基于图像处理的作物病害自动识别系统的研究

为了实现对作物病害检测与防治的自动化,构建了一个基于叶片病斑图像处理的计算机诊断系统,以实现作物叶部病害的自动识别。该系统依据作物病叶颜色差异,用EM算法和偏微分方程水平集模型等图像分割算法,从图像中获取完整准确的病斑;然后提取病斑的颜色、形状和纹理特征,运用主成分分析方法对数据进行降维处理;最后采用神经网络和支持向量机方法对这些特征进行学习与分类,以及病害识别。系统已试用于黄瓜、番茄等园艺作物叶部病害的自动诊断与识别,其优点是自动化程度高,识别准确率在一定条件下较好。     

基于改进U-Net网络的多尺度番茄病害分割算法

针对当前农作物病害分割与识别模型病斑分割精度低、数据集不充分、训练速度过慢等问题,构建了一种基于改进的U-Net网络多尺度番茄叶部病害分割算法。在U-Net网络结构基础上进行改进,减小图像输入尺寸,在编码器中使用非对称Inception多通道卷积替换传统卷积,实现多尺度提取病害特征,提升模型准确度;在解码器中加入注意力模块,关注番茄病害边缘,减小上采样噪声;引入GN加速模型收敛,并将改进U-Net网络用在PlantVillage数据集上进行预训练,提高模型的分割准确度和速度。改进后的方法准确率、召回率和MIoU分别为92.9%、91.1%、93.6%,实验结果表明,该方法能够有效地提高模型对番茄的病害分割性能。     

多尺度U网络实现番茄叶部病斑分割与识别

随着深度学习技术的迅速发展,卷积神经网络成为研究植物叶部病害识别与病斑分割的主流方法.针对番茄叶部病斑大小不一、形状不规则、病斑分割需要大量像素级标记等问题,文中提出一种多尺度U网络,以同时实现番茄叶部病斑分割与病害识别.在病害特征提取阶段采用多尺度残差模块组合不同尺寸的感受野来提取病害特征,以适应病斑大小和形状的动态变化.引入CB模块(Classifier and Bridge)将病害特征提取阶段与病斑分割阶段连接,对病害特征进行分类,并根据分类结果反向映射出特定类的激活图,此激活图包含特定类别病斑的关键信息.在分割阶段采用上采样与卷积相结合的方法对特定类的激活图进行反卷积,利用跳跃连接方式将反卷积特征与低层特征融合,以补充更多的图像细节信息,获取病斑分割的灰度图.为了使分割的病斑定位更加精确,利用少量像素级标记,对每个像素点采用二分类交叉熵损失函数进行监督训练,同时更好地引导特征提取网络关注病斑部位.利用原始测试集与模拟噪声和光照强度的干扰测试集分别验证模型的病斑分割与病害分类性能.在原始测试样本集上多尺度U网络的平均像素准确率、平均交并比和频权交并比分别达到了86.15％,75.25％和90.27％;在降低30％亮度和添加椒盐噪声的干扰测试集上,模型的识别准确率分别为95.10％和99.20％.实验结果表明,所提方法可以实现番茄叶部病斑分割与识别效果的共同提升.     

基于YOLOv5模型的大豆叶部斑病识别方法

针对目前大豆叶部病害识别方法存在的准确率低和鲁棒性差等问题，提出了一种基于改进型的YOLOv5-卷积神经网络（Convolutional Neural Network,CNN）的大豆叶片斑病图像识别方法。首先，对采集的大豆叶部病害图像进行预处理；其次，采用改进型深度学习网络提取特征，并训练分类模型，实现对大豆叶部斑病的快速识别；最后，通过和传统机器视觉系统相结合，完成了对大豆叶片斑病的智能化识别。实验结果表明，该研究方法能够有效提高大豆叶部斑病图像的识别精度和稳定性，在实际生产过程中，可根据田间条件选择不同光照强度下的大豆叶片，以验证所提算法的实用性和适用范围。     

