分割图像,分别利用提升小波变换和灰度共生矩阵从彩色分割图像中提取颜色和纹理特征参数,利用多重分形分析从灰度图像中提取病害的形状特征参数。【结果】根据提取的组合特征参数,利用量子神经网络进行玉米病害分类识别,对玉米灰斑病、玉米普通锈病和玉米小斑病的识别率分别达到92．5％、97．5％和92．5％,高于误差反向传播神经网络法的识别率（分别为90．0％、90．0％和92．5％）。【结论】设计的方法可用于玉米叶部病害识别,并为其他农作物病害的智能识别提供借鉴。 相似文献
10.
11.
【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。 相似文献
12.
针对大米特征提取与分类的算法难以确定的问题,改进LeNet-5卷积神经网络模型并研究其在大米分选问题上的表现。首先对大米原始图像进行预处理、提取单粒大米的图像建立大米图像样本库,然后对原始的LeNet-5模型提出改进方案并进行实验,最后将改进模型与若干传统分类方法、3个轻量化卷积神经网络模型进行对比。改进LeNet-5模型大米形选准确率为97.2%,色选准确率90.6%,处理速度约5 300粒·s-1,分类效果与分类速度显著优于其他对比方法。实验结果证明,改进的LeNet-5模型可以高效分选碎米与垩白米,且能有效减少实际分选前准备工作的工作量。 相似文献
13.
番茄病害的及时发现与治理有助于提高番茄产量与质量,增加农户经济收益。利用物联网和人工智能可以无损害有效检测番茄病害,该研究提出了一种改进的AT-InceptionV3(Attention-InceptionV3)神经网络番茄叶部病害检测模型,该网络以InceptionV3为主干网络,结合多尺度卷积和注意力机制CBAM(convolutional block attention module,CBAM)模块,增强了病害信息表达并抑制无关信息干扰;同时引入迁移学习,防止样本数据量较少时出现过拟合的情况。为了评价优化模型的有效性,在Plant Village公开番茄病害数据集上进行了实验仿真测试。改进的模型在测试阶段对番茄健康叶片、细菌性斑疹病、晚疫病、叶霉病和黄曲病5种番茄常见叶片图像分类准确率达到98.4%,优化效果显著。为了进一步验证该方法在不同物联网中的普适性,实验对比了模型对不同分辨率病害图像的分类效果,结果表明,图像精度部分损失不会降低病害分类准确率。该模型能够为番茄温室智能网络决策判断提供重要依据。 相似文献
14.
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
15.
针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了 一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法.采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和... 相似文献
16.
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
17.
基于卷积神经网络的小麦产量预估方法 总被引：1，自引：0，他引：1
小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。 相似文献
18.
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
19.
目的 引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425 ,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。 相似文献
20.
黑斑病是‘库尔勒’香梨贮藏期的易染病害之一,在潜育期外观无明显变化,很难直接通过肉眼进行准确识别。本研究结合高光谱成像和卷积神经网络（CNN）,实现了‘库尔勒’香梨黑斑病潜育期的识别。获取健康和不同病害程度香梨样品的高光谱图像,提取感兴趣区域内光谱后,利用不同预处理方法对其进行处理,分别基于常规算法（最小二乘-支持向量机、K最邻近法、随机森林）和CNN建立病害识别模型。结果表明,与常规算法建模结果相比,CNN模型的识别效果最优。当卷积层数为3,全连接层数为3,学习率为0.000 5时,CNN模型的识别效果最佳,对样品的总体识别准确率为99.70%,对潜育期样品的识别准确率为99.76%,分别较常规算法提高了12和14个百分点。该结果证实CNN模型能够显著提高对‘库尔勒’香梨黑斑病潜育期识别的准确率,为‘库尔勒’香梨黑斑病的早期诊断防治提供了1种新的方法。 相似文献