基于图像增强和注意力机制的作物杂草识别

为提高复杂环境下无人机获取的作物杂草图像识别的准确率,提出一种基于图像增强与注意力机制的作物杂草识别方法。在多尺度Retinex算法中加入颜色恢复函数调节3个通道颜色的占比以恢复其颜色特征,使图像更清晰;将残差网络模型中的激活函数换为Leaky ReLU,加入CBAM注意力机制模块,获取更多有用信息,抑制其它无用信息。实验结果表明,该方法可以提高复杂环境下无人机获取的作物杂草图像的识别准确率,其准确率达到95.3%,高于AlexNet、ResNet18、ResNet50及其它主流算法的识别结果。     

基于改进残差网络的交通标志识别算法

针对模型在下采样过程中不断损失图像的高层次信息,从而导致特征提取不足的问题,本文对ResNet网络结构进行改进,提出基于多尺度特征与注意力机制的交通标志识别方法。首先,通过特征融合的方式将模型各个层次的多尺度特征进行融合,丰富特征语义信息,增强网络的特征提取能力。然后,通过注意力机制强化不同通道特征,提升特征整体的表达能力。结合这2种方法可提升模型的交通标志识别准确率。在GTSRB和BelgiumTS交通标志数据集上的实验结果表明,所提出方法的准确率分别达到99.31%和98.96%,优于前沿的交通标志识别算法。     

一种端到端的自然场景文本检测与识别模型

提出了一种结合卷积神经网络和递归神经网络的有效的端到端场景文本识别方法。首先使用特征金字塔(FPN)提取图像的多尺度特征,然后将引入残差网络(ResNet)的深度双向递归网络(Bi-LSTM)对这些特征进行编码,获得文本序列特征,进而引入注意力机制(Attention)对文本序列特征进行解码达到识别效果。在ICDAR2013、ICDAR2015数据集实验验证了该算法的有效性,该方法不仅降低了训练难度,而且提升了网络的收敛速度,提高了文本识别准确率。该方法的有效性在ICDAR2013、ICDAR2015数据集上得到了充分验证。     

基于多特征融合和卷积神经网络的植物叶片识别

植物叶片识别是植物自动分类识别研究的重要分支和热点,利用卷积神经网络进行图像分类研究已成为主流.为了提高植物叶片识别准确率,提出了基于多特征融合和卷积神经网络的植物叶片图像识别方法.首先对植物叶片图像进行预处理,提取LBP特征和Gabor特征,将多特征相加融合输入网络进行训练,使用卷积神经网络(AlexNet)构架作为分类器,利用全连接层对植物叶片进行识别.为了避免过拟合现象,使用"dropout"方法训练卷积神经网络,通过调节学习率、dropout值、迭代次数优化模型.实验结果表明,基于多特征融合的卷积神经网络植物叶片识别方法对Flavia数据库32种叶片和MEW2014数据库189种叶片识别分类效果较好,平均正确识别率分别为93.25％和96.37％,相比一般的卷积神经网络识别方法,该方法可以提高植物叶片的识别准确率,鲁棒性更强.     

基于ResNet和迁移学习的古印章文本识别

古印章文本因图像退化与超多分类等特点导致识别难度大,部分字符的标注数据不足造成基于深度学习的模型识别准确率不高,泛化能力差.针对上述问题,提出基于深度残差网络(ResNet)和迁移学习的古印章文本识别方法.使用深度残差网络作为特征提取网络,利用人工合成字符样本作为源域进行预训练.将自建古印章文本识别数据集作为目标域,引...     

基于全局注意力及金字塔卷积网络的表情识别

近年来基于深度学习的人脸表情识别技术已取得很大进展,但对于表情特征的多尺度提取,以及在不受约束的现实场景中进行面部表情识别仍然是具有挑战性的工作。为解决此问题,提出一种金字塔卷积神经网络与注意力机制结合的表情识别方法。对于初始的一张人脸表情图像,将其按照区域采样裁剪成多张子图像,将原图像和子图像输入到金字塔卷积神经网络进行多尺度特征提取,将提取到的特征图输入到全局注意力模块,给每一张图像分配一个权重,从而得到有重要特征信息的图像,将子图像和原始图像的特征进行加权求和,得到新的含有注意力信息的全局特征,最终进行表情识别分类。在CK+、RAF-DB、AffectNet三个公开表情数据集上分别取得了98.46%、87.34%、60.45%的准确率,提高了表情的识别精度。     

基于卷积神经网络的黄瓜病害识别研究

针对在黄瓜种植过程中,不能及时观察出病害种类以及不合理地使用药物防治而导致减产或死亡的问题,提出了基于卷积神经网络的黄瓜病害识别方法。通过使用手机拍照的方法采集带有病害特征的样本图片,进行图像增强处理,制作了黄瓜叶面病害数据集,并研究AlexNet、VGG-16和ResNet50三种不同深度网络模型的病害识别效果,通过设计不同方案进行模型训练,找出训练效果最优的网络模型并进行病害图片检测。结果表明,系统能够满足预期的黄瓜病害识别要求,具有较高的识别准确率。     

