检索结果-南通市图书馆

基于改进Vision Transformer网络的农作物病害识别方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

小型微型计算机系统 2024年第4期45卷 887-893页

作者：王杨李迎春许佳炜王傲马唱宋世佳谢帆赵传信胡明安徽师范大学计算机与信息学院安徽芜湖241002 芜湖职业技术学院信息与人工智能学院安徽芜湖241002

基于DCNN模型的农作物病害识别方法在实验室环境下识别准确率高,但面对噪声时缺少鲁棒性.为了兼顾农作物病害识别的精度和鲁棒性,本文在标准ViT模型基础上加入增强分块序列化和掩码多头注意力,解决标准ViT模型缺乏局部归纳偏置和视觉特... 详细信息

基于DCNN模型的农作物病害识别方法在实验室环境下识别准确率高,但面对噪声时缺少鲁棒性.为了兼顾农作物病害识别的精度和鲁棒性,本文在标准ViT模型基础上加入增强分块序列化和掩码多头注意力,解决标准ViT模型缺乏局部归纳偏置和视觉特征序列的自注意力过于关注自身的问题.实验结果表明,本文的EPEMMSA-ViT模型对比标准ViT模型可以更高效的从零学习;当添加预训练权重训练网络时,EPEMMSA-ViT模型在数据增强的PlantVillage番茄子集上能够得到99.63%的分类准确率;在添加椒盐噪声的测试数据集上,对比ResNet50、DenseNet121、MobileNet和ConvNeXt的分类准确率分别提升了6.08%、9.78%、29.78%和12.41%;在添加均值模糊的测试数据集上,对比ResNet50、DenseNet121、MobileNet和ConvNeXt的分类准确率分别提升了18.92%、31.11%、20.37%和19.58%.

关键词：农作物病害识别深度卷积神经网络视觉Transformer 自注意力局部归纳偏置

基于改进的ShuffleNetV2模型的农作物病害识别

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机与数字工程 2024年第7期52卷 2038-2044,2049页

作者：姚艳毋涛西安工程大学计算机科学学院西安710048

针对传统数字图像处理技术的底层特征提取复杂,卷积神经网络的识别方法参数多、计算量大、网络结构复杂、实用性不高等问题,论文以构建一个能用于移动端应用的农作物病害识别模型为目标,以苹果黑星病、苹果锈病、苹果健康三种叶部图像... 详细信息

针对传统数字图像处理技术的底层特征提取复杂,卷积神经网络的识别方法参数多、计算量大、网络结构复杂、实用性不高等问题,论文以构建一个能用于移动端应用的农作物病害识别模型为目标,以苹果黑星病、苹果锈病、苹果健康三种叶部图像为研究对象,从提升精度、降低计算量两个维度出发,提出一种基于改进的ShuffleNetV2卷积神经网络的病害识别模型:1)嵌入SK注意力机制;2)扩大DepthWise卷积核;3)裁剪无用卷积;4)改用PReLU激活函数。实验结果表明,改进后的模型在APPLE_Mix数据集上的准确率为98.75%,较原ShuffleNetV2准确率提升2.05%,Flops计算量降低18.9%,参数量增加6.9%,内存增加0.03 MB(均在可接受范围之内),能较好地平衡模型复杂度与识别精度。

关键词： ShuffleNetV2模型农作物病害识别注意力机制深度可分离卷积

在线全文

学校读者我要写书评

暂无评论

深度学习在农作物病害识别中的研究进展

安徽农学通报 2024年第6期30卷 100-103页

作者：岳喜申塔里木大学信息工程学院新疆阿拉尔843300

农作物病害是严重影响农业生产的关键因素之一。近年来,深度学习技术迅速发展,其在农作物叶部病害检测和识别领域的应用逐渐受到关注。本文对基于深度学习的农作物病害识别方法进行总结,分析了该技术在农作物病害识别中的应用,从田间环... 详细信息

