检索结果-南通市图书馆

基于改进EfficientNet模型的作物害虫识别

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2022年第1期38卷 203-211页

作者：甘雨郭庆文王春桃梁炜健肖德琴吴惠粦华南农业大学数学与信息学院广州510642 广东省农业人工智能重点实验室广州510642 广州市智慧农业重点实验室广州510642 广州国家现代农业产业科技创新中心广州510520

精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫... 详细信息

精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫智能识别模型。该模型通过引入坐标注意力(Coordinate Attention,CA)机制而改进EfficientNet主体结构,引入数据增强的组合训练策略及Adam优化算法来提高模型的泛化能力,并采用迁移学习策略来训练改进的EfficientNet模型,从而提出了一个高性能轻量化的作物害虫识别模型CA-EfficientNet。在公开的大规模作物害虫数据集IP102上展开试验,结果表明该研究提出的CA-EfficientNet模型识别准确率达到69.45%,较改进前提高了4.01个百分点;与现有同类最优算法(GAEnsemble)的性能相比,识别准确率高出2.32个百分点。改进后的CA-EfficientNet模型参数量为5.38 M,较改进前仅增加了0.09 M;相比于经典分类网络VGG、ResNet-50、GoogleNet等,其参数量仅是这些网络模型参数量的3.89%、22.72%和52.63%。试验结果表明,所提方法有效提高了作物害虫图像的识别准确率,较大幅度地减少了模型参数量,在保持轻量化计算的基础上获得了明显优于同类最优算法的准确率。

关键词：作物害虫识别 EfficientNet 坐标注意力机制 Adam IP102数据集

基于改进ShuffleNet V2的轻量化农作物害虫识别模型

在线全文

学校读者我要写书评

暂无评论

农业工程学报 2022年第11期38卷 161-170页

作者：彭红星徐慧明刘华鼐华南农业大学数学与信息学院农业农村部华南热带智慧农业技术重点实验室广州市智慧农业重点实验室广州510642 佛山市中科农业机器人与智慧农业创新研究院佛山528251 华南理工大学化学与化工学院广州510641

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF(... 详细信息

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF(Lightweight Multi-scale Feature Fusion),加强模型对不同尺度害虫的特征提取能力;其次,在ECA(Efficient Channel Attention)注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA(Adaptive and Efficient Channel Attention)注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU(Sigmoid Weighted Liner Unit)替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF(ShuffleNet for Pest Field)。试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助。

关键词：农作物害虫识别 ShuffleNet V2 多尺度特征融合 ECA注意力机制轻量化模型

基于改进YOLO v7的农田复杂环境下害虫识别算法研究

在线全文

学校读者我要写书评

暂无评论

农业机械学报 2023年第10期54卷 246-254页

作者：赵辉黄镖王红君岳有军天津理工大学电气工程与自动化学院天津300384 天津市复杂系统控制理论与应用重点实验室天津300384

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模... 详细信息

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模型获取密集害虫目标位置信息的能力;在路径聚合部分增加第4检测支路,提高模型对小目标的检测性能;将卷积注意力模块(CBAM)集成到YOLO v7模型中,使模型更加关注害虫区域,抑制背景等一般特征信息,提高被遮挡害虫的识别精确率;使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响,提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明,改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明,本文方法对害虫的实际检测效果更优,对解决农田复杂环境下害虫的精准识别问题具有参考价值。

关键词：农田复杂环境害虫识别目标检测深度学习 YOLO v7 Swin Transformer

基于改进YOLO v5s的水稻害虫识别研究

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

农业机械学报 2024年第11期55卷 39-48页

作者：王泰华郭亚州张家乐张晨阳河南理工大学电气工程与自动化学院焦作454003 河南省煤矿装备智能检测与控制重点实验室焦作4540032.河南理工大学电气工程与自动化学院焦作454003

水稻害虫识别时,受稻田环境影响易出现目标被遮挡、与背景颜色相似、多目标相邻等问题导致识别精度降低。为此本文提出了一种基于改进YOLO v5s的水稻害虫识别模型YOLO v5s-Coordslimneck,通过替换主干网络中的普通卷积为CoordConv,增强... 详细信息

