检索结果-南通市图书馆

基于改进Faster R_CNN的苹果叶片病害检测模型

在线全文

学校读者我要写书评

暂无评论

计算机工程 2021年第11期47卷 298-304页

作者：李鑫然李书琴刘斌西北农林科技大学信息工程学院陕西杨凌712100

在实际条件下,苹果叶片病害图像背景复杂且病斑较小,难以进行实时检测。针对该问题,提出一种改进的Faster R_CNN模型。通过特征金字塔网络将具有细节信息的浅层特征和具有语义信息的深层特征融合,以提取丰富的苹果叶片病害特征。同时采... 详细信息

在实际条件下,苹果叶片病害图像背景复杂且病斑较小,难以进行实时检测。针对该问题,提出一种改进的Faster R_CNN模型。通过特征金字塔网络将具有细节信息的浅层特征和具有语义信息的深层特征融合,以提取丰富的苹果叶片病害特征。同时采用精确感兴趣区域池化,避免感兴趣区域池化中2次量化操作对病斑较小的苹果叶片病害造成像素偏差。实验结果表明,该模型能对自然条件下5种苹果叶片病害进行有效检测,平均精度均值达82.48%,与Faster R_CNN、YOLOv3和Mask R_CNN模型相比,其平均精度均值分别提高了6.01、14.12和5.06个百分点。

关键词：苹果叶片病害病害检测 Faster R_CNN模型特征金字塔网络精确感兴趣区域池化

基于改进EfficientNetV2的苹果叶片病害识别模型

在线全文

学校读者我要写书评

暂无评论

山东农业科学 2024年第9期56卷 124-132页

作者：王浩宇崔艳荣胡玉荣胡施威长江大学计算机科学学院湖北荆州434000 荆楚理工学院计算机工程学院湖北荆门448000

斑点落叶病、褐斑病、灰斑病、花叶病和锈病是常见的5种苹果树叶部病害,严重影响苹果产量。针对实际生产中叶片病害识别准确率不高以及现有模型参数量大难以迁移到移动设备的问题,本研究基于Ef-ficientNetV2-b0模型,经过改进后提出了轻... 详细信息

斑点落叶病、褐斑病、灰斑病、花叶病和锈病是常见的5种苹果树叶部病害,严重影响苹果产量。针对实际生产中叶片病害识别准确率不高以及现有模型参数量大难以迁移到移动设备的问题,本研究基于Ef-ficientNetV2-b0模型,经过改进后提出了轻量级的EGV2-CA网络。该网络在保留EfficientNetV2-b0主干网络的基础上,一是引入GhostNetV2网络中的核心Ghost Module,并选用original分支替换第一层卷积结构,可以进一步优化网络的计算效率,减少冗余计算,从而在提高模型速度和可移植性的同时保持较高的识别准确率;二是将EfficientNetV2-b0模型中Fused-MBConv模块的SE注意力机制替换为更高效的坐标注意力(CA)机制,通过将空间信息编码为坐标信息以更好地捕捉和表达空间上的细粒度特征。实验结果显示,相较于原始网络,EGV2-CA网络的识别精确率提高2.94个百分点,召回率提高2.53个百分点,F1得分提高2.67个百分点,Top-1准确率提高2.47个百分点,而参数量仅为48.9 M,可迁移至移动设备上使用,为真实场景下苹果叶片病害的快速、准确识别提供了一种有效的解决方案。

关键词：苹果叶片病害轻量级网络深度学习算法 EfficientNetV2 Ghost模块坐标注意力机制

维普期刊数据库博看期刊

基于改进ResNet-50与迁移学习的苹果叶片病害的图像识别

在线全文

学校读者我要写书评

暂无评论

科学技术与工程 2024年第24期24卷 10370-10381页

作者：李韬朱文忠车璇四川轻化工大学计算机科学与工程学院宜宾644000

为解决下述问题,在自然场景中获取的苹果叶病害图像大多包含复杂的背景,同时,由于拍摄要求不那么严格,疾病特征更有可能出现在图像中的任意位置,所有这些因素都会影响卷积神经网络的识别精度,且随着网络加深其性能提升困难。提出了一种... 详细信息

