共查询到19条相似文献，搜索用时 250 毫秒
1.
害虫识别是害虫防治的关键基础,由于较难获得足够的害虫种类图像,如何使用少量标记图像构造害虫分类器是一个富有挑战性的问题。现有研究多采用匹配网络框架来解决这个问题,该框架使用元学习避免重新训练深度网络,然而主干网络的特征提取能力有限,元学习算法没有提供较好的权重初始化策略,可能导致网络出现梯度消失或者梯度爆炸的情况。为了解决这一问题,该研究提出一种基于空间注意力增强ResNeSt-101和迁移元学习算法的小样本害虫分类器。首先,通过一个空间注意力模块增强ResNeSt-101以更好地提取害虫图像特征,即在ResNeSt-101的第1阶段的最大池化层之前以及在第2～4阶段的末尾分别附加集成空间注意力模块,并通过数值仿真确定空间注意力增强模块的最佳放置位置为第1阶段的最大池化层之前。随后,通过迁移学习策略初始化网络权重,进而通过元学习进行优化。为了避免网络出现梯度消失或者梯度爆炸的情况,在元学习算法中选择归一化的温度缩放交叉熵损失函数代替三元组损失函数。最后,通过计算查询图像和支持图像深度特征之间的相似度实现害虫分类。所提出方法在自建的害虫图像数据集AD0和MIP50上使用N-类K-例准确率和每张图像处理时间（the time of per image processing,TPIP）进行评估。害虫图像数据集的构建方式如下：首先对公共害虫图像数据集IP102和D0进行清洗,以消除由于英文害虫名称导致的歧义类别;然后移除卵、幼虫和蛹阶段的害虫图像,仅保留成虫阶段的图像。考虑到人工和时间成本,从清理后的IP102害虫数据集中选择50个类别构建MIP50害虫图像数据集。随后,通过害虫的拉丁名称从互联网搜索更多的害虫图像,生成AD0害虫图像数据集。自建的MIP50数据集包括来自IP102的50个类别的16424张成虫图像,AD0包含来自D0的所有40个类别的17112张成虫图像。试验结果表明,当测试集中只有少数未知类别的害虫图像时,本文方法在AD0数据集上的5-类10-例评估准确率达到了96.37％,在MIP50数据集上达到了76.91％。当测试集中同时存在几个未知和已知类别的害虫图像时,所提方法在AD0数据集上的5-类10-例设置下的识别准确率达到了93.73％,在MIP50数据集上达到90.60％。同时,本文方法的TPIP大约为0.44 ms,满足大多数场景下的实时害虫识别要求。此外,消融试验结果表明,基于空间注意力增强ResNeSt-101网络和迁移元学习的小样本害虫分类方法在AD0、MIP50数据集上对未知类别害虫图像的5-类10-例的识别准确率分别比提升了5和3个百分点以上,具有良好应用前景。但未来研究中还需进一步研究本方法中存在的问题,如通过采用更好地表征支持集样本与查询集样本之间复杂关系的度量优化本工作中用到的度量以解决增加类别数可能导致分类准确率降低的问题,以及将所提方法应用于现实农业场景进行优化改进以更好提升本文方法的实用性。 相似文献
2.
针对青香蕉早期轻微碰撞损伤无法用肉眼和RGB图像识别的问题，该研究利用光谱数据与图像信息，实现青香蕉早期轻微碰伤的检测和碰伤程度区分。通过高光谱成像仪获取碰撞损伤试验样品的光谱数据和图像信息，对原始光谱数据进行预处理和异常样本的剔除。通过特征波长提取，获取特征波长下的低维图像中创面区域像素点的分布数据，同时结合全像素点下的光谱反射率数据，将其作为BP神经网络模型的训练集和测试集，建立青香蕉碰撞损伤程度界定的无损检测模型。试验结果表明，利用高光谱技术可以识别肉眼不可见的轻微碰撞损伤，形成的BP神经网络检测模型的总体识别准确率为95.06%，并且可输出碰伤等级的可视化图像。研究为开发青香蕉碰伤快速无损检测系统提供理论依据。 相似文献
3.
