共查询到20条相似文献，搜索用时 15 毫秒
1.
病虫害影响水稻质量和产量，快速、准确地检测出水稻病虫害有利于及时防治。针对传统图像识别方法存在特征提取繁琐、识别率低以及对田间环境下的作物病虫害识别困难等问题，本文提出一种以DenseNet121为基础网络，结合迁移学习与坐标注意力机制的水稻病虫害识别模型。该模型引入坐标注意力学习图像特征的通道间关系和空间位置的重要性以增强模型的特征提取能力，采用迁移学习策略训练模型以缓解模型在小数据集上的过拟合现象、减小计算资源以及提升模型的识别性能。利用从田间复杂环境收集的水稻病虫害数据集，对该模型与ResNet50、Xception、InceptionV3、InceptionResNetV2及原DenseNet121等卷积神经网络模型的识别效果进行比较，结果表明，该模型能有效识别出水稻常见8种病虫害和健康植株，识别准确率达到98.95%,模型参数量仅为7.23 M,识别效果优于其他模型。这可为田间环境下的其他作物病虫害识别提供参考。 相似文献
2.
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
3.
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
4.
【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
5.
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
6.
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
7.
使用竹片图像实现竹片缺陷自动识别，目前深度学习可以有效地解决该类问题，但是必须使用大量样本数据做训练才能获得较高的识别准确率。当图像数量有限时，利用基于迁移学习的方法，把经过预训练的卷积神经网络模型进行迁移，即共享卷积层和池化层的权重参数，调整新网络模型的超参数，并建立一个包含4种共计6 360张竹片缺陷图像的数据库，把图片分成4种训练集测试集形式，即80%训练、20%测试；60%训练、40%测试；40%训练、60%测试；20%训练、80%测试，分别利用支持向量机SVM分类方法、深度学习方法和迁移学习方法进行训练和测试，并将这3种方法作对比。最后，通过构建竹片缺陷识别的混淆矩阵对迁移学习进行具体分析与说明。结果表明，按照80%训练、20%测试的识别准确率最高，通过迁移学习得到的竹片缺陷最高识别精度分别达到98.97%，比普通深度学习提高了11.55% ，比SVM分类方法提高了13.04%。说明迁移学习比普通深度学习和传统支持向量机SVM分类方法更适合用于小样本数据集的分类识别，并且效果优于普通深度学习和 SVM 分类方法。 相似文献
8.
为了提高马陆葡萄病虫害的识别准确率,有效地进行马陆葡萄病虫害防控,对测地线活动轮廓模型（GAC）进行改进,通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分,从而实现准确分割病虫害图像模糊和凹陷边界,提出并建立了精确分割测地线活动轮廓模型（ASGAC）。接下来为了克服复杂背景下训练样本不足造成的误差,提出了Core损失函数,建立了CoreSoftmax联合监督机制（CSJMM）,从而确立了基于CSJMM的精确分割测地线活动轮廓模型（CSJMM-ASGAC）。结果表明,CSJMM-AS-GAC训练集初始准确率为65.46%,验证集准确率为95.67%,测试集准确率为93.95%,Kappa系数达到0.913 8,召回率达到89.21%,CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06%。CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型。 相似文献
9.
为实现玉米虫害精准、快速识别,提出基于实例分割的卷积神经网络结合迁移学习的虫害检测方法。以草地贪夜蛾的卵、幼虫、成虫为检测对象,使用数据增强对图像数据进行扩充,将Yolact++模型在COCO数据集上的预训练权重迁移至草地贪夜蛾的检测。使用focal loss中解决难易样本不均衡的思想,优化模型中的损失函数。以Detnet模型改进Yolact++模型中Resnet主干模型部分,提高对小目标检测的效果。训练过程中使用卷积层先冻结再解冻、局部与全局相结合的训练方法,获得最优权重模型,并对模型进行测试。结果表明：该方法与YoloV3+迁移学习、SSD+迁移学习、Yolact+迁移学习、Yolact++等检测算法相比,对复杂背景图像检测有更好的准确率与漏检率,测试的准确率达到96.32%,漏检率为5.51%,误检率为5.33%。 相似文献
10.
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
11.
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
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.
【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
14.
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
15.
为利用遥感手段快速、精准提取宁夏贺兰山东麓酿酒葡萄种植信息,提出了一种基于深度迁移学习的酿酒葡萄种植信息提取方法。该方法以全卷积神经网络(Fully convolutional networks,FCN)为基础,利用高分二号卫星遥感资料,以地面采集样本数据进行网络模型训练,利用迁移学习方法将训练好的网络模型迁移到FCN网络模型中,对其进行初始化,避免过拟合问题的发生,其网络训练验证集准确率高达88.16%,较传统的基于深度学习方法准确率提高7.17个百分点。结果表明,基于深度迁移学习的贺兰山东麓酿酒葡萄种植信息提取检测准确率可达91.93%,检测召回率达到91.15%。 相似文献
16.
优良品种对提高农业产量和收入起着关键作用，针对现有的种业安全问题，为实现玉米品种的快速识别和保护，构建一种基于玉米果穗图像的品种识别模型。将采集到的1 000张玉米果穗图像经预处理后按7∶2∶1的比例划分为训练集、验证集和测试集，并对数据集进行平移、翻转等多种数据增强处理。通过迁移学习，将预训练好的权重和参数迁移到NASNet-mobile、Xception、ResNet50V2、MobileNetV2、DenseNet121、VGG16模型进行对比，结果表明，NASNet-mobile识别性能较好，识别率达90%。不同优化算法的对比表明，优化器选择Adam模型具有更好的表现。在此基础上，对多种全连接层模块进行试验，结果表明，全连接层数量为2层、维度为256时可以得到更好的玉米果穗图像特征，最终模型在全连接层模块下的识别准确率达95%，较NASNet-mobile提升5%，实现了对玉米品种的分类识别。以上结果为玉米品种的快速精准鉴定以及种质资源保护提供了智能化技术支持。 相似文献
17.
苹果叶片病害形态相似、斑点大小不同，依靠人工和农业专家识别的传统方式效率较低。为此提出一种基于改进残差网络的苹果病害识别模型REP-ResNet。该模型在基准模型ResNet-50的基础上通过采用批标准化、激活函数、卷积层的残差结构顺序，加入通道注意力机制和并行卷积的方式进行改进。训练过程中，将公开数据集PlantVillage预训练的模型权重参数迁移至上述网络模型中重新训练，达到加快网络的收敛速度和提高模型识别能力的目的。采用数据扩充的方式解决训练过程中样本不均的问题。结果表明，REP-ResNet模型与基准网络模型相比识别准确率提高2.41个百分点。模型使用迁移学习的方式进行训练，在复杂背景下的苹果叶片病害识别中准确率达到97.69%，与传统卷积神经网络相比识别效果有较大提高。 相似文献
18.
传统的柑橘分类依靠人工进行辨识再手动完成分拣,整个过程耗费时间且成本高昂。对此提出了一种基于迁移学习与残差网络的柑橘图像分类方法。对Kaggle获取的20738张共8类柑橘的图像按7：3比例进行划分得到数据集。在此数据集上不同网络对于柑橘分类性能差异以及迁移学习对经典卷积模型在图像分类任务中的性能提升进行探究,实验以损失值、精准率、召回率等为性能评价指标。实验结果表明,在多种模型中,残差神经网络能获得比其他网络更高的准确率,使用迁移学习初始化网络参数能显著提高柑橘分类的准确度,降低模型过拟合的概率,实现对8类柑橘的准确识别分类,最终分类准确率达到99.9%,对柑橘分类具有指导意义。 相似文献
19.
为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治,采用迁移学习技术与GoogLeNet模型相结合的方法,对6种果园作物的25类病虫害样本进行识别与危害程度分级研究;同时,探究不同数据集大小以及不同优化算法对模型性能的影响;基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型,对病虫害识别精度可达99.35%,危害程度分级精度可达92.78%;2)在相同训练参数下,本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%,并且收敛速度最快;3)本研究模型识别精度随着数据集的增大而提高;在3种优化算法中SGDM算法耗时最短且精度最高,更适合本研究模型。通过拍摄果树叶片病害区域图像,本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。 相似文献
20.
【目的】水稻病虫害是引起水稻减产的重要因素。准确地识别水稻病虫害类型,及
时采取有效的针对性预防措施,有助于避免因水稻减产带来的经济损失。然而,聚焦于人
脸和花草等常见事物的识别技术,在农业领域特别是水稻病虫害识别领域应用较少,而
目前已有的水稻病虫害识别研究存在数据量小和数据种类不够丰富等问题。【方法】文
章搜集了2.0372 万张水稻病虫害图片,并以此构建了完整的水稻病虫害识别数据集,基
于迁移学习的思想,在ResNet50 的预训练模型基础上构建了一个针对16 种主要水稻病
虫害识别的深度模型。同时,考虑实际应用的需要,搜集了9 928 张其他图片（包括人
像、汽车等）,结合9 675 张水稻病虫害图片,构建了一个二分类数据过滤模型,以此来
避免非水稻病虫害图片被识别为某一类病虫害的不合理结果。【结果】有预训练模型验
证结果的top-1 准确率达到了95.23%,F1 系数为77.83%,相较无预训练模型top-1 准确
率提升了24.51%,F1 系数提升了56.66%。数据过滤模型的过滤准确度达到了99.60%。
【结论】基于迁移学习的水稻病虫害识别模型,使水稻病虫害识别结果更加准确。非水稻病
虫害过滤模型,有效地解决了实际应用中非水稻病虫害图片被错分为某一类水稻病虫害的
问题。 相似文献