共查询到19条相似文献，搜索用时 203 毫秒
1.
基于迁移学习的葡萄叶片病害识别及移动端应用 总被引：7，自引：6，他引：1
为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢,易产生过拟合现象等问题,提出了一种葡萄叶片病害识别模型(Grape-VGG-16,GV),并针对该模型提出基于迁移学习的模型训练方式。将VGG-16网络在ImageNet图像数据集上学习的知识迁移到本模型中,并设计全新的全连接层。对收集到的葡萄叶片图像使用数据增强技术扩充数据集。基于扩充前后的数据集,对全新学习、训练全连接层的迁移学习、训练最后一个卷积层和全连接层的迁移学习3种学习方式进行了试验。试验结果表明,1)迁移学习的2种训练方式相比于全新学习准确率增加了10～13个百分点,并在仅训练25轮达到收敛,该方法有效提升了模型分类性能,缩短模型的收敛时间;2)数据扩充有助于增加数据的多样性,并随着训练次数的增加,训练与测试准确率同步上升,有效缓解了过拟合现象。在迁移学习结合数据扩充的方式下,所构建的葡萄叶片病害识别模型(GV)对葡萄叶片病害的识别准确率能达到96.48%,对健康叶、褐斑病、轮斑病和黑腐病的识别准确率分别达到98.04%、98.04%、95.83%和94.00%。最后,将最终的研究模型部署到移动端,实现了田间葡萄叶片病害的智能检测,为葡萄病害的智能诊断提供参考。 相似文献
2.
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
3.
随着油茶产业不断壮大，市场上也出现了油茶幼苗品系混乱、以假乱真、以次充好的现象，因此急需开发一种专门的分类识别算法实现不同油茶品种的准确识别。农业领域常用VGG、ResNet网络模型进行分类工作，但存在权重空间过大和准确率不高等问题。该研究对VGG16网络模型进行层间删减以及结构调整，提出了Enhanced VGG16网络模型，在油茶叶数据集上完成模型训练与测试，并与现有经典卷积神经网络（AlexNet、VGG16、Resnet50、InceptionV3、Xception）进行对比。结果表明，Enhanced VGG16网络模型的训练集准确率和测试集准确率分别为98.98%和98.44%，权重空间为90.6 MB。与原始VGG16模型相比，训练集准确率和测试集准确率分别提高3.08和2.05个百分点，权重空间下降165.4 MB，模型性能显著提升。Enhanced VGG16网络模型与经典卷积神经网络相对比，模型综合性能更优。该研究为通过油茶叶进行品种分类识别提供了依据，同时可为其他农作物品种识别提供参考。 相似文献
4.
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
5.
基于低场核磁成像的银杏胚检测及分类 总被引：1，自引：1，他引：0
银杏胚的有无及发育状况直接影响播种后的发芽率,而这些无法人工检测。该研究基于低场核磁共振成像（Low-field Magnetic Resonance Imaging,LF-MRI）技术,结合深度学习,探索研究银杏种子内部缺陷检测方法。设计了一种基于改进的VGG-16迁移学习图像分类方法,在利用VGG-16卷积层对数据集进行迁移学习时,对模型的学习率、模型结构和归一化3个方面进行改进,比较研究调整初始学习率与更新周期、将全连接层替换为全局卷积层或全局平均池化层并扩展8种微调模型、添加3种归一化层对模型性能的影响。结果表明,全局平均池化层调用方便,能够替代全连接层融合深度特征,提升模型性能;分类输出层置于全局平均池化层后的分类效果较好;组归一化能提升模型性能,并使验证曲线收敛更稳定;学习率对迁移学习模型性能影响极大,使用分段常数衰减策略针对具体应用可有效提高模型性能。相比较VGG-16,该研究构建的基于VGG-Net的银杏种子MR图像识别模型（Ginkgo seed low-field MR images recognition model based on VGG-Net, GV）大小降低89%,参数量降低89%,训练时间减少64%,训练集与验证集损失分别降低64%与45%、准确率分别提高2.4与2.5个百分点,对正常、孔洞、有胚和无胚4个类别的银杏种子平均分类准确率达到97.40%。研究结果为无损监测银杏种子萌发过程、合理预测种子播种后的发芽率提供了思路。 相似文献
6.
改进ResNet18网络模型的羊肉部位分类与移动端应用 总被引：1，自引：1，他引：0
针对传统图像分类模型泛化性不强、准确率不高以及耗时等问题,该研究构建了一种用于识别不同部位羊肉的改进ResNet18网络模型,并基于智能手机开发了一款可快速识别不同部位羊肉的应用软件。首先,使用数据增强方式对采集到的羊背脊、羊前腿和羊后腿肉的原始手机图像进行数据扩充;其次,在ResNet18网络结构中引入附加角裕度损失函数（ArcFace）作为特征优化层参与训练,通过优化类别的特征以增强不同部位羊肉之间的类内紧度和类间差异,同时将ResNet18网络残差结构中的传统卷积用深度可分离卷积替换以减少网络参数量,提高网络运行速度;再次,探究了不同优化器、学习率和权重衰减系数对网络收敛速度和准确率的影响并确定模型参数;最后,将该网络模型移植到安卓（Android）手机以实现不同部位羊肉的移动端检测。研究结果表明,改进ResNet18网络模型测试集的准确率高达97.92%,相比ResNet18网络模型提高了5.92%;把改进ResNet18网络模型部署到移动端后,每张图片的检测时间约为0.3 s。该研究利用改进ResNet18网络模型结合智能手机图像实现了不同部位羊肉的移动端快速准确分类,为促进羊肉的智能化检测及羊肉市场按质论价提供了技术支持。 相似文献
7.
基于轻量级CNN的植物病害识别方法及移动端应用 总被引：11，自引：8，他引：3
为了实现在手机端植物病害叶片检测,对MobileNet和Inception V3 2种轻量级卷积神经网络进行迁移学习,得到2种作物病害分类模型,将2种分类模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和InceptionV3在PlantVillage数据集(共38类26种病害)上平均识别率分别是95.02%和95.62%。在自建图像集葡萄病害叶片的识别中MobileNet和InceptionV3平均识别率分别是87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸大小为87.5 MB,MobileNet的模型尺寸为17.1 MB,大约是后者5倍;2种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5和125 MB;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174 ms,MobileNet的平均计算时间约是134 ms,后者的平均计算时间比前者快40 ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。 相似文献
8.
基于声振信号对称极坐标图像的苹果霉心病早期检测 总被引：1，自引：1，他引：0
为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。 相似文献
9.
反卷积引导的番茄叶部病害识别及病斑分割模型 总被引：12，自引：9，他引：3
针对当前植物叶部病害识别模型易受阴影、遮挡物及光线强度干扰,特征提取具有盲目和不确定性的问题,该研究构建一种基于反卷积引导的VGG网络(Deconvolution-GuidedVGGNet,DGVGGNet)模型,同时实现植物叶部病害种类识别与病斑分割。首先使用VGGNet计算多分类交叉熵损失进行病害分类训练,得到病害分类结果;其次设计反向全连接层,将分类结果恢复为特征图形式;然后采用上采样与卷积操作相结合的方法实现反卷积,利用跳跃连接融合多种特征恢复图像细节;最后使用少量病斑监督,对每个像素点使用二分类交叉熵损失进行训练,引导编码器关注真实的病斑部位。试验结果表明,该研究模型的病害种类识别精度达99.19%,病斑分割的像素准确率和平均交并比分别达94.66%和75.36%,在遮挡、弱光等环境下具有良好的鲁棒性。 相似文献
10.