农作物病害治理对于农作物的产量和品质有着非常重要的影响。本文针对玉米病害人工识别困难、识别过程耗费大量的人力成本和病害数据样本小且分布不均的问题,提出了一种改进的迁移学习神经网络（Neural Network）的病害识别方法。首先,采用旋转、翻转等方法对样本图像集进行数据增强;其次,通过迁移的MobileNetV2模型在玉米病害图像数据集上训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现玉米病害图像识别。另外通过试验对比AlexNet、GooleNet、Vgg16、RestNet34、MobileNetV2和迁移的MobileNetV2这6种模型的训练集准确率、验证集准确率、权重、参数数量和运行时间。结果显示,6种模型验证集的准确率分别为93.88%、95.48%、91.69%、97.67%、96.21%和97.23%,迁移的MobileNetV2的准确率最高,且权重仅有8.69 MB。进一步通过混淆矩阵对比了MobileNetV2和迁移的MobileNetV2两种模型,迁移的MobileNetV2模型识别正确率提升1.02%,训练速度减少6 350 s。本文提出迁移的MobileNetV2模型对玉米病害小样本的识别效果最佳,具备更好的收敛速度与识别能力,同时能够降低模型的运算量并大幅度缩短识别时间。 相似文献
4.
针对葡萄园害虫识别过程中害虫种类繁多、形态属性复杂、实体间深层次关联关系差等因素导致的识别准确率不够高的问题,该研究提出一种基于属性特征知识图谱的细粒度葡萄害虫识别模型。该模型以视觉编码器作为提取图像高层表征的骨干网络,并结合知识图谱具有在描述害虫实体属性特征和害虫实体间关联方面的优势,将知识图谱所提供的细粒度属性特征和害虫实体关联特征信息用于葡萄园害虫分类研究。该方法在2个数据集上进行了测试：一是GP21数据集,该数据集由公开大规模害虫数据集IP102中21类葡萄园相关害虫类别图像构成;二是GP8数据集,该数据集包含从农业生产基地实地采集并手工标注的8种葡萄园害虫。试验结果表明,该文所提模型性能明显优于普遍通用预训练网络模型,分类准确率在GP21数据集和GP8数据集上分别达到了91.21%和95.03%,相比于仅使用视觉编码器分别增加1.64和1.17个百分点。这证明属性特征知识图谱的引入能够辅助视觉编码器捕获细粒度更高的葡萄园害虫特征信息,有效解决了葡萄园害虫识别中的精度不够高的问题。 相似文献
5.
基于改进DenseNet的茶叶病害小样本识别方法 总被引：1，自引：1，他引：0
针对茶叶病害识别的传统方法费工费时,同时由于茶叶病害样本小且分布不均导致传统卷积神经网络不能准确快速识别的问题,提出一种基于迁移学习的SE-DenseNet-FL茶叶病害识别方法。SE-DenseNet-FL以DenseNet模型为基础,首先在DenseNet网络结构中融入SENet（Squeeze-and-Excitation Networks）模块,以加强重要特征传播实现特征重标定;其次引入Focal Loss函数替换原DenseNet中的损失函数,使模型在训练时专注于难分类的样本,以缓解样本分布不均给模型带来的性能影响;最后利用PlantVillage数据集预训练取得预训练模型,通过迁移学习在预训练模型上使用自建茶叶病害数据集进行参数微调,以缓解样本数据过少带来的过拟合影响。通过与原模型DenseNet以及其他经典分类模型（AlexNet、VGG16、ResNet101）进行试验对比,结果表明基于迁移学习的SE-DenseNet-FL在小样本及样本分布不均情景下对茶叶病害的识别准确率达到92.66%。该模型具有较高的识别准确率与较强的鲁棒性,可为茶叶病害智能诊断提供参考。 相似文献
6.
高光谱图像技术在掺假大米检测中的应用 总被引：4，自引：2，他引：2
为了有效判别出优质大米中是否掺入劣质大米,该文研究了一种针对大米掺假问题的快速、无损检测方法。从市场上购买了东北长粒香大米和江苏溧水大米,按纯东北长粒香大米、3∶1、2∶2、1∶3和纯江苏溧水大米共5个掺合水平进行大米试验样本的制备。利用可见-近红外高光谱图像采集系统(390~1050 nm)获取了200个大米样本的高光谱图像。采用ENVI软件确定高光谱图像的感兴趣区域(region of interest,ROI),并提取出所有样本在ROI内的平均高光谱数据。采用支持向量机(support vector machine,SVM)建立全光谱波段下的大米掺假判别模型,径向基(radial basis function,RBF)核函数模型交叉验证准确率为93%、预测集正确率为98%。由于高光谱信息量大、冗余性强且受噪声的影响较大,该文采用主成分分析方法(principal component analysis,PCA)分别对大米高光谱图像和高光谱数据进行处理,从特征选择和特征提取2个角度对原始高光谱数据进行处理,通过主成分权重系数图选择了531.1、702.7、714.3、724.7、888.2和930.6 nm 6个特征波长,通过留一交叉验证法(leave-one-out cross-validation,LOOCV)确定并提取出PCA降维后的最优主成分数(number of principal component,PCs)为9。最后分别将优选出的特征波长和提取出的最优主成分数作为模型的输入,建立SVM模型。试验结果表明,基于特征波长SVM模型的交叉验证准确率为95%、预测集正确率为96%,基于最优主成分数SVM模型的交叉验证准确率为94%、预测集正确率为98%。该研究结果表明,该文建立的基于特征波长和基于最优主成分数的SVM模型均具有较优的预测性能,且利用高光谱图像技术对大米掺假问题进行检测是可行的。 相似文献
7.