水稻害虫识别时,受稻田环境影响易出现目标被遮挡、与背景颜色相似、多目标相邻等问题导致识别精度降低。为此本文提出了一种基于改进YOLO v5s的水稻害虫识别模型YOLO v5s-Coordslimneck,通过替换主干网络中的普通卷积为CoordConv,增强了模型对目标位置信息的获取能力;引入CBAM注意力机制,提升了模型对目标区域的关注度;采用Slim-neck减少了计算量并增强了特征处理能力;引入Soft-NMS算法优化相邻目标边框筛选,减少漏检。实验结果表明,改进后的YOLO v5s模型在水稻害虫数据集上的平均精度均值达到94.3%,相比原模型提升3.8个百分点,比其他主流模型YOLO v3、YOLO R-CSP、YOLO v7、YOLO v8s提升1.5、12.7、13.6、1.9个百分点。消融实验进一步验证了改进模型中各个组件的有效性。热力图分析也体现了改进模型能够更好地学习害虫特征。综上,本文提出的改进YOLO v5s模型在提高水稻害虫检测精度方面取得了显著成效,为防控水稻虫害提供了一种精确的识别方法。

关键词：水稻害虫识别 CBAM Slim-neck YOLO v5s

基于改进Mask R-CNN的苹果园害虫识别方法

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

农业机械学报 2023年第6期54卷 253-263,360页

作者：王金星马博王震刘双喜慕君林王云飞山东农业大学机械与电子工程学院泰安271018 山东省农业装备智能化工程实验室泰安271018 山东农业大学园艺科学与工程学院泰安271018 山东省园艺机械与装备重点实验室泰安271018

针对基础卷积神经网络识别苹果园害虫易受背景干扰及重要特征表达能力不强问题,提出一种基于改进Mask R-CNN的苹果园害虫识别方法。首先,基于Haar特征方法对多点采集得到的苹果园害虫图像进行迭代初分割,提取害虫单体图像样本,并对该样... 详细信息

针对基础卷积神经网络识别苹果园害虫易受背景干扰及重要特征表达能力不强问题,提出一种基于改进Mask R-CNN的苹果园害虫识别方法。首先,基于Haar特征方法对多点采集得到的苹果园害虫图像进行迭代初分割,提取害虫单体图像样本,并对该样本进行多途径扩增,得到用于深度学习的扩增样本数据集。其次,对Mask R-CNN中的特征提取网络进行优化,采用嵌入注意力机制模块CBAM的ResNeXt网络作为改进模型的Backbone,增加模型对害虫空间及语义信息的提取,有效避免背景对模型性能的影响;同时引入Boundary损失函数,避免害虫掩膜边缘缺失及定位不准确问题。最后,以原始Mask R-CNN模型作为对照模型,平均精度均值作为评价指标进行试验。结果表明,改进Mask R-CNN模型平均精度均值达到96.52%,相比于原始Mask R-CNN模型,提高4.21个百分点,改进Mask R-CNN可精准有效识别苹果园害虫,为苹果园病虫害绿色防控提供技术支持。

关键词：苹果园害虫识别深度学习注意力机制损失函数 Mask R-CNN

维普期刊数据库博看期刊

基于诱虫板图像的温室番茄作物害虫识别与监测方法

在线全文

学校读者我要写书评

暂无评论

南京农业大学学报 2021年第2期44卷 373-383页

作者：卜俊怡孙国祥王迎旭魏天翔汪小旵南京农业大学工学院/江苏省现代设施农业技术与装备工程实验室江苏南京210031

[目的]本文旨在探索实时监测温室虫情和精准防控虫害的方法。[方法]设计了一种基于诱虫板图像背景均匀化的自适应分割方法,结合基于随机森林(random forest,RF)的图像识别算法识别4类温室番茄害虫(烟粉虱、潜叶蝇、果蝇和蚜虫)并计数。... 详细信息

[目的]本文旨在探索实时监测温室虫情和精准防控虫害的方法。[方法]设计了一种基于诱虫板图像背景均匀化的自适应分割方法,结合基于随机森林(random forest,RF)的图像识别算法识别4类温室番茄害虫(烟粉虱、潜叶蝇、果蝇和蚜虫)并计数。该方法首先提取诱虫板图像RGB(red-green-blue)颜色模型B分量和HSV(hue-saturation-value)颜色模型V分量,然后分别对2张图像分段调整背景灰度值得到均匀背景诱虫板灰度图像,再利用最大类间方差法确定阈值分割图像,经形态学处理后融合2张诱虫板二值图像,最后提取害虫区域的6个颜色特征、8个形状特征和6个纹理特征,训练随机森林以识别害虫并计数。[结果]对比分析Sauvola局部阈值法、Prewitt边缘分割法、k-means聚类法以及本文设计的自适应分割方法,结果表明基于背景均匀化的自适应分割方法效果最好,平均分割准确率为95.34%。对比分析7种特征向量组合下随机森林、C-SVC(C-support vector classification)和BP(back propagation)神经网络3种分类方法,结果表明综合颜色特征向量、形状特征向量和纹理特征向量作为输入的随机森林算法识别效果更好,对烟粉虱、潜叶蝇、果蝇和蚜虫的识别准确率分别为93.89%、90.71%、91.54%和90.40%。[结论]本文设计的方法能够实现诱虫板上4类害虫的识别和计数,可以为温室虫情监测与预警提供参考。