为解决现有卷积神经网络苹果叶片病害识别模型泛化能力弱,模型体积较大等问题,该研究提出一种基于改进MobileNetV3苹果落叶病识别模型。以健康叶片和常见苹果落叶病为研究对象,包括斑点落叶病、灰斑病、褐斑病、锈病4种,每种病害2级,共9类特征,通过改进网络的注意力模块、全连接层及算子,结合迁移学习的训练方式,构建苹果落叶病识别模型。在扩充前后的数据集上对比不同的学习方式、学习率和注意力模块等对模型的影响,验证模型的识别性能。试验结果表明：采用迁移学习的方式,在训练50轮达曲线收敛,比全新学习的准确率增加6.74～10.79个百分点;使用引入的ET(efficient channel attention-tanh)注意力模块,网络损失曲线更加平滑,模型的参数量更少,模型体积减小了48%,提高了模型的泛化能力;在扩充数据集上,学习率为0.000 1时,结合迁移学习的训练方式,改进MobileNetV3(ET3-MobileNetV3)苹果落叶病识别模型,平均准确率能达到95.62%,模型体积6.29 MB。将模型部署到喷药设备上,可实现基于苹果叶片病害识别的变量喷施,该研究可为苹果叶片病害... 相似文献
11.
基于改进卷积神经网络的多种植物叶片病害识别 总被引：36，自引：23，他引：13
针对训练收敛时间长,模型参数庞大的问题,该文将传统的卷积神经网络模型进行改进,提出一种批归一化与全局池化相结合的卷积神经网络识别模型.通过对卷积层的输入数据进行批归一化处理,以便加速网络收敛.进一步缩减特征图数目,并采用全局池化的方法减少特征数.通过设置不同尺寸的初始层卷积核和全局池化层类型,以及设置不同初始化类型和激活函数,得到8种改进模型,用于训练识别14种不同植物共26类病害并选出最优模型.改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90%以上的识别准确率;参数内存需求仅为2.6 MB,平均测试识别准确率达到99.56%,查全率和查准率的加权平均分数为99.41%.改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害.该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考. 相似文献
12.
基于改进卷积神经网络模型的玉米叶部病害识别(英文稿) 总被引：3，自引：2，他引：1
准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。 相似文献
13.
基于改进Faster R-CNN识别深度视频图像哺乳母猪姿态 总被引：13，自引：11，他引：2
猪舍场景下,昼夜交替光线变化、热灯光照影响,及仔猪与母猪的粘连等因素,给全天候哺乳母猪姿态自动识别带来很大困难。该文以深度视频图像为数据源,提出基于改进Faster R-CNN的哺乳母猪姿态识别算法。将残差结构引入ZF网络,设计ZF-D2R网络,以提高识别精度并保持实时性;将Center Loss监督信号引入Faster R-CNN训练中,以增强类内特征的内聚性,提升识别精度。对28栏猪的视频图像抽取站立、坐立、俯卧、腹卧和侧卧5类姿态共计7 541张图像作为训练集,另取5类姿态的5 000张图像作为测试集。该文提出的改进模型在测试集上对哺乳母猪的站立、坐立、俯卧、腹卧和侧卧5类姿态的识别平均准确率分别达到96.73%、94.62%、86.28%、89.57%和99.04%,5类姿态的平均准确率均值达到93.25%。在识别精度上,比ZF网络和层数更深的VGG16网络的平均准确率均值分别提高了3.86和1.24个百分点。识别速度为0.058 s/帧,比VGG16网络速度提高了0.034 s。该文方法在提高识别精度的同时保证了实时性,可为全天候母猪行为识别提供技术参考。 相似文献
14.