为解决下述问题,在自然场景中获取的苹果叶病害图像大多包含复杂的背景,同时,由于拍摄要求不那么严格,疾病特征更有可能出现在图像中的任意位置,所有这些因素都会影响卷积神经网络的识别精度,且随着网络加深其性能提升困难。提出了一种基于改进ResNet-50的苹果叶片病害识别方法。首先引入SE(squeeze-and-excitation)注意力机制,改进残差模块,在一定程度上去除复杂背景等干扰信息,另一方面降低模型对特征定位的过度敏感度,使模型能够学习更重要的疾病特征,减少复杂背景等信息的干扰,然后加入Dropout层抑制过拟合改进模型结构,最后采用迁移学习的训练方式加快模型的收敛速度。在苹果叶病数据集上的实验结果表明,改进模型的准确率达到98.35%,较ResNet-50提高5%。与其他一些传统的卷积神经网络相比,该模型收敛速度更快,具有更高的识别精度,能够较好地识别苹果叶片病害,适用于自然场景下获取的苹果叶病图像等优点,具有较强的实用性。

关键词： ResNet-50 迁移学习苹果叶片病害 SE(squeeze-and-excitation)注意力机制

基于DTS-ResNet的苹果叶片病害识别方法

在线全文

学校读者我要写书评

暂无评论

国外电子测量技术 2022年第9期41卷 142-148页

作者：潘仁勇张欣陈孝玉龙林建吾蔡季桐陈洋贵州大学大数据与信息工程学院贵阳550025 贵州大学烟草学院贵阳550025

针对苹果叶片病害识别中传统卷积神经网络识别精度较低、收敛速度较慢等问题,提出了一种基于DTS-ResNet(ResNet based on dual transfer learning and squeeze-and-excitation block)的苹果叶片病害识别方法。该方法以ResNet为基础模型... 详细信息

针对苹果叶片病害识别中传统卷积神经网络识别精度较低、收敛速度较慢等问题,提出了一种基于DTS-ResNet(ResNet based on dual transfer learning and squeeze-and-excitation block)的苹果叶片病害识别方法。该方法以ResNet为基础模型,将注意力机制与残差模块相结合作为骨干网络以强化网络对重要特征信息的提取能力、提高识别准确率,并采用双迁移学习的训练方式加快模型的收敛速度。实验结果表明,所提出的方法的识别准确率达到98.73%,能够较好地识别苹果叶片病害。相较于一些传统的卷积神经网络,该模型收敛速度更快,拟合效果更好,且具有更高的识别精度。

关键词：卷积神经网络苹果叶片病害双迁移学习注意力机制

基于计算机视觉技术的苹果叶片病害识别研究与实现

在线全文

学校读者我要写书评

暂无评论

基于计算机视觉技术的苹果叶片病害识别研究与实现

作者：王琪山西农业大学

学位级别：硕士

随着信息化时代的不断发展,计算机视觉技术对各个行业领域的应用也越来越深入,特别是在农业领域得到了广泛的应用。信息时代浪潮的掀起使互联网与农业结合的技术模式得到了长足发展。近年来,苹果产业的蓬勃发展,使苹果在生长过程中受到... 详细信息

随着信息化时代的不断发展,计算机视觉技术对各个行业领域的应用也越来越深入,特别是在农业领域得到了广泛的应用。信息时代浪潮的掀起使互联网与农业结合的技术模式得到了长足发展。近年来,苹果产业的蓬勃发展,使苹果在生长过程中受到病害的影响也不断增大,严重时将危害苹果的产量和质量。在现阶段的种植中,能够提前进行有效的识别并预防病害,是果农避免病害带来经济损失的重要办法,但目前果农仅靠自身经验来判断识别病害,无法进行及时准确的识别。由于苹果叶片病害图像的病斑表征具有高度的相似性,传统的学习算法难以实现高准确的识别。因此,本文研究了一种基于计算机视觉技术的苹果叶片病害识别方法,对图像进行预处理,把深度学习算法引入苹果叶片病害识别检测,构建深度残差学习算法的苹果叶片病害识别模型,提取苹果叶片病害图像的高维特征,有效的对苹果叶片病害图像识别分类。本文的主要内容有:1、研究分析了植物病害识别技术的现状及其意义,基于计算机视觉技术框架,对深度学习算法和残差网络结构进行了深入的探讨;2、对苹果叶片病害的图像特征进行分析,得出斑点落叶病、花叶病、灰斑病和锈病这四种主要的病害,同时对病害图像进行预处理操作;3、构建基于残差网络的苹果叶片病害识别模型;4、构建不同深度的神经网络模型进行模型训练,将得到的模型对苹果叶片的病害进行识别检测,实验对比其精度,探讨最优的病害识别方法;5、设计实现一款苹果叶片病害识别APP。经研究发现,与传统的神经网络模型相比,基于残差网络结构的苹果叶片病害识别模型的识别精度最高,准确率为92%,可以较好的对病害进行识别检测,对苹果叶片病害的研究提供了技术支持,利用训练好的苹果叶片病害识别模型,设计开发了一款简单的苹果叶片病害识别APP,实现了APP的功能,具有良好的实用性。

