检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

机器学习在植物病害识别研究中的应用

中国农机化学报 2019年第9期40卷 171-180页

作者：王聃柴秀娟中国农业科学院农业信息研究所北京市100081 农业农村部农业大数据重点实验室北京市100081

植物病害识别是植物生长过程最重要也是最基本的环节,其既可以为高效除害提供最有力的依据,也可以减少一定的经济损失。随着信息技术的不断发展,在植物病害识别方面的研究工作已有一段历程,本文主要对机器学习技术在植物病害识别中的应... 详细信息

植物病害识别是植物生长过程最重要也是最基本的环节,其既可以为高效除害提供最有力的依据,也可以减少一定的经济损失。随着信息技术的不断发展,在植物病害识别方面的研究工作已有一段历程,本文主要对机器学习技术在植物病害识别中的应用研究进行详细的综述。首先,通过调研植物病害问题的主要特征,明确植物病害识别研究中的识别任务;其次,阐述传统机器学习方法到深度学习的模式分类技术变迁,重点提出深度学习在植物病害识别中的应用优势;然后,调研机器学习在植物病害应用的相关研究文献,对文献所使用的模型、技术细节、数据来源、数据处理技术以及性能指标评价进行详细综述与对比,分析该领域研究存在的问题;最后,基于调研结果对植物病害识别的进一步研究展开讨论,同时对研究对象的特点与大规模数据集合的构建提出相关意见,在技术上提倡深度学习算法的使用,鼓励更加先进的模型尝试等建议。另外,还整理目前已经公开且可以下载使用的关于植物病害识别研究的数据库集合,为相关的研究提供便利。

关键词：机器学习深度学习植物病害识别

在线全文

学校读者我要写书评

暂无评论

面向边缘计算的轻量级植物病害识别模型

浙江农林大学学报 2020年第5期37卷 978-985页

作者：王冠王建新孙钰北京林业大学信息学院北京100083 北京航空航天大学网络空间安全学院北京100191

【目的】传统深度学习模型因参数和计算量过大不适用于边缘部署,在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。【方法】联合使用多种模型压缩方法,得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经... 详细信息

【目的】传统深度学习模型因参数和计算量过大不适用于边缘部署,在网络边缘的植物病害自动识别是实现长时间大范围低成本作物监测的迫切需求。【方法】联合使用多种模型压缩方法,得到可部署于算力有限的嵌入式系统的轻量级深度卷积神经网络,在边缘节点实现植物病害智能识别。模型压缩分2个阶段:第1阶段利用基于L1范数的通道剪枝方法,压缩MobileNet模型;第2阶段将模拟学习与量化相结合,在模型量化的同时恢复识别精度,得到高精度轻量级的端模型。【结果】在PlantVillage数据集58类植物病害的实验结果表明:通道剪枝将MobileNet压缩了3.6~14.3倍,量化又将模型的参数精度由32 bit降低至8 bit。整体压缩率达到了14.4~57.2倍,识别准确率仅降低0.24%~1.65%。与通道剪枝后无模拟学习训练、通道剪枝结合量化后无模拟学习训练这2种压缩方法相比,具有更高的模型压缩率和识别准确率。【结论】联合使用多种模型压缩方法可以少量的精度损失深度压缩人工智能模型,可为农林业提供面向边缘计算的植物病害识别模型。

关键词：深度学习植物病害识别边缘计算模型压缩 MobileNet

基于one-shot学习的小样本植物病害识别

在线全文

学校读者我要写书评

暂无评论

江苏农业学报 2019年第5期35卷 1061-1067页

作者：任胜男孙钰张海燕郭丽霞北京林业大学信息学院北京100083 国家食品安全风险评估中心北京100022

针对植物病害小样本问题提出一种基于one-shot学习的植物病害识别方法。以公开数据集PlantVillage中8类样本数量较少的植物病害图像作为识别对象,使用焦点损失函数(focal loss,FL)训练基于关系网络的植物病害分类器。训练过程中,调整FL... 详细信息

针对植物病害小样本问题提出一种基于one-shot学习的植物病害识别方法。以公开数据集PlantVillage中8类样本数量较少的植物病害图像作为识别对象,使用焦点损失函数(focal loss,FL)训练基于关系网络的植物病害分类器。训练过程中,调整FL超参数使模型聚焦于困难样本,从而提高植物病害识别精确率。结果表明:该方法在5-way、1-shot任务中识别精确率达到89.90%,相比原始关系网络模型精确率提高了4.69个百分点。同时,与匹配网络和迁移学习相比,改进后的方法在实验数据集上识别精确率分别提高了25.02个百分点和41.90个百分点。