基于深度学习与图像处理的哈密瓜表面缺陷检测 总被引：9，自引：8，他引：1
针对传统人工检测哈密瓜表面缺陷效率低等问题,提出利用卷积神经网络(Convolutional Neural Networks, CNN)对哈密瓜表面缺陷进行快速检测。对原始图像进行主成分分析(Principal Components Analysis,PCA)、奇异值分解(Singular Value Decomposition, SVD)和二值化等预处理操作,通过数据扩充得到正常、霉菌、晒伤和裂纹的哈密瓜图像各2 500幅。构建一种改进的类似VGG卷积神经网络模型,将预处理后的图像输入模型,并使用随机梯度下降(StochasticGradient Descent,SGD)优化器进行算法优化,为探究CNN模型的特征提取原理,将改进的类似VGG模型每层卷积的特征进行可视化,最后利用开发的哈密瓜表面缺陷检测软件对模型进行试验验证。研究结果表明:图像预处理算法提高了模型的鲁棒性和泛化能力,改进的类似VGG模型优于Alex Net和VGG-16模型,其训练集和测试集准确率分别为100.00%和97.14%;对比预处理前后4类哈密瓜卷积特征可视化结果表明,随着卷积层层数的增加,哈密瓜表面缺陷特征越来越明显,图像预处理后卷积层特征提取效果优于原始图像提取效果。软件测试结果表明:静态下哈密瓜缺陷检测速率达到0.7 s/幅,识别准确率达到93.50%。研究结果可为哈密瓜表面缺陷在线检测技术提供理论依据和技术参考。 相似文献
15.
基于鱼体特征点检测的淡水鱼种类识别 总被引：1，自引：1，他引：0
针对传统机器视觉技术对淡水鱼种类进行检测时特征提取过程复杂的问题,该研究提出了基于特征点检测的淡水鱼种类识别方法。以鳊、鳙、草鱼、鲢、鲤5种大宗淡水鱼为对象,构建了淡水鱼特征点检测数据集;以AlexNet模型为基础,通过减小卷积核尺寸、去除局部响应归一化、引入批量归一化、更换损失函数,构建了改进AlexNet模型用于特征点检测;并以特征点为依据提取特征值、构造特征向量,使用Fisher判别分析方法实现了淡水鱼的种类识别。试验结果表明：改进AlexNet模型在测试集上的归一化平均误差的均值为0.0099,阈值δ为0.02和0.03时的失败率F0.02、F0.03分别为2.50%和0.83%,具有较好的精准度和误差分布情况;基于该模型和Fisher判别分析的淡水鱼种类识别方法对5种淡水鱼的识别准确率为98.0%,单幅图像的平均识别时间为0.368 s,保证了时效性。由此可知,提出的改进AlexNet模型能实现淡水鱼的特征点检测并具有较高的精度,可为淡水鱼种类识别、尺寸检测、鱼体分割等提供条件,该方法可为淡水鱼自动化分类装置的研发奠定基础。 相似文献
16.
基于改进Multi-Scale AlexNet的番茄叶部病害图像识别 总被引：13，自引：11，他引：2
番茄同种病害在不同发病阶段表征差异明显,不同病害又表现出一定的相似性,传统模式识别方法不能体现病害病理表征的动态变化,实用性较差。针对该问题,基于卷积神经网络提出一种适用于移动平台的多尺度识别模型,并基于此模型开发了面向农业生产人员的番茄叶部病害图像识别系统。该文详细描述了AlexNet的结构,分析其不足,结合番茄病害叶片图像特点,去除局部响应归一化层、修改全连接层、设置不同尺度卷积核提取特征,设计了基于AlexNet的多感受野识别模型,并基于Android实现了使用此模型的番茄叶部病害图像识别系统。Multi-ScaleAlexNet模型运行所耗内存为29.9MB,比原始AlexNet的内存需求652MB降低了95.4%,该模型对番茄叶部病害及每种病害早中晚期的平均识别准确率达到92.7%,基于此模型的Andriod端识别系统在田间的识别率达到89.2%,能够满足生产实践中移动平台下的病害图像识别需求。研究结果可为基于卷积神经网络的作物病害图像识别提供参考,为作物病害的自动化识别和工程化应用参考。 相似文献
17.