融合多尺度对比池化特征的行人重识别方法

行人重识别是利用计算机视觉技术判断图像或者视频序列中是否存在特定行人的技术。受行人姿态、遮挡、光照变化等因素的影响,传统的行人重识别方法中特征的表达能力有限,导致准确率降低,提出一种融合不同尺度对比池化特征的行人重识别方法。利用残差网络ResNet50提取行人图像的多尺度特征,在网络的不同层次上,通过对输入的特征进行全局平均池化和最大平均池化,将每组平均池化特征和最大池化特征相减,对相减得到的差异特征与最大池化特征进行相加,获得具有强判别性的对比池化特征。在此基础上,利用三元组损失和交叉熵损失联合优化模型,提高模型的泛化能力,同时采用重排序技术优化网络性能。实验结果表明,该方法在Market1501和DukeMTMC-reID数据集上的首位命中率分别达到96.41%和91.43%,平均精度均值为94.52%和89.30%,相比SVDNet、GLAD和PCB等方法,其行人重识别的准确率较高。     

一种基于ResNet的车钩状态识别方法及其应用

针对传统视觉方法在车钩状态识别方面存在的应用场景单一、实时性差、准确率低的问题,文章提出一种基于ResNet的车钩状态识别方法,其通过在原图上增加高斯噪声和修改曝光率、饱和度、角度等图像参数的方法进行数据增强,使车钩状态识别准确率在测试集上达到97％;利用开源加速库TensorRT 6.0将ResNet50模型部署到边...     

一种基于小波谱的流量识别方法

针对流量识别方法受到服务端口、协议签名、流量加密等限制的问题,提出一种基于多尺度小波谱的流量识别方法。利用离散小波变换对原始网络流量进行多尺度分解,分别计算不同尺度下的小波谱,使用K-means算法对这些小波谱进行聚类分析,由此实现网络流量的识别。实验结果表明,该方法具有较高的识别准确率。     

A Hybrid Approach for Plant Disease Detection Using E-GAN and CapsNet

Crop protection is a great obstacle to food safety, with crop diseases being one of the most serious issues. Plant diseases diminish the quality of crop yield. To detect disease spots on grape leaves, deep learning technology might be employed. On the other hand, the precision and efficiency of identification remain issues. The quantity of images of ill leaves taken from plants is often uneven. With an uneven collection and few images, spotting disease is hard. The plant leaves dataset needs to be expanded to detect illness accurately. A novel hybrid technique employing segmentation, augmentation, and a capsule neural network (CapsNet) is used in this paper to tackle these challenges. The proposed method involves three phases. First, a graph-based technique extracts leaf area from a plant image. The second step expands the dataset using an Efficient Generative Adversarial Network E-GAN. Third, a CapsNet identifies the illness and stage. The proposed work has experimented on real-time grape leaf images which are captured using an SD1000 camera and PlantVillage grape leaf datasets. The proposed method achieves an effective classification of accuracy for disease type and disease stages detection compared to other existing models.     

Identification of grape diseases using image analysis and BP neural networks

Prevention and treatment of diseases are critical to improve grape yield and quality. Automatic identification of grape diseases is important to prevent insect pests timely and effectively. This study proposed an automatic detection method for grape leaf diseases based on image analysis and back–propagation neural network (BPNN). The Wiener filtering method based on wavelet transform was applied to denoise the disease images. The grape leaf disease regions were segmented by Otsu method, and morphological algorithms were used to improve the lesion shape. Prewitt operator was utilized to extract the complete edge of lesion region. Five effective characteristic parameters, namely, perimeter, area, circularity, rectangularity, and shape complexity, were extracted. The proposed recognition model for grape leaf diseases based on BPNN could efficiently inspect and recognize five grape leaf diseases: leaf spot, Sphaceloma ampelinum de Bary, anthracnose, round spot, and downy mildew. Results indicated that the proposed detection system for grape leaf diseases could be used to inspect grape diseases with high classification accuracy.

     

基于BP神经网络的大豆叶片病害诊断模型的研究

本文以大豆叶片为研究对象,主要针对大豆灰斑病、霜霉病和细菌性斑点病进行诊断。首先,在东北农业大学教育部大豆生物学重点实验室的实验基地培育灰斑病、霜霉病和细菌性斑点病的纯正样本,然后通过对病斑特征的分析,确定病斑特征与病害种类的关系,建立大豆叶片病害的BP神经网络诊断模型。测试结果表明,针对轻度病害,灰斑病、霜霉病、细菌性斑点病和其它病害的识别精度分别为88.75%,87.50%,87.50%,85.00%;中度病害识别精度分别为91.25%,90.00%,91.25%,88.75%;重度病害识别精度分别为93.75%,92.50%,93.75%,92.50%。     