关键词：植物病害识别深度学习 one-shot学习焦点损失函数关系网络

在线全文

学校读者我要写书评

暂无评论

自动对靶施药系统中植物病害识别技术的研究

农业机械学报 2007年第6期38卷 190-192页

作者：冀荣华祁力钧傅泽田中国农业大学信息与电气工程学院中国农业大学教育部精细农业系统集成技术重点实验室

植物病害识别属于实时性较强的小样本模式识别。作为一种新机器学习方法支持向量机能够有效解决小样本学习、非线性及高维模式识别等问题。在提取图像颜色特征色度矩的基础上,利用SVM对患有红蜘蛛的棉花进行病害识别,获得较高的识别率... 详细信息

植物病害识别属于实时性较强的小样本模式识别。作为一种新机器学习方法支持向量机能够有效解决小样本学习、非线性及高维模式识别等问题。在提取图像颜色特征色度矩的基础上,利用SVM对患有红蜘蛛的棉花进行病害识别,获得较高的识别率和识别速度。

关键词：植物病害识别支持向量机自动对靶施药系统模式识别

基于知识蒸馏和通道剪枝的轻量化植物病害识别模型及移植

在线全文

学校读者我要写书评

暂无评论

基于知识蒸馏和通道剪枝的轻量化植物病害识别模型及移植

作者：王定坤华东交通大学

学位级别：硕士

植物病害种类繁多,精准识别植物病害对植物及时采取防护和治理具有重要意义。最近几年,随着人工智能技术的不断进步,各种先进的AI技术层出不穷,深度学习作为其中炙手可热的一种,也有了长足的发展,其中卷积神经网络已经成为了解决图像处... 详细信息

植物病害种类繁多,精准识别植物病害对植物及时采取防护和治理具有重要意义。最近几年,随着人工智能技术的不断进步,各种先进的AI技术层出不穷,深度学习作为其中炙手可热的一种,也有了长足的发展,其中卷积神经网络已经成为了解决图像处理和分析任务的主要手段之一,在植物病害识别中的也具有很高的应用价值。然而,当前大多数卷积神经网络模型参数较多,难以在计算资源和存储空间有限的智能手机、嵌入式传感器节点等边缘设备上进行部署和应用。为了解决这些问题,本文提出一种基于知识蒸馏与通道剪枝的轻量化植物病害识别模型,并将其移植到安卓端并部署。具体研究工作如下:首先,根据需求调整Res Net模型的网络结构,通过在知识蒸馏中引入一个或多个助教网络使得模型训练效果更佳,将最终助教网络模型稀疏化训练后,利用通道剪枝获得轻量化的学生网络模型后,微调学生网络模型以恢复模型性能。实验结果表明:在14种植物共38个类别的数据集上,将模型剪枝50%后,模型准确率为95.76%,比原模型增加4.22%;在5个类别苹果叶的数据集上,将模型剪枝70%后,模型准确率为88.97%,比原模型增加1.88%。其次,针对在通道剪枝中去除部分网络后,重训练模型恢复准确性不如预期的问题,本文使用知识蒸馏的思想和学习率倒带代替微调进行重训练。通过助教网络指导学生网络,同时结合学习率倒带进行重训练,使得模型性能恢复更佳。实验结果表明:在14种植物共38个类别的数据集上,将模型剪枝90%后,模型准确率为97.78%,比原模型增加1.49%;在5个类别苹果叶的数据集上,将模型剪枝70%后,模型准确率为91.94%,比原模型增加4.85%。最后,本文将获得的轻量化模型转换到能够在安卓端部署的模型,并进行安卓端的应用开发。实验结果表明:在14种植物共38个类别的数据集上,该方法转换后的.tflite模型准确率高达99.03%,比转换前高1.25%,模型大小降低了一半多;在5个类别苹果叶的数据集上,经过该方法转换后的.tflite模型准确率高达95.25%,比转换前高3.31%,模型大小同样降低了一半多。综上所述,本文对缩小模型规模和恢复模型精度两方面进行了优化,实现减小模型规模的同时有效保证了模型的性能,并将转换后的模型成功部署在安卓端中,为智能手机、嵌入式传感器节点等边缘设备精准识别植物病害提供新方案。

关键词：植物病害识别知识蒸馏通道剪枝学习率倒带残差网络安卓

基于Transformer和CNN的真实场景下植物病害识别方法

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

现代计算机 2023年第11期29卷 22-27页

作者：刘畅莫海芳马春中南民族大学计算机科学学院武汉430074 农业区块链与智能管理湖北省工程研究中心武汉430074 湖北省制造企业智能管理工程技术研究中心武汉430074

针对真实场景下的植物病害图像,设计了一种融合Transformer和CNN的植物病害识别模型CLT。该模型采用多阶段层次设计,以Conv Stem作为初始特征提取模块提取浅层局部特征,结合Transformer模块以学习全局特征;利用卷积Token嵌入,改变模型... 详细信息