关键词：诱虫板图像背景均匀化图像分割害虫识别随机森林

基于生成对抗网络和视觉-语义对齐的零样本害虫识别方法

在线全文

学校读者我要写书评

暂无评论

智慧农业（中英文） 2024年第2期6卷 72-84页

作者：李天俊杨信廷陈晓胡焕周子洁李文勇上海海洋大学信息学院上海201306 北京市农林科学院信息技术研究中心北京100097 吉林农业大学信息技术学院吉林长春130118

[目的/意义]害虫的精准识别对农作物虫害有效防治具有重大意义。然而,当前的害虫图像识别模型都是针对闭集数据构建的模型,难以对训练集中没有出现过的害虫种类(不可见害虫)进行推理,导致在实际应用过程中遇见不可见类别昆虫时误判现象... 详细信息

[目的/意义]害虫的精准识别对农作物虫害有效防治具有重大意义。然而,当前的害虫图像识别模型都是针对闭集数据构建的模型,难以对训练集中没有出现过的害虫种类(不可见害虫)进行推理,导致在实际应用过程中遇见不可见类别昆虫时误判现象尤为严重。[方法]针对这一问题,提出了一种适用零样本学习(Zero-Shot Learning,ZSL)和广义零样本学习(Generalized Zero-Shot Learning,GZSL)范式的害虫图像识别方法VSAWGAN,可以实现对可见(训练集中包含的类别)与不可见害虫种类的辨识。该方法基于生成对抗网络(Genera⁃tive Adversarial Network,GAN)生成伪视觉特征,将零样本害虫识别问题转化为传统监督学习任务,且通过引入对比学习来优化生成器的生成质量,添加视觉-语义对齐模块进一步约束生成器,使其能生成更具判别性的特征。[结果与讨论]在自建的一个适用于零样本学习研究的害虫数据集和几个公开数据集对提出方法进行了评估。其中,在多个公开数据上取得了目前最优结果,相比之前方法最大提升达到2.8%;在自建20类害虫数据集上取得了零样本设置下77.4%的识别精度和广义零样本设置下78.3%的调和精度,相比之前方法分别提升了2.1%和1.2%。[结论]所提方法能有效地将害虫的视觉特征泛化到不可见类,实现害虫的零样本识别,有助于提升害虫识别模型的泛化能力,为农作物新虫害的发现与防治提供帮助。

关键词：害虫识别语义知识图像特征生成对抗网络对比学习广义零样本学习

在线全文

学校读者我要写书评

暂无评论

基于改进YOLOv7的水稻害虫识别方法

华中农业大学学报 2023年第3期42卷 143-151页

作者：郑果姜玉松沈永林重庆三峡学院生物与食品工程学院重庆404000 重庆文理学院园林与生命科学学院重庆402100 中国地质大学(武汉)国家GIS工程研究中心武汉430074

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战... 详细信息

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。

关键词：智慧农业害虫识别深度学习卷积神经网络空间注意力图像视觉虫害监测

基于卷积块注意力胶囊网络的小样本水稻害虫识别

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

中国农业大学学报 2022年第3期27卷 63-74页

作者：曾伟辉唐欣胡根生梁栋安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601 安徽大学互联网学院合肥230039 科大国创软件股份有限公司合肥230088

针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法。采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟... 详细信息

针对真实复杂背景下小样本水稻害虫识别模型泛化能力弱,易受复杂背景干扰以及重要特征表达能力不强等问题,提出了一种基于卷积块注意力胶囊网络的小样本水稻害虫识别方法。采用数据增强的方法扩充数据,以提高模型的泛化能力同时预防过拟合;利用GrabCut算法去除图像中的复杂背景,减小复杂背景对水稻害虫识别的干扰;将空间注意机制和通道注意机制相结合的卷积块注意模块(Convolutional block attention module,CBAM)引入到胶囊网络中,提高模型对水稻害虫特征的表达能力,使模型关注重要特征,抑制不必要的特征。其中胶囊网络主要用来更加敏锐地发现小样本图像中水稻害虫的相对位置和角度等信息。结果表明:在对复杂背景下小样本水稻害虫的识别时,本研究方法准确识别率达99.19%,优于支持向量机(Support vector machine,SVM)、k近邻(k-nearest neighbors,kNN)等浅层网络方法,也优于VGG16、GoogLeNet以及Mobilenet等深度网络方法,可实现复杂背景下的小样本水稻害虫的准确识别。

关键词：水稻害虫害虫识别卷积神经网络胶囊网络注意力机制