农作物病害是严重影响农业生产的关键因素之一。近年来,深度学习技术迅速发展,其在农作物叶部病害检测和识别领域的应用逐渐受到关注。本文对基于深度学习的农作物病害识别方法进行总结,分析了该技术在农作物病害识别中的应用,从田间环境、成本和数据量等方面入手探讨其需要解决的一些问题,并对其发展进行了展望,为今后农作物病害识别的深入研究与发展提供参考。

关键词：深度学习农作物病害识别病害图像数据集

基于高阶残差和参数共享反馈卷积神经网络的农作物病害识别

在线全文

学校读者我要写书评

暂无评论

电子学报 2019年第9期47卷 1979-1986页

作者：曾伟辉李淼李增熊焰中国科学院合肥智能机械研究所安徽合肥230031 中国科学技术大学安徽合肥230027

当前,大部分农作物病害图像识别方法主要关注于精度而忽略了鲁棒性.在面向实际环境时,由于噪声干扰和环境因素影响导致识别精度不高.为此提出了一种高阶残差和参数共享反馈的卷积神经网络模型以应用于实际环境农作物病害识别.其中,高阶... 详细信息

当前,大部分农作物病害图像识别方法主要关注于精度而忽略了鲁棒性.在面向实际环境时,由于噪声干扰和环境因素影响导致识别精度不高.为此提出了一种高阶残差和参数共享反馈的卷积神经网络模型以应用于实际环境农作物病害识别.其中,高阶残差子网络为病害表观提供丰富细致的特征表达,以提高模型识别精度;参数共享反馈子网络用来进一步抑制原深层特征中的背景噪声,以提高模型的鲁棒性.实验结果表明,当面向实际环境农作物病害识别时,本文方法在识别精度和鲁棒性上均优于其他方法.

关键词：高阶残差参数共享反馈鲁棒性农作物病害识别

在线全文

学校读者我要写书评

暂无评论

基于轻量级神经网络的农作物病害识别算法

沈阳农业大学学报 2021年第2期52卷 239-245页

作者：洪惠群黄风华阳光学院人工智能学院/空间数据挖掘与应用福建省高校工程研究中心福州350015

应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展。利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数... 详细信息

应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展。利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、识别效果及计算速度的对比。通过对比发现:Xception模型的计算准确率比较高,计算复杂度稍复杂些;当应用场景对计算准确率的要求不是很高的情况下,ShuffleNet V20.5x模型在计算复杂程度、计算速度的综合表现相对较好,比较适合在移动端进行移植;接着,通过对ShuffleNet V20.5x采用ReLU和LeakyReLU激活函数进行训练和验证分析,发现当采用LeakyReLU激活函数替代原有的ReLU激活函数构建Shuffle Net V20.5x模型,可以改进Shuffle Net V20.5x模型,并能稍微提高识别的准确率,由85.6%提高到86.5%。最后将改进后的ShuffleNet V20.5x模型,移植到移动终端并进行测试。

关键词：轻量级神经网络农作物病害识别 ShuffleNet算法

改进ShuffleNet V2的轻量级农作物病害识别方法

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2022年第12期58卷 260-268页

作者：李好邱卫根张立臣广东工业大学计算机学院广州510006

针对目前有关深度学习的农作物病害识别方法中存在模型较为复杂,部署在计算资源有限的边缘设备和移动终端上适应性不强,实时准确识别作物病害较差的问题,提出一种改进ShuffleNet V2的轻量级农作物病害识别方法。以ShuffleNet V2单元为基... 详细信息

针对目前有关深度学习的农作物病害识别方法中存在模型较为复杂,部署在计算资源有限的边缘设备和移动终端上适应性不强,实时准确识别作物病害较差的问题,提出一种改进ShuffleNet V2的轻量级农作物病害识别方法。以ShuffleNet V2单元为基础,引入ECA(efficient channel attention)注意力模块,使用H-Swish激活函数以便减少网络结构每个Stage模块中ShuffleNet V2单元使用个数,使用轻量化网络设计组件深度可分离卷积。在PlantVillage病害数据集上进行实验。结果表明,模型的参数量约为2.95×10^(5),计算量为3.388×10^(7)(FLOPs)和6.674×10^(7)( MAdd),病害识别平均准确率达到了99.24%,为农作物病害识别方法在移动终端等资源受限设备上部署应用提供参考。