关键词：苹果叶片病害计算机视觉技术深度学习卷积神经网络残差网络

基于深度卷积生成对抗网络的苹果叶片病害识别研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度卷积生成对抗网络的苹果叶片病害识别研究

作者：朱正明河南农业大学

学位级别：硕士

苹果作为全球消费量巨大的水果之一,其种植过程中面临着诸多病害和害虫的威胁,因此病害管理是苹果种植中至关重要的一环。现代农业技术,包括机器视觉和深度学习技术的应用,正逐渐改善苹果病害的识别和管理。然而,苹果病害图像数据不足... 详细信息

苹果作为全球消费量巨大的水果之一,其种植过程中面临着诸多病害和害虫的威胁,因此病害管理是苹果种植中至关重要的一环。现代农业技术,包括机器视觉和深度学习技术的应用,正逐渐改善苹果病害的识别和管理。然而,苹果病害图像数据不足是一个普遍存在的问题,深度学习模型通常需要大量带标签的数据才能充分发挥其性能。因此,本文以苹果叶片病害图像为研究对象,在数据不足的小样本学习场景下,分别构建了高分辨率的病害图像生成模型,和精准有效的苹果叶片病害识别模型。结合深度学习技术和智能数据增强策略,对苹果病害图像进行识别和分类,不仅能够提高模型的准确率和泛化能力,还能进一步为苹果产业的可持续发展提供有力的技术支持。这种方法的成功实践,将对农业领域的数字化转型产生深远的影响。具体研究内容如下:1.基于改进深度卷积生成对抗网络苹果叶片病害图像数据增强方法的研究。针对苹果病害数据稀缺且难以获取的问题,而传统的深度卷积生成对抗网络(DCGAN)生成图像像素低、质量差和尺寸较小的缺点。本文提出一种新的DCGAN(SWDCGAN+)数据增强方法,通过对原始DCGAN加深网络模型,生成图像尺寸由原始的64×64×3低分辨率像素提高到224×224×3的高分辨率像素。同时分别将Leaky Re LU和Re LU激活函数改进为Ge LU激活函数,实现模型全局损失降低,使学习特征更加稳定。采用带梯度惩罚项的Wasserstein距离替换原始损失函数,以确保模型训练的稳定性。此外,在判别器中引入了谱归一化层,以进一步提高网络结构的稳定性。为了验证所提出改进模型的性能以及评估生成图像的质量和多样性,采用了Gan-train、Gan-test和FID三大评价指标进行评估。实验结果表明,该方法能够有效解决原始网络训练不稳定和生成图像像素低、尺寸较小的问题,同时生成病害图像有助于识别网络快速提取病害特征,加速了网络的收敛速度。2.基于滑动窗口自注意力机制改进的图卷积网络小样本学习分类方法的研究。利用Swin Transformer作为网络特征提取模块,将图像的高维特征提取为图神经网络中的节点特征,在获取全局信息的同时,也能够捕获图像的局部信息。在基于图卷积网络的图像识别中,将病害特征矩阵构建成无向相似性图,并通过图卷积实现了病害图像节点之间的特征传播。在GCN层之后引入图注意力网络,更好地捕捉图数据中节点之间的关联信息。为验证改进模型的有效性,本文提出的模型(STGCN+)在包含8种病害的苹果叶片病害数据集上进行了与Alex Net、Vgg16Net、Google Net和Res Net34的对比实验,以及基于Grad CAM的可视化实验。结果表明,本文提出的STGCN+模型在苹果病害图像识别任务中表现出了97.3%的高准确率,明显领先于其他网络模型。