基于手机拍摄图像分析的苹果病害识别技术研究

为提高用低分辨率图像识别苹果病害的准确率,建立了完整的预处理流程,用类间方差闻值分割法和形态学运算等方法抽取图像的病态部位.根据病斑形状及Hu不变矩提取病斑的形状特征,提取病斑的H方差结合H-S直方图特征作为病斑的颜色特征,用计盒维数法提取病斑纹理特征.在对特征进行优选的基础上,构建BP神经网络病害识别模型.识别实验结果表明,用优选的8个特征和BP神经网络模型对5种病害的平均正确识别率达92.6%,可有效识别苹果病害.     

基于随机森林方法的小麦叶片病害识别研究

为了提高小麦叶部病害的识别准确率,采用高斯混合模型结合EM 算法对小麦叶 片进行提取,获得较大目标,使得分割准确率比直接分割病害区域有所提高,同时降低了分割 难度。并结合HSV 主颜色直方图和通过Tamura 纹理特征中的粗糙度、方向度和对比度作为特 征进行筛选,采用随机森林方法对小麦健康叶片、白粉病、叶枯病和叶锈病图像进行了识别, 整体识别准确率可达95%。通过实验验证,该方法是有效可行的,并优于同等条件下的支持向 量机(SVM)方法。       

融合通道信息注意力网络的叶片病害识别

针对植物叶片病害存在的种类驳杂以及如何提取有效特征的问题,提出一种融合通道信息注意力网络模型对多种植物叶片病害进行识别。构建残差结构为主的基础网络用于特征提取,再将特征通过注意力网络融合多个通道信息对病害特征进行重标定;在交叉熵函数中添加约束信息以加快模型收敛速度;在4种不同植物16类病害的数据集上对该模型进行实验,结果表明,基础网络模型识别准确率为83.13%,而融合通道信息网络后准确率提高4.64个百分点;融合后的模型与其他模型相比在识别准确率方面提高9.72个百分点且模型复杂度约为对比实验中最优模型复杂度的1/2。     

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。     

基于区分深度置信网络的病害图像识别模型

对枸杞病害进行及时、准确地检测识别对于病害的监测、预测、预警、防治和农业信息化、智能化建设具有重要意义。研究提出了一种基于区分深度置信网络的枸杞病害图像分类识别模型。首先,把枸杞叶部病害图像通过自动裁剪方式获得包含典型病斑的子图像,再采用复杂背景下的图像分割方法分割病斑区域,提取病斑图像的颜色特征、纹理特征和形状特征共计147个,结合区分深度置信网络和指数损失函数建立了病害识别模型。实验结果表明,该方法对于病害图像识别效果较好,与支持向量机相比,基于区分深度置信网络的病害图像识别模型高效地利用了底层图像特征的高层表示,解决了没有足够标注数据时的图像识别问题。     

一种用于农作物叶部病害图像识别的双权重协同表示分类方法

农作物病害是我国主要的农业灾害之一,准确识别病害类型是防治农作物病害的关键。因此,首先采集了小麦、玉米、花生、棉花4种农作物的22种常见叶部病害的441张图像;然后,在对每张病害图像中的叶片和病斑进行分割的基础上,分别提取了描述农作物种类的叶片特征参数和描述病害类型的病斑特征参数;其次,将这两类特征参数组合并作归一化处理,得到病害图像的数据特征向量;再次,采用所有病害图像的数据特征向量,构建了一个农作物叶部病害数据集;最后,在同时考虑数据特征重要性和数据空间局部性的基础上,提出了一种双权重协同表示分类(DWCRC)方法并将其用于农作物叶部病害识别。在农作物叶部病害数据集上的实验结果表明,提出的双权重协同表示分类方法在用于农作物叶部病害识别时具有较高的识别率。     