受部分容积效应影响,土壤计算机断层扫描（Computed Tomography,CT）图像存在孔隙边界模糊现象,影响土壤孔隙结构研究的准确性。针对该问题,该研究提出基于序列信息的生成式对抗网络（Sequence information Generative Adversarial Network,SeqGAN）,实现土壤CT图像的超分辨率重建。针对土壤CT序列图像具有较高相似性的特点,SeqGAN法引入序列卷积块挖掘前后图像的序列信息,并将多重特征增强融合于目标图像中;利用多层残差块提取图像特征,构建残差块输入和输出的直接连接,以减少模型退化;利用对抗网络实现损失间接反馈,提高模型的特征学习能力。在序列相似性较高的土壤图像数据集验证了该方法性能。结果表明,SeqGAN法均方误差比次优方法GAN降低25%,峰值信噪比提升1.4 dB,结构相似性提升0.2%。重建的土壤图像具有较高准确率和清晰度,可为后续土壤物理学研究提供准确的数据基础。 相似文献
8.
基于改进RetinaNet的果园复杂环境下苹果检测 总被引：1，自引：1，他引：0
为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network,BiFPN）对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失（Focal Loss）和高效交并比损失（Efficient Intersection over Union Loss,EIoU Loss）的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值（meanAveragePrecision,mAP）达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主... 相似文献
9.
基于高光谱成像的水稻穗瘟病害程度分级方法 总被引：3，自引：3，他引：3
为了快速、准确地进行水稻穗瘟病害程度分级,以实现水稻品种抗性评价或精准的田间化学防治,该研究提出了一种光谱词袋(bag of spectrum words,Bo SW)模型分析方法,分析稻穗的高光谱图像,自动评判穗瘟病害程度。首先,稠密规整地将高光谱图像分割成小立方格,计算每个立方格像素的平均全波段包络矢量,用K-Means算法聚类形成典型光谱包络词典。词典中光谱包络"词"(word)用作高光谱图像表达的"基",直方图统计各光谱"词"在高光谱图像样本中的出现频度,形成光谱图像的词袋表达。采用Hyper SIS-VNIR-QE光谱成像仪获取田间采集的170株稻穗样本高光谱图像,用Bo SW方法生成其词袋表达;植保专家根据病害程度类别确定光谱图像样本标签。随机选择2/3"词袋表达-病害程度等级标签"数据对构成训练集,采用卡方-支持矢量机(chi-square support vector machine,Chi-SVM)分类算法建立穗瘟病害程度分级模型。余下的1/3样本构成测试集,测试穗瘟病害等级模型的预测性能,分类识别精度为94.72%,高于主成分分析(principle component analysis,PCA)、敏感波段选择等传统光谱分析方法,其识别精度分别为83.83%和79.83%。该研究提高了穗瘟病分级的自动化程度和准确率,也可为其他病害分级检测提供参考。 相似文献
10.
基于卷积神经网络与迁移学习的油茶病害图像识别 总被引：9，自引：12，他引：9
传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。 相似文献
11.
12.
基于改进YOLOv5s的名优绿茶品质检测 总被引：1，自引：1，他引：0
针对实际检测过程中茶叶数量多、体积小、茶叶之间颜色和纹理相似等特点,该研究提出了一种基于YOLOv5s的名优绿茶品质检测算法。首先,该算法在骨干网络层引入膨胀卷积网络,通过增大感受野的方式增强茶叶微小特征的提取。其次,改进特征融合进程,基于通道注意力和空间注意力抑制无关信息的干扰,构建CBAM注意力机制优化检测器。接着根据Swin transformer网络结构在多个维度对小尺度茶叶的特征进行交互和融合。最后,配合SimOTA匹配算法动态分配茶叶正样本,提高不同品质茶叶的识别能力。结果表明,改进后的算法精准度、召回率、平均精度均值、模型体积、检测速度分别为97.4%、89.7%、91.9%、7.11MB和51帧/s,相较于基础的YOLOv5s平均精度均值提高了3.8个百分点,检测速度提高了7帧/s。利用相同数据集在不同目标检测模型上进行对比试验,与Faster-RCNN、SSD、YOLOv3、YOLOv4等模型相比,平均精度均值分别提升10.8、22.9、18.6、8.4个百分点,进一步验证了该研究方法的有效性和可靠性。 相似文献
13.