关键词：苹果叶片病害深度卷积生成对抗网络图卷积网络图像识别

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于卷积神经网络的苹果叶片病害诊断研究

基于卷积神经网络的苹果叶片病害诊断研究

作者：张嘉琦西北农林科技大学

学位级别：硕士

中国的苹果产量和消费量均占据世界第一,其种植面积和产量占世界总量的40%以上。目前,我国的第三大种植产业当属苹果产业,仅次于粮食和蔬菜。然而,苹果病害严重影响了苹果的产量和品质。因此,准确地识别苹果叶片病害是及时采取防治措施... 详细信息

中国的苹果产量和消费量均占据世界第一,其种植面积和产量占世界总量的40%以上。目前,我国的第三大种植产业当属苹果产业,仅次于粮食和蔬菜。然而,苹果病害严重影响了苹果的产量和品质。因此,准确地识别苹果叶片病害是及时采取防治措施有效止损的首要工作。针对现有病害识别方法无法准确诊断不同尺度的苹果叶片病斑,本文探究了病害特征的视觉规律,并开展了以下研究工作:（1）构建了一个新型苹果叶片病害识别网络。针对现有苹果叶片病害识别模型精度低的问题,本文构建了一种新型卷积神经网络识别模型Apple＿Incep Net。首先设计了由3×3的卷积和池化交替构成的前置模块,用于提取底层特征。然后基于空洞卷积构建了多路分支模块,实现多尺度病斑特征的提取。最后利用稠密连接策略实现底层局部特征和高层语义特征信息融合,进行准确分类。本文提出的病害识别模型能够有效提取病斑特征,对五种苹果叶片病害进行准确诊断。实验结果表明,Apple＿Incep Net在苹果叶片病害数据集上准确率可达96.63%,该模型对提高苹果品质具有十分重要的意义。（2）提出一种层次化苹果叶片病害分类模型。针对大小病斑呈现的视觉特性存在显著差异的问题,本文提出了一种层次化多任务分类模式,实现对不同类型的病斑提取特定的特征,用于指导分类任务。首先依据公开的小目标数据集标准（32×32像素）对数据集进行重新划分;其次提出预测概率融合策略,构建一种层次化的级联分类结构,有效利用病斑特征间的相似性。本文提出的级联分类模型能够对苹果叶片病害进行细粒度分类。实验结果表明,该层次结构的分类准确率可达97.61%,为作物病害识别提供了新思路。（3）研制了常见苹果叶片病害诊断系统。针对实际生产场景下缺乏苹果叶片病害诊断的实用性方法的问题,结合构建好的苹果叶片病害层次化识别模型,研制适用于苹果叶片病害的识别诊断系统。实现了对五种常见苹果叶片病害的识别和针对不同患病程度的病害防治措施介绍两大主要功能,方便种植户准确地诊断苹果叶片病害情况,有效减少经济损失。

关键词：卷积神经网络图像识别特征提取苹果叶片病害

基于单阶段目标检测算法的苹果叶片病害检测研究

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于单阶段目标检测算法的苹果叶片病害检测研究

作者：周涵安庆师范大学

学位级别：硕士

苹果内因含有丰富的对人体有益的物质备受人们的喜爱,而苹果病害影响着苹果的质量与产量,及时有效的对苹果病害进行识别与预防是当前发展苹果产业的首要任务。本文对三种常见的苹果叶片病害图像进行研究,构建两种基于单阶段目标检测算... 详细信息

苹果内因含有丰富的对人体有益的物质备受人们的喜爱,而苹果病害影响着苹果的质量与产量,及时有效的对苹果病害进行识别与预防是当前发展苹果产业的首要任务。本文对三种常见的苹果叶片病害图像进行研究,构建两种基于单阶段目标检测算法的病虫害检测模型,实现快速、准确地对苹果叶片病害图像的检测与识别,主要研究内容如下:(1)针对苹果叶片病害图像中小尺度病斑无法快速准确识别的问题,提出一种改进的SSD网络模型。首先为了提高对小特征的提取能力,在SSD模型中引入Res Net-50特征提取网络。然后在网络中加入SENet注意力机制以增强对权重大的通道特征的关注度,可以对无关的特征信息进行有效的抑制,提高对小目标检测的精度。实验证明,改进后的SSD网络模型应用在苹果叶片病虫害数据集上取得了良好的效果,其检测精度由原来的78.61%提升至86.57%。(2)针对苹果叶片病害图像检测效率不高、耗时长的问题,提出一种改进的轻量级YOLOv5s网络模型。首先,在模型中添加了轻量级上采样算子CARAFE,在不显著增加计算量的前提下,不但能增大感受野,而且能够使特征图中的信息得到充分的利用。然后在YOLOv5s中引入EIOU损失函数,加快实验模型的收敛速度,并达到提高检测精度的目的。最后对网络模型中的激活函数进行了变换,在YOLOv5s模型中引入了更为光滑、连续的Mish激活函数,加快信息的流动。实验证明,改进后的网络模型在检测速度和检测精度都有所提升,使二者达到了较完美的平衡。本文以提升对苹果叶片病害图像的检测精度与检测速度为实验目的,以单阶段目标检测算法中的SSD算法和YOLOv5s算法为实验模型,对两种实验模型进行一系列改进。通过实验证明,改进后的模型相比改进前的模型更加适用于苹果叶片病害检测任务。