关键词：农作物病害识别 ShuffleNet V2 轻量级 ECA注意力模块

基于改进通道注意力机制的农作物病害识别模型研究

在线全文

学校读者我要写书评

暂无评论

江苏农业科学 2023年第24期51卷 168-175页

作者：肖天赐陈燕红李永可李雨晴罗玉峰新疆农业大学新疆乌鲁木齐830052 智能农业教育部工程研究中心新疆乌鲁木齐830052 新疆农业信息化工程技术研究中心新疆乌鲁木齐830052 社旗县中等职业学校河南社旗473399

准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without parti... 详细信息

准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without participating in residual calculation,EWPRC)结构,该结构将改进的通道注意力机制ECANet3放在残差块之后,增加模型对通道维度的权重学习能力,并将EWPRC结构用于骨干网络为ResNet50的迁移学习模型中,通过替换模型中的layer3、layer4层得到了EWPRC-RseNet-t模型。试验使用了AIChallenger 2018数据集,在数据预处理、数据增强、超参数相同的情况下,首先对比了固定核大小为3、5、7、11、13的通道注意力机制对模型准确率的影响,在此试验中,模型的准确率随卷积核变大呈下降趋势,其中一维卷积核大小为3的模型准确率最高,达到了87.42%,比核大小为5、7、11、13的模型分别提高了0.03、0.42、0.51、0.64百分点。再将EWPRC-ResNet-t模型与经过微调的迁移学习模型ResNet-t以及GoogLeNet、MobileNet-v3、ResNet50模型进行对比,以准确率、精确率、召回率以及F1值作为评价指标,试验结果证明EWPRC-ResNet-t模型取得了最好的效果,比传统深度学习模型中准确率最高的ResNet50模型提高了0.99百分点,比ResNet-t模型提高了0.75百分点。且相比传统的深度学习模型,EWPRC-ResNet-t模型有更高的精度、召回率与F1得分。

关键词：农作物病害识别通道注意力机制残差网络迁移学习数据增强

在线全文

学校读者我要写书评

暂无评论

基于模型融合的农作物病害识别方法的研究

基于模型融合的农作物病害识别方法的研究

作者：井晓萌中国石油大学(华东)

学位级别：硕士

随着社会经济不断发展,人们对农产品的质量和产量有了更高的要求,采用传统的农作物病害识别和诊断方式,已经达不到人们对农作物病害识别的高效性要求。农作物可以通过叶片表现出病症,采集农作物叶片图像并采用科学智能的诊断方式对病害... 详细信息

随着社会经济不断发展,人们对农产品的质量和产量有了更高的要求,采用传统的农作物病害识别和诊断方式,已经达不到人们对农作物病害识别的高效性要求。农作物可以通过叶片表现出病症,采集农作物叶片图像并采用科学智能的诊断方式对病害识别显得尤为重要。但是在叶片图像采集的过程中,容易受自然环境的影响,采用传统的图像识别方法对农作物病害识别并不能有效解决这些因素的困扰,因此如何快速准确地识别和诊断农作物病害逐渐成为农业领域的研究热点。近年来,卷积神经网络在图像分类识别领域快速发展,专家学者将其应用至农作物病害图像识别中并取得了不错的成果,但还存在一些不足。因此本文以农作物病害图像为研究对象,采用多个卷积神经网络模型融合的方式对现有不足进行改进,主要研究内容包含以下三个部分:1、在大田环境采集的农作物病害图像存在着分布不平衡且个别种类数据量较小的问题,因此本文首先对农作物数据集进行了数据增强的操作,然后根据数据不均衡的特点采用了Focal loss函数。2、农作物病害图像的特征是对病害信息的有效表达,本文选用ResNet101、ResNext50、SE-ResNet50、SE-ResNext50四个卷积神经网络模型提取农作物叶片病害特征,并将在Image Net数据集训练好的权重迁移至农作物病害数据集的训练上,对预训练模型微调,提高单一模型对本文数据的分类准确率。3、为了提高识别准确性,弥补单一模型的不足,本文提出卷积神经网络和机器学习算法相结合的Stacking算法。将四个卷积神经网络模型作为Stacking算法第一层的基础模型,元学习器XGBoost作为Stacking算法的第二层共同组成本文的模型融合算法。本文采用基于模型融合的方法对农作物病害图像进行识别,经过融合后准确率达到87.19%,相比ResNet101单一模型提升了2.59%。并针对数据不均衡问题采用Focal loss函数降低难分类样本误差,与传统的交叉熵函数对比准确率提升了0.06%。与其他方法对比显示,本文方法具有较高的识别准确率,表明了本文方法在农作物病害识别方面的有效性。

