排序方式: 共有37条查询结果,搜索用时 546 毫秒
1.
为在仅有少量训练样本条件下获得较高的植物病害分类精度,采用小样本学习模型作为病害分类器,在匹配网络、原型网络和关系网络3种典型小样本学习算法框架下分别采用Conv4、Conv6、ResNet10、ResNet18和ResNet34 5种浅层网络作为特征提取网络,在PlantVillage植物病害数据集上对病害识别性能进行对比试验。在1shot条件下,匹配网络、原型网络和关系网络对植物叶片病害识别的平均准确率分别为72.29%、72.43%和69.45%;其中原型网络+ResNet34为表现最好的组合,病害识别准确率达到了77.60%。在5shot条件下,匹配网络、原型网络和关系网络平均准确率分别为87.11%、87.50%和82.92%,各种网络病害识别准确率比1shot条件均有明显提升;原型网络+ResNet34依旧是表现最佳的组合方式,识别准确率达到89.66%。上述试验结果表明,通过优选小样本学习框架和特征提取网络的组合方式,对于少量样本的病害也能取得较好的识别效果。 相似文献
2.
主要叙述了所研制的一种通用电工实验台的设计与试制,该实验台采用双重保护线路,安全可靠,仪表布置合理,显示直观,操作简便,可完成电路、电机和电器控制等多项电工类实验教学,经专家和实际实验实习检验,表明其电器及安全性能良好,使用方便,具有一定的推广应用价值。 相似文献
3.
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
4.
5.
针对空气浮尘造成植物叶片图像颜色失真、细节信息模糊问题,采用一种基于光学成像模型的灰尘去除算法,对退化叶片图像颜色进行恢复。首先根据灰尘颗粒对光线的反射和散射特性,建立叶片图像退化模型;然后利用有尘黑卡对光谱的反射特性计算出灰尘的反射率,在此基础上结合暗元原理和小波变换估计出入射光强及透射率2个模型参数。采用色卡和葡萄叶片图像测试算法的有效性。试验结果表明:本研究算法对叶片颜色有较好的恢复效果,复原后图像a、b分量(CIE Lab颜色模型)的平均绝对误差显著降低,有效地提高了图像的对比度和清晰度。试验还表明,本研究算法对不同天气和照明条件、不同品种的葡萄叶片图像均有较好的颜色恢复效果。 相似文献
6.
7.
为提高葡萄叶片病害图像中病斑分割性能,提出了一种基于显著性目标检测的病斑分割方法。采用显著性目标检测网络来生成葡萄病害叶片图像的显著性图,通过多种分辨率的网格结构提取图像局部和全局信息,并将它们融合成预测特征;再对病害叶片的显著性图用自适应阈值法分割出叶片上的病害区域,并用形态学方法进行后处理。结果表明,在测试集A上,所建立的方法对病斑分割性能指标马修斯相关系数(MCC)为0.625,略低于对比算法全卷积神经网络(FCN)的0.689,但在衡量泛化性能的测试集B上,所建立方法的MCC为0.338,远高于FCN的0.072, 说明所建立方法在分割精度和泛化性方面具有较好的平衡性。 相似文献
8.
【目的】快速准确获取大面积果园冠层叶片全氮含量(LNC ,Leaf Nitrogen Content)是实现现代精准农业的基本要求。【方法】本试验通过无人机高光谱成像仪(391.9nm ~ 1006.2nm)采集了甘肃省静宁县两个典型果园的果树冠层光谱图像,包括人工灌溉的苹果示范园与自然降雨的苹果园,综合比较两区共160份冠层叶片样本的原始光谱反射率(OD)、倒数光谱(RT)、对数光谱(LF)、一阶微分光谱(FD),构建任意两个光谱波段集组合的差值植被指数(Difference spectral index,DSI )、土壤调节植被指数(Soil Adjusted Vegetation Index ,SAVI)、归一化光谱指数(Normalized Different Spectral Index, NDSI),分析三种光谱指数与叶片氮含量的相关性,利用一元线性回归模型与光谱指数构建两区最佳苹果冠层LNC估测模型。【结果】研究表明:人工灌溉区的FD-SAVI(825,536)、自然降雨区的LF-SAVI(854,392)与LNC的相关性最强,并基于FD-SAVI、LF-SAVI构建一元线性回归模型。人工灌溉区构建的FD-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6601和0.0678;自然降雨区构建的LF-SAVI-ULRM估测模型精度最高,验证集R2和RMSE为0.6746和0.0665。本试验采用LNC模型绘制出两个试验区的苹果树冠层叶片LNC估测图,实现对果园叶片全氮含量的精准掌握及精细化管理。 相似文献
9.
10.
基于光源不变图和聚类算法的叶片阴影中病斑的分割 总被引:2,自引:0,他引:2
【目的】提出了一种基于光源不变图的病斑分割方法,以提高病斑识别程序的准确性和稳定性。【方法】将阴影区和非阴影区视为不同光源照明,通过最小熵法计算原图的光源不变图,在该图上采用K均值聚类算法对病斑进行分割,以采集的病斑叶片为材料,对该方法的处理效果进行验证。【结果】比较光源不变图法和H分量法的处理结果后发现,采用光源不变图法处理病斑不同区域的平均差异较H分量法更低,仅为10.7%;聚类分割算法对使用光源不变图法处理病斑图像的分割准确率为95.0%,较H分量法具有更高的正确率,且误检率更低。【结论】采用光源不变图法对病斑图像处理的效果好、性能稳定,同一目标在不同光照条件下处理结果的一致性较高。 相似文献