关键词：深度学习目标检测 SSD YOLOv5s 苹果叶片病害

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SSD网络的苹果叶片病害检测方法研究

基于SSD网络的苹果叶片病害检测方法研究

作者：田靓靓西北农林科技大学

学位级别：硕士

苹果产业是陕西省农产品经济发展的重要组成部分。但是,苹果的生长过程中受到各种病害的影响,及时准确地检测苹果叶片病害可以预防疾病的蔓延,确保苹果产业的健康发展。然而,由于病斑尺寸不一,位置信息薄弱等问题,现有算法不能实现对苹... 详细信息

苹果产业是陕西省农产品经济发展的重要组成部分。但是,苹果的生长过程中受到各种病害的影响,及时准确地检测苹果叶片病害可以预防疾病的蔓延,确保苹果产业的健康发展。然而,由于病斑尺寸不一,位置信息薄弱等问题,现有算法不能实现对苹果叶片病害的准确检测。同时,由于病害采集困难,新类样本数量难以满足传统目标检测算法的训练需求。针对以上问题,本文以陕西省常见的九种苹果叶片病害作为研究对象,提出了基于SSD(Single Shot Multi Box Detector)网络的苹果叶片病害检测方法,具体的研究贡献如下:(1)提出了一种基于多尺度特征融合的苹果叶片病害检测方法。针对苹果叶片病害区域尺寸不一,传统算法无法有效适应多尺度检测任务的问题,本文通过特征融合技术优化了模型对多尺度病斑的特征提取能力,提出一种基于V空间和多尺度特征融合SSD算法(VMF-SSD)。首先,建立多尺度特征提取器,用于融合不同尺度的特征,进一步提高苹果叶片病害的检测性能(特别是小病斑)。然后,设计了V-空间辅助定位分支,增强用于定位病斑的纹理特征信息。最后,构建多尺度注意力机制模块,自动学习不同尺度的特征通道的重要性来区分不同大小的病斑。实验结果表明,VMF-SSD算法在其测试集上取得了83.42%mAP,并获得了27.53 FPS的检测速度,该算法能够同时兼顾精度和速度。与现有算法相比,所提出的苹果叶片病害检测方法在苹果叶片病害检测任务上可以取得较好的性能,满足农业生产实际应用的要求。(2)提出了一种小样本条件下的苹果叶片病害检测方法。针对苹果叶片新病害样本数量较少,无法保证传统目标检测算法有效收敛的问题,本文通过重构损失函数优化了模型对小样本的特征学习能力,在VMF-SSD的基础上提出一种基于先验框对比嵌入损失和IoU-CE损失的SSD算法(CI-SSD)。首先,该算法引入VMF-SSD的权重参数增强特征增强网络的表征能力。其次,构建先验框解耦模块生成更稳健的潜在特征表示,并建模对比嵌入损失函数约束不同类别的先验框之间的相似性,从而减小误分类带来的精度损失。最后,分析样本与IoU的分布特征,构建基于IoU和Softmax共同作用的分类损失函数,增强正样本在分类器中损失权重,提升检测准确率。实验结果表明,基于10 shots微调的CI-SSD算法在新类和基类的准确率分别为70.53%mAP和40.92%mAP。与现有算法相比,所提出的小样本病害检测方法在新类病害上具有较强的泛化能力,为苹果叶片新病害实时检测提供了新途径,探索了新方法。

关键词：苹果叶片病害目标检测特征融合小样本检测度量学习