关键词：农作物病害识别卷积神经网络 Focal loss函数模型融合

基于轻量级神经网络的农作物病害识别方法研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于轻量级神经网络的农作物病害识别方法研究

作者：陈聪西北农林科技大学

学位级别：硕士

农作物病害问题与人们生产生活密切相关,是种植者经济损失的主要原因之一。防治病害的重点是在造成严重损失之前,及时确定病害类型,控制病情。目前基于卷积神经网络的病害识别方法具有识别错误率低的优点,但也存在参数众多,计算量大且... 详细信息

农作物病害问题与人们生产生活密切相关,是种植者经济损失的主要原因之一。防治病害的重点是在造成严重损失之前,及时确定病害类型,控制病情。目前基于卷积神经网络的病害识别方法具有识别错误率低的优点,但也存在参数众多,计算量大且复杂的问题,影响了方法的实用性。而现有轻量级病害识别网络大多未能结合病害特征分析,性能有待提高,且不适用于自然场景中拍摄的病害图像,有一定的应用局限性。针对这些问题,构建了一种轻量级农作物病害识别网络,适用于简单背景和自然场景中拍摄的病害图像,并设计实现了农作物病害识别系统。本研究实用性强,对防治农作物病害,提高农作物质量和产量有重要意义。具体研究内容如下:(1)基于简单背景图像的农作物病害识别。针对基于简单背景图像的农作物病害识别网络参数众多,计算量大且复杂的问题,提出了一种轻量级农作物病害识别网络——多尺度特征融合网络(split-fuse net)。网络通过融合不同尺度的病害特征,降低识别错误率。通过深度可分离卷积和优化的网络结构减少参数和计算量。在Plant Village数据集上实验表明,相比MobileNet V3和ShuffleNet V2,多尺度特征融合网络计算量更小,参数更少,识别错误率更低。(2)基于自然场景图像的农作物病害识别。自然场景中拍摄的农作物病害图像往往包含复杂的背景且病害特征更可能出现在图像的任意位置,影响了卷积神经网络的识别精度。针对此问题,提出了适用于自然场景农作物病害图像的改进多尺度特征融合网络(split-fuse net for nature)。在原有网络基础上融合最大池化和efficient channel attention(ECA)模块,以减少复杂背景等信息的干扰,降低网络对特征位置的过度依赖性。通过数据集扩充,避免模型过拟合。在自然场景农作物病害数据集(包含6种农作物,14种病害)上实验表明改进网络计算量小,参数少,识别错误率低,适用于自然场景中拍摄的农作物病害图像。(3)农作物病害识别系统实现。为促进病害识别方法的应用,设计并开发了农作病害识别系统。系统基于微信小程序,包含病害知识、病害识别和病害添加三个功能模块。病害知识模块主要为用户推送农作物病害相关的新闻、防治方法等文章。病害识别模块基于多尺度特征融合网络(split-fuse net/for nature),支持多种农作物病害,识别错误率低,同时结合***,将模型部署在移动端。病害添加模块可以上传其他病害图像,促进系统扩展。

关键词：农作物病害识别轻量级网络最大池化注意力模块多尺度特征融合