为了进一步提升油茶果壳籽分选效率,该研究采集油茶果脱壳后经过初步筛分的果壳与茶籽图像,构建壳籽分类图像数据集,以VGG16为基础网络,通过深度可分离卷积模块和全连接层神经元数目优选等方式缩小模型规模,采用跨层特征融合机制与引入指数线性单元（exponential linear units, ELU）激活函数优化网络结构,提出一种适用于油茶果壳籽分选的卷积神经网络模型。结果表明,跨层特征融合机制加强了深层网络特征的有效信息表达能力,相比于未融合时的模型精度得到了明显提升,并且三次跨层特征融合总体优于一次与二次融合方式。ELU激活函数加快了模型收敛速度,同时缓解了梯度爆炸,提高了模型鲁棒性。当全连接层神经元个数减少为128时模型得到进一步压缩,并且拟合程度较好。改进模型在油茶果壳籽图像分类上的验证集准确率为98.78%,模型的占存仅需8.41MB,与未改进的VGG16模型相比,准确率提高了0.84个百分点,模型占存减少了519.38MB,并且改进模型的性能相比于AlexNet、ResNet50与MobileNet＿V2等其他网络更具优势,同时在测试试验中该模型分选准确率达到了98.28%,... 相似文献
18.
为了解决现阶段水稻发育期信息的获取主要依靠人工观测的效率低、主观性强等问题,该研究提出一种基于Rectified Adam(RAdam)优化器的ResNet50卷积神经网络图像识别方法,开展水稻关键生育期的自动识别。连续2a对12块试验田的水稻物候特征进行持续自动拍摄,对采集的水稻图像进行预处理,得到水稻各发育期分类图像数据集;采用ExG因子和大津法(Otsu)算法相结合的方法对水稻图像分割,减小稻田背景干扰;对比分析了VGG16、VGG19、ResNet50和Inception v3四种模型下水稻生育期图像分级识别的性能,选取性能较优网络模型并进行了网络参数调优;对比试验了不同优化器下模型准确率和损失值的变化,选取了RAdam优化器。结果表明,采取基于RAdam优化器卷积神经网络构建的模型,在真实场景下分类识别准确率达到97.33%,网络稳定性高、收敛速度快,为水稻生育期自动化观测提供了有效方法。 相似文献
19.
在蝴蝶兰（Phalaenopsis aphrodite）产业中，种苗在达到最短营养栽培时长时的生长势在其后续的栽培链和最终的经济利润中起着重要的作用。当前在商业大型温室中主要采取人工方式对每株种苗进行评估，既费时又费力。基于RGB图像进行植物生长评估的相关研究依赖于从图像中手动提取人工定义的特征，从而影响了机器学习模型的有效性和泛化能力。本研究使用卷积神经网络（Convolutional Neural Network，CNN）来探讨其以端对端方式评估温室中蝴蝶兰种苗生长势的可行性。对在温室中采集的图像数据集，采用不同的CNN架构（VGG、ResNet和Inception-v3）结合不同的训练机制（从头训练、微调、特征提取）建立基准模型，其中微调取得了最佳的分类结果。考虑到本研究的目标任务是对具有复杂图像背景的单个温室种苗的形态分类，为进一步提高模型性能，在可控的实验室条件下采集了更多的种苗图像。实验室图像进行背景分割后，用于协助模型更好地学习植株的形态，即建立增强模型。与基准模型相比，2种增强方式总体上在温室测试集的F1-score取得了0.03～0.05的提升。采用增强方式II的VGG模型取得了最高的性能（温室测试集上的F1-score为0.997），并对该模型的特征图进行可视化。在高层特征图中，目标种苗区域被激活，同时滤除了大部分背景（包括相邻种苗的叶片），进一步证明了能够采用CNN对温室种苗进行有效的形态学习和刻画。总体结果表明，深度学习模型可用于基于图像的蝴蝶兰种苗生长势评估，并且可扩展用于温室下其他植物类型的生长评估。 相似文献