基于深度学习的番茄叶部病害识别模型

番茄叶病种类多、成因复杂,其预防和识别难度较大。传统基于机器学习的方法多靠人工识别,需要一定的专家经验,且具有主观性强、识别准确率不高等缺点。为实现番茄叶病特征的自动提取,并提高识别准确率,提出一种基于深度学习的番茄叶病识别模型。该模型基于卷积神经网络对番茄叶部病害特征进行自动提取,获得高维特征后,采用PCA降维算法去除冗余特征;从增大类间距离并减小类内距离的角度改进了softmax分类器,提高了识别准确率。将该模型在CrowdAI提供的数据集上进行了仿真验证,结果表明,该模型能够对番茄叶部常见10种病害进行自动提取特征和识别,综合识别准确率达到95%以上。     

基于二维子空间的苹果病害识别方法

如何准确、实时得到苹果病害信息是苹果病害管理的一个重要研究内容。根据苹果叶片症状准确、快速地诊断苹果病害是预防和控制苹果病害的基础。由于苹果同类病害叶片及其病斑图像的形状、颜色和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于苹果叶部病害识别。为此,提出了一种基于二维子空间学习维数约简（2DSLDR）的苹果病害识别方法。该方法将高维空间的观测样本点映射到低维子空间,使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的分类特征。该方法直接作用于叶片图像,不需要计算逆矩阵,从而克服了经典植物病害识别方法中特征提取与选择的难题,避免了经典子空间判别分析中的小样本问题,提高了识别效果。采用该方法对三种常见苹果叶部病害进行识别实验,并与其他苹果病害识别和监督流形学习方法进行比较。实验结果表明,2DSLDR对苹果叶部病害识别是有效可行的,识别精度高达90%以上。     

基于改进Faster-RCNN的沥青路面裂缝检测

针对目前沥青路面裂缝检测存在的识别率低和细微裂缝在复杂背景下难以检测的问题, 提出了基于改进Faster-RCNN的裂缝检测方法. 首先, 通过多功能路面检测车采集路面图像, 将13 000张图片按8:2的比例分为训练集和测试集来建成路面裂缝检测数据集; 然后分别采用VGG16、MobileNet-V2和ResNet50网络替换Faster-RCNN模型中的特征提取网络对裂缝进行识别, 结果表明, ResNet50与Faster-RCNN结合对裂缝的检测准确率达到0.805 8, 效果最好; 裂缝都分布在同一水平面上, 不存在层次信息, 因此将ResNet系列其它网络与Faster-RCNN模型结合, 以期得到更好的检测效果, 结果表明, 相比于ResNet18和ResNet101, 还是ResNet50检测性能最好; 由于还存在细微裂缝漏检的问题, 将CBAM模块引入ResNet50, 并且比较不同插入位置对检测准确率的影响. 实验表明, 改进的Faster-RCNN模型检测精准度达到85.64%, 能有效检测出复杂背景下的细微裂缝.     

双通道卷积神经网络在南瓜病害识别上的应用

针对南瓜病害识别工作量大、病害甄别难度高和农药利用率低等问题,提出一种基于K-means聚类与LBP特征的南瓜叶片病害识别方法,为智能机器人精准施药作业提供理论依据与技术支撑。该方法基于K-means聚类分割南瓜叶片病斑并经过形态学处理去除噪声,然后标定病斑采样区计算病斑LBP特征图,最终经由双通道特征提取网络及特征融合网络完成对病斑全局特征与细节特征的提取并使用Softmax分类器进行南瓜叶片病害识别。实验结果显示,提出的南瓜叶片病害识别方法能够以较高的准确率识别叶斑病、白粉病及霜霉病,性能优于采用病斑灰度图和LBP特征图的单通道CNN病害识别方法,满足施药机器人精准施药作业要求,利于南瓜病害防治工作。     

基于HOG的酿酒葡萄叶检测

在酿酒葡萄生长状态与病虫害自动监测中,需要在图像中检测出葡萄叶片,通过提取葡萄叶片图像的方向梯度直方图（HOG）特征投入到支持向量机（SVM）分类器中以实现对葡萄叶片的识别;结合多尺度目标定位和均值漂移算法还可以自动确定图像中葡萄叶片的位置。实验结果表明,使用线性核函数训练后的分类器对葡萄叶片和四种常见杂草的识别率达95.5%。该方法对光照和环境变化有较好的鲁棒性,自然条件下成像的叶片图像的葡萄叶片检出率达到了80%以上。     

基于级联卷积神经网络的作物病害叶片分割

针对传统卷积神经网络在作物病害叶片图像中分割精度低的问题,提出一种基于级联卷积神经网络（Cascade Convolutional Neural Network,CCNN）的作物病害叶片图像分割方法。该网络由区域病斑检测网络和区域病斑分割网络组成。基于传统VGG16模型构建区域病斑检测网络（Regional Detection Network,RD-net）,利用全局池化层代替全连接层,由此减少模型参数,实现叶片病斑区域精确定位。基于Encoder-Decoder模型结构建立区域分割网络（Regional Segmentation Network,RS-net）,并利用多尺度卷积核提高原始卷积核的局部感受野,对病斑区域精确分割。在不同环境下的病害叶片图像上进行分割实验,分割精度为87.04%、召回率为78.31%、综合评价指标值为88.22%、单幅图像分割速度为0.23?s。实验结果表明该方法能够满足不同环境下的作物病害叶片图像分割需求,可为进一步的作物病害识别方法研究提供参考。