为简化茶叶化学检测分析过程,实现茶叶高精度等级评价,该研究以黄山毛峰茶为研究对象,结合茶叶中茶多酚、儿茶素、咖啡碱、没食子酸及氨基酸成分检测,提出基于Elastic Net特征变量选择的茶叶等级评价方法,建立基于特征成分的黄山毛峰茶等级评价模型。试验选取6个不同等级共96个黄山毛峰茶叶样品,并分析了全部样品的19个成分,通过ElasticNet选取了9个特征成分(没食子酸、表儿茶素没食子酸酯、儿茶素、表儿茶素、没食子酸儿茶素没食子酸酯、表没食子儿茶素、谷氨酸、精氨酸和儿茶素苦涩味指数)建立等级评价模型,并与主成分分析(Principal Components Analysis, PCA)进行对比。100次蒙特卡罗试验结果表明,相比于PCA预测集准确率平均值为70.79%,基于Elastic Net特征变量选择的黄山毛峰茶等级评价准确率更高为78.72%。在此基础上,构建Elastic Net特征变量雷达图,实现黄山毛峰茶等级多变量综合评价可视化。研究结果表明所提方法可有效选择茶叶特征成分,提高黄山毛峰茶等级评价准确率,为茶叶高精度等级评价提供参考。 相似文献
14.
为实现茶叶病害的快速高效识别,提出了基于高光谱成像技术和图像处理技术融合的茶叶病斑识别方法。利用高光谱成像技术采集了炭疽病、赤叶斑病、茶白星病、健康叶片等4类样本的高光谱图像。提取感兴趣区域敏感波段的相对光谱反射率作为光谱特征。通过2次主成分分析,确定第二次主成分分析后的第二主成分图像为特征图像,基于颜色矩和灰度共生矩阵提取特征图像的颜色特征和纹理特征。利用BP神经网络对颜色、纹理和光谱特征向量融合数据进行检验,识别率为89.59%;为提高识别率,提出遗传算法优化BP神经网络的方法,使病斑识别率提高到94.17%,建模时间也缩短至1.7 s。试验结果表明:高光谱成像技术和遗传优化神经网络可以快速准确的实现对茶叶病斑的识别,可为植保无人机超低空遥感病害监测提供参考。 相似文献
15.
针对目前在茶园垄间导航路径识别存在准确性不高、实时性差和模型解释困难等问题，该研究在Unet模型的基础上进行优化，提出融合Unet和ResNet模型优势的Unet-ResNet34模型，并以该模型所提取的导航路径为基础，生成路径中点，通过多段三次B样条曲线法拟合中点生成茶园垄间导航线。该研究在数据增强后的茶园垄间道路训练集中完成模型训练，将训练完成的模型在验证集进行导航路径识别，根据梯度加权类激活映射法解释模型识别过程，可视化对比不同模型识别结果。Unet-ResNet34模型在不同光照和杂草条件下导航路径分割精度指标平均交并比为91.89%，能够实现茶园垄间道路像素级分割。模型处理RGB图像的推理速度为36.8 帧/s，满足导航路径分割的实时性需求。经过导航线偏差试验可知，平均像素偏差为8.2像素，平均距离偏差为0.022 m，已知茶园垄间道路平均宽度为1 m，道路平均距离偏差占比2.2%。茶园履带车行驶速度在0～1 m/s之间，单幅茶垄图像平均处理时间为0.179 s。研究结果能够为茶园视觉导航设备提供技术和理论基础。 相似文献
16.
针对现有目标检测模型对自然环境下茶叶病害识别易受复杂背景干扰、早期病斑难以检测等问题，该研究提出了YOLOv5-CBM茶叶病害识别模型。YOLOv5-CBM以YOLOv5s模型为基础，在主干特征提取阶段，将一个带有Transformer的C3模块和一个CA（coordinate attention）注意力机制融入特征提取网络中，实现对病害特征的提取。其次，利用加权双向特征金字塔（BiFPN）作为网络的Neck，通过自适应调节每个尺度特征的权重，使网络在获得不同尺寸特征时更好地将其融合，提高识别的准确率。最后，在检测端新增一个小目标检测头，解决了茶叶病害初期病斑较小容易出现漏检的问题。在包含有3种常见茶叶病害的数据集上进行试验，结果表明，YOLOv5-CBM对自然环境下的初期病斑检测效果有明显提高，与原始YOLOv5s模型相比，对早期茶饼病和早期茶轮斑病识别的平均精度分别提高了1.9和0.9个百分点，对不同病害检测的平均精度均值达到了97.3%，检测速度为8ms/幅，均优于其他目标检测算法。该模型具有较高的识别准确率与较强的鲁棒性，可为茶叶病害的智能诊断提供参考。 相似文献
17.
基于机器视觉形状特征参数的祁门红茶等级识别 总被引：11，自引：8，他引：3
外形是评价茶叶质量的重要指标之一,目前主要依赖人工审评的方法,客观、准确的评价外形指标对茶叶加工、销售有重要的意义。该研究提出了一种基于形状特征直方图结合支持向量机的茶叶等级识别方法。以7个等级的祁门工夫红茶为研究对象,构建图像采集系统,标定相机参数,采集各等级的茶叶图像。对图像进行灰度化、二值化处理,提取叶片的6个绝对形状特征:长度、宽度、面积、周长、最小外接矩长、宽,在此基础上计算狭长度,矩形度2个相对形状特征,生成形状特征的直方图。以直方图分布为特征向量,构建了基于BP神经网络,极限学习机(extreme learning machine,ELM),支持向量机(support vector machine,SVM),最小二乘支持向量机(least squares support vector machine,LS-SVM)的等级识别模型,并对比了不同模型的识别效果。结果表明,该文构建的图像采集系统测量精度0.3 mm,能够准确提取形状特征参数;基于形状特征直方图的LS-SVM模型识别效果最好,识别精度为95.71%,测试集决定系数为96.2%,具有算法复杂度低,易于求解的优点。研究结果为实现茶叶的客观、数字化等级鉴定,提供了试验数据和参考方法。 相似文献
18.
现有的目标检测算法检测茶叶嫩芽的精度较低,为提高茶叶嫩芽的检测精度,该研究提出一种基于改进YOLOv5s网络模型的茶叶嫩芽检测算法。该算法将骨干特征提取网络中的空间金字塔池化结构（spatial pyramid pooling-fast,SPPF）替换为空洞空间卷积池化金字塔结构（atrous spatial pyramid pooling,ASPP）,增强模型对不同分辨率下目标的识别能力;针对茶叶嫩芽的小目标特征,在颈部网络中引入可加权重的双向特征金字塔网络（bidirectional feature pyramid network,BiFPN）,提高特征融合的效率,同时在颈部网络中的每个集中综合卷积模块（concentrated-comprehensive convolution block,C3）后添加卷积注意力模块（convolutional block attention module,CBAM）来提高模型关注小目标特征的能力。试验结果表明,改进后获得的Tea-YOLOv5s比原模型的准确率（precision,P）、召回率（recall,R）和平均精度值（mean average precision,mAP）分别高出4.4、0.5和4个百分点,且模型鲁棒性强,在多个场景下茶叶嫩芽的检测中具有更高的置信度分数。改进后的模型可为茶叶的产量估计和茶叶采摘机器人的嫩芽识别奠定基础。 相似文献
19.
该研究针对当前自然环境下的苹果叶片病害识别中病害病斑小、空间分布特征不同以及特征相近病害识别困难的问题，设计DEFL (DenseNet121+EfficientNet with focal loss and label smoothing)模型。首先，该模型以并行的EfficientNet-B0网络和DenseNet121网络为特征提取网络，以提升模型特征提取能力，其次引入结合标签平滑策略的焦点损失函数以加强模型对识别困难样本的关注。经测试，所提模型的识别准确率为99.13%，平均精度均值为98.47%。消融试验表明两项改进分别使模型平均精度均值提高了7.99和3.15个百分点。对比试验结果表明，DEFL模型平均精度均值较于ResNet50、Inception V3、ResNeXt模型以及分别融合这3种模型的EfficientNet-B0模型分别高出14.53、13.17、14.61、 6.4、 7.71以及8.91个百分点，模型规模分别小18.73、 7.7、 12.2、 83.62、 69.6以及60.09MB。Grad-CAM(gradient-weighted class a... 相似文献