基于图像处理的温室大棚中番茄的病害识别

为了准确有效判定温室大棚中番茄病害,利用图像处理和模式识别技术对其（早疫病、睨疫病、叶霉病）进行识别。经过刚像预处理后将叶片病害部位颜色及形状特征提取出来,并通过实验的方法,选取确定了5种显著性较大的特征用于研究,根据最后选取的特征值（颜色特征u,v;形状特征：圆度、复杂度、伸长度）采用贝叶斯判别法对番茄痫害进行识别。取每种病害各40组数据进行实验,结果表明早疫病、晚疫病识别率达到92％,叶霉病识别率达到96％。研究表明该方法能对番茄病害进行有效的识别,并有较高的识别率。     

一种改进的GRU-InFCN人体行为识别模型

为了克服传统机器学习方法在采用传感器数据进行人体行为识别领域上识别效果对人工特征选取依赖严重、识别准确率不高等问题,提出一种改进的全卷积神经网络和多层循环神经网络并联的深度学习模型(GRU-InFCN),并对传感器数据特征进行自动提取,实现人体动作的识别。该模型通过多尺度卷积神经网络和双层GRU网络(Gated Recurrent Unit,GRU)分别对传感器数据进行特征提取,将特征矩阵在矩阵维度上进行特征拼接再通过Softmax完成特征分类。实验结果表明,在开源人体行为识别(HAR)数据集上采用该方法进行人体行为识别,准确率达到了97.76%。该模型在取得高准确率的同时,避免了复杂的信号预处理和特征工程。     

改进MobileNetV2算法的番茄叶片病害种类识别

番茄叶片病害种类具有差异较小、肉眼难以辨别的特点.针对经典卷积神经网络参数多、计算量巨大、模型识别率较低以及预测误差较大等问题,提出一种改进MobileNetV2网络的病害识别方法.在适当的网络层加入通道和空间注意力机制增强网络对于病叶片特征的细化能力以及减少无关特征的干扰,使用Ghost模块替换原模型中部分倒残差块,保证模型精度的同时减少参数量.利用LeakyReLU激活函数保留特征图中更多的正负特征信息,增强模型的鲁棒性.在公共数据集PlantVillage选取早疫病,晚疫病,班枯病,细菌性溃疡病,红斑叶螨病,叶霉病,细菌性斑点病等10种番茄病叶片作为数据集进行实验.实验结果表明,改进MobileNetV2网络分类准确率达到98.57%,相较于原MobileNetV2,准确率提高了2.29%,模型大小减小了22.52%,优化效果较为显著.     

Attention embedded residual CNN for disease detection in tomato leaves

Automation in plant disease detection and diagnosis is one of the challenging research areas that has gained significant attention in the agricultural sector. Traditional disease detection methods rely on extracting handcrafted features from the acquired images to identify the type of infection. Also, the performance of these works solely depends on the nature of the handcrafted features selected. This can be addressed by learning the features automatically with the help of Convolutional Neural Networks (CNN). This research presents two different deep architectures for detecting the type of infection in tomato leaves. The first architecture applies residual learning to learn significant features for classification. The second architecture applies attention mechanism on top of the residual deep network. Experiments were conducted using Plant Village Dataset comprising of three diseases namely early blight, late blight, and leaf mold. The proposed work exploited the features learned by the CNN at various processing hierarchy using the attention mechanism and achieved an overall accuracy of 98% on the validation sets in the 5-fold cross-validation.     

Deep Learning for Tomato Diseases: Classification and Symptoms Visualization

Several studies have invested in machine learning classifiers to protect plants from diseases by processing leaf images. Most of the proposed classifiers are trained and evaluated with small datasets, focusing on the extraction of hand-crafted features from image to classify the leaves. In this study, we have used a large dataset compared to the state-of-the art. Here, the dataset contains 14,828 images of tomato leaves infected with nine diseases. To train our classifier, we have introduced the Convolutional Neural Network (CNN) as a learning algorithm. One of the biggest advantages of CNN is the automatic extraction of features by processing directly the raw images. To analyze the proposed deep model, we have used visualization methods to understand symptoms and to localize disease regions in leaf. The obtained results are encouraging, reaching 99.18% of accuracy, which ourperforms dