共查询到15条相似文献，搜索用时 296 毫秒
1.
基于迁移学习的番茄叶片病害图像分类 总被引：5，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
2.
基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究 总被引：2，自引：1，他引：1
目的 解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。方法 首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用Mixup算法建立样本之间的线性关系,增强模型识别数据样本的鲁棒性;然后,迁移Xception网络在ImageNet数据集上的先验知识,提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型-X-ResNeXt模型;最后,采用动量梯度下降优化方法,有效地减缓震荡影响,并且有效地加速模型向局部最优点收敛。结果 采用数据扩增数据集训练的X-ResNeXt模型准确率可以达到91.38%;在进行迁移学习优化后,训练时间减少了432 s,准确率提升为91.97%;结合Mixup混类数据增强进一步训练,模型准确率提升为93.74%;最后,利用动量梯度下降方法进行模型收敛优化,最终模型的准确率达到94.29%,比Inception-V3和Xception网络分别提高了3.98%和1.51%。结论 在数据量较少情况下,降低模型复杂度并迁移已有先验知识,有助于模型性能提升;Mixup混类数据增强方法有利于提高模型识别柑橘黄龙病果实图像样本的适应性,提升柑橘黄龙病果实识别模型性能;X-ResNeXt模型在准确率与召回率指标上优于经典识别模型,可为柑橘黄龙病的高精度、快速无损识别提供参考。 相似文献
3.
为利用计算机或人工智能技术协助番茄病虫害防治，以存在病虫害侵害问题的番茄植株图像为研究对象，针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络，用于精确定位图像中的病虫害目标，并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络，以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比，基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%，旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%；2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较，本研究的检测和分类方法也存在优势，病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之，本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络，有助于提升番茄病虫害的防治效果，对计算机视觉在农业领域的应用具有重要意义。 相似文献
4.
针对现有番茄叶片病害识别存在背景复杂、识别准确率低、模型参数量大、计算量大以及难以部署至移动设备或嵌入式设备等问题,提出一种改进的轻量化YOLO v5n的番茄叶片病害识别方法。首先收集细菌性斑疹病、早疫病、晚疫病、叶霉病、斑枯病、褐斑病等6种常见番茄叶片病害图像以及番茄健康叶片图像,对图像进行镜像翻转、高斯模糊等数据增强方式增加样本多样性,提升模型识别和泛化能力。接着在YOLO v5n网络基础上,选择采用轻量化的C3Ghost模块替换C3模块以压缩卷积过程中的计算量、模型权重和大小,同时在颈部网络中融合轻量级卷积技术GSConv和VOV-GSCSP模块,在增强特征提取能力的同时降低模型参数量。最后引入PAGCP算法对改进后的模型进行全局通道剪枝压缩参数量并减少训练开销。试验结果表明,改进后的YOLO v5n平均精度均值达到99.0%,参数量减少66.67%,计算量降低了2.6 G,模型权重压缩了2.23 MB。本研究提出的番茄叶片病害识别方法在降低了模型大小、参数量、计算量的同时仍保持较高的识别精度,为移动设备上实现番茄叶片病害识别提供技术参考。 相似文献
5.
【目的】针对作物害虫数据集样本较少、现有单一模型在作物害虫识别上的准确率不高以及泛化能力较差的问题,提出一种基于迁移学习与多模型集成的害虫识别模型。【方法】在大规模公开作物害虫数据集IP102上进行试验,使用迁移学习单独训练6个深层神经网络,选择识别性能较好的EfficientNet、Vision Transformer、Swin Transformer和ConvNeXt进行组合,采用不同策略集成预测结果。【结果】提出的基于迁移学习与多模型集成方法的识别准确率达到75.75%,比性能最好的单模型ConvNeXt提高了1.34%,与目前该数据集上最优算法(CA-EfficientNet)的性能相比,识别准确率高出了6.3%。【结论】害虫图像智能识别模型具有较好的稳定性与泛化能力。 相似文献
6.
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
7.
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
8.
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
9.
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
10.
11.
快速、及时和准确的发现小麦病害对提高小麦产量具有重要作用。以小麦叶片白粉病、条锈病和叶锈病3种病害为研究对象,提出了基于LM神经网络的小麦叶片病害识别模型。首先采用K-means算法分割小麦叶片病斑区域,提取小麦病斑区域的颜色特征和纹理特征,构建数据集。然后建立LM神经网络小麦叶片病害识别模型,输入数据进行识别。基于颜色和纹理特征的小麦叶片病害识别率为95.3%。在小样本情况下,利用LM神经网络算法能够快速、准确的识别小麦病害叶片。 相似文献
12.
为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。 相似文献
13.
基于计算机视觉的水稻叶部病害识别研究 总被引：13，自引：1，他引：12
【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。 相似文献
14.
15.
为提高鲜烟叶成熟度的识别精度,提出基于近红外光谱和图像识别的多源信息融合技术的烟叶成熟度判别方法：利用随机森林(RF)方法分别建立近红外光谱判别模型、图像判别模型和多源信息融合判别模型,对烟叶成熟程度进行检测。近红外光谱模型对红花大金元、K326和云烟87等3个烤烟品种烟叶成熟度的识别正确率分别为91.27%、90.43%、89.44%,图像模型的识别正确率分别为86.20%、86.96%、81.23%,融合模型的识别正确率分别为94.08%、94.78%和92.96%。与近红外光谱模型相比,融合模型的判别正确率平均提高了3.93%;与图像模型相比,融合模型的判别正确率平均提高了10.83%。 相似文献