针对真实场景下的植物病害图像,设计了一种融合Transformer和CNN的植物病害识别模型CLT。该模型采用多阶段层次设计,以Conv Stem作为初始特征提取模块提取浅层局部特征,结合Transformer模块以学习全局特征;利用卷积Token嵌入,改变模型每个阶段Token的序列长度和特征维数,实现对多层次的局部空间上下文进行建模;将卷积模块融入到Transformer模块,并将多头注意力机制中的线性投影替换为卷积投影,提升模型对局部空间的特征提取。实验结果表明,CLT模型能够有效表达植物病害的各种特征,在真实场景下平均准确率达到77.91%,分类效果优于其他模型,为真实场景下植物病害识别提供参考。

关键词：植物病害识别 Transformer CNN 真实场景

基于深度学习的农作物叶片病害诊断方法研究和系统开发

在线全文

学校读者我要写书评

暂无评论

基于深度学习的农作物叶片病害诊断方法研究和系统开发

作者：薛兴川东北电力大学

学位级别：硕士

农作物病害是导致农作物减产和质量下降的主要原因之一。对农作物病害及时准确地识别,并采取相应的防控措施,可以减少病害对农作物产量和质量的影响,提高农作物的产量和品质。传统病害识别方法主要依靠人工经验进行判断,然而这种方法存... 详细信息

农作物病害是导致农作物减产和质量下降的主要原因之一。对农作物病害及时准确地识别,并采取相应的防控措施,可以减少病害对农作物产量和质量的影响,提高农作物的产量和品质。传统病害识别方法主要依靠人工经验进行判断,然而这种方法存在一些问题,例如,人工经验受限于个体的知识和经验水平,容易因为主观因素而产生误诊。不同的农民或专家可能对同一病害有不同的判断,导致结果不一致。如果不能及时发现和识别农作物病害,就会错过病害的最佳防治时机,造成农业生产的严重损失。为了解决这些问题,现代农作物病害识别技术逐渐应用于农业生产中。这些技术基于先进的图像处理、机器学习和人工智能算法,通过采集农作物叶片、果实等部位的图像数据,利用图像处理技术提取特征,并结合深度学习算法进行模型训练,可以实现高精度的病害识别。这种方法不受个体经验的限制,减少了主观性误判的可能性。本文以神经网络为基础,开发出能快速识别农作物病害的Android应用。本论文的主要研究内容如下:(1)在农作物病害识别领域,深度学习需要大量数据进行训练才能提高识别精度,而部分农作物病害无法大量获得样本数据的问题,当前缺少可公开或高质量的图像数据集。本课题以苹果叶病害为实验对象,数据来自公共数据集Plant Village,构建基于注意力机制生成对抗网络(Attention GAN),注意力机制生成对抗网络由一个生成器和一个判别器组成,两者经过多次迭代的训练,可以生成与原始图像具有相同有效特征的图像。结果表明,使用Attention GAN进行数据扩充,解决了农作物病害分类模型训练集不足的问题,农作物病害诊断网络的准确率从89.511%提高到了94.480%。(2)对MobileNetV2模型进行改进,借助迁移学习共享权重。以Mobile Net V2模型为骨干网络添加了通道注意力机制(SE)模块提高了模型的特征提取能力,使用了类别加权交叉熵损失函数提高模型应对类别不平衡的问题,提高模型的准确率和F1分数的性能。在研究分类算法的过程中引入迁移学习,将通过Image Net已训练好的模型参数迁移到本文所用模型来帮助模型训练,在来自公共数据集Plant Village中的农作物数据集上再次进行训练,对权重进行微调。结果表明,迁移学习让网络具有更高的初始性能,更快的进行迭代优化,SE模块的引入提高了模型的特征提取能力,网络的准确率高达99.25%。(3)在Android Studio平台设计了一个适用于安卓手机操作系统的农作物病害诊断系统,能够通过本地图像以及手机拍照的方式对4种苹果病害类别:黑星病、苹果黑腐病、苹果胶病和健康,4种葡萄病害类别:葡萄黑腐病、葡萄黑麻疹、葡萄健康、葡萄叶枯病,8种番茄病害类别:番茄早疫病、番茄健康、番茄晚疫病、番茄叶霉病、番茄斑枯病、番茄花叶病毒、番茄褐斑病和番茄双斑蜘蛛螨病进行精准识别,将苹果数据集的验证集在农作物病害诊断APP上进行测试。结果表明,农作物病害诊断系统的准确率为94.085%,能够满足农业工作者的实际需求。综上所述,本文所提出的生成对抗网络和迁移学习技术都在数据量不足的条件下完成了农作物病害诊断任务,提高了神经网络的准确率,并将神经网络部署在开发的APP上,可以满足农户的农作物病害诊断需求。

关键词：深度学习植物病害识别迁移学习数据增强

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

基于植物叶片图像的植物病害检测方法

江苏农业科学 2014年第4期42卷 340-342页

作者：尚怡君张善文张云龙郑州大学西亚斯国际学院河南郑州451150

对植物病害准确、快速的识别是对植物病害采取防治措施的基础,同时对灾害评估也具有积极意义。在判别局部保持映射(DLPP)的基础上,提出了1种植物病害识别方法。该方法试图找到1个映射矩阵,使得高维数据映射后,在低维子空间同类样本之间... 详细信息

对植物病害准确、快速的识别是对植物病害采取防治措施的基础,同时对灾害评估也具有积极意义。在判别局部保持映射(DLPP)的基础上,提出了1种植物病害识别方法。该方法试图找到1个映射矩阵,使得高维数据映射后,在低维子空间同类样本之间的距离最小,而异类样本之间的距离最大,由此提高算法的识别率。采用该算法对3种常见玉米叶部病害的图像进行分类试验,并与其他植物病害识别算法进行比较。结果表明,DLPP对玉米病害的识别是有效可行的,识别精度高达85.5%。

关键词：植物病害识别维数约简最近邻分类器监督局部保持映射

深度学习驱动的计算机视觉方法在作物生长态势及病害诊断的应用

在线全文

学校读者我要写书评

暂无评论

深度学习驱动的计算机视觉方法在作物生长态势及病害诊断的应用

作者：刘恒东北电力大学

学位级别：硕士

作物的生长态势评估和病害检测是农业生产的必要环节,是实现智慧农业和农业自动化的重要组成部分。传统方式下的病害检测和生长阶段的判断主要依赖于农民和农业专家的经验,这种人工的方式不但低效费时,而且难以推广。随着深度学习的发展... 详细信息

作物的生长态势评估和病害检测是农业生产的必要环节,是实现智慧农业和农业自动化的重要组成部分。传统方式下的病害检测和生长阶段的判断主要依赖于农民和农业专家的经验,这种人工的方式不但低效费时,而且难以推广。随着深度学习的发展,深度学习驱动的计算机视觉由于其快速、准确、以及无损等优点被广泛应用于农业领域。本文将深度学习驱动的计算机视觉方法应用到水稻生长态势评估、以及训练样本不足和不均衡条件下的苹果病害检测。本论文的主要研究内容如下:（1）基于通道注意力机制和空间注意力机制提出了一种三通道孪生神经网络TCSNet,并在小样本的条件下对苹果病害进行检测,解决了训练样本不足条件下的苹果病害检测。通过与多个基线模型的小样本性能对比,验证了TC-SNet网络结构的有效性。此外,还讨论了四种基于基本图像处理的数据增强方式对TC-SNet模型性能的影响,验证了模型具有很强的鲁棒性。TC-SNet的综合评价结果表明,在每类25个训练样本的条件下,网络的准确率高达98.5%。最后,将TC-SNet应用到野外真实环境下对苹果病害进行检测。结果表明,TC-SNet在复杂环境中同样具有出色的小样本学习能力。（2）基于多头注意力机制和空间注意力机制提出了一种生成对抗网络Attention GAN,并在病害数据不均衡的条件下提高了植物病害检测性能。通过对比Attention GAN和基线模型DCGAN的生成图像的质量、多样性、以及生成图像与原始图像之间的相似度,证明了Attention GAN网络结构的合理性和优越性。结果表明,将Attention GAN应用到植物病害检测分类任务中,检测病害的准确率提高至96.81%。在病害数据不均衡的条件下,使用Attention GAN对不均衡类进行数据扩充,不均衡类的准确率从81.82%提高至95.56%,有效解决了不均衡类准确率低的问题。（3）基于计算机视觉的特征提取方法和支持向量机提出了一种水稻完整生长阶段的无损检测方法以及相应的评价指标GSR。首先将水稻的RGB图像转换到HSV颜色空间,并对水稻不同生长阶段下H通道像素频数的分布进行了讨论和分析。在此基础上,对图像中的绿色像素和黄色像素进行阈值分割,从而得到绿色区域指数和黄色区域指数,以此作为颜色特征。本实验结合不同水稻生长阶段的图像,分析了所提取的颜色特征和纹理特征的合理性,并通过实验验证了基于灰度共生矩阵的方式提取水稻图像中的纹理特征能进一步的提高水稻生长态势评估的准确率。结果表明,在水稻农田上GSR能准确地评价水稻生长阶段,其检测的准确率为98%。

关键词：计算机视觉深度学习植物病害识别水稻生长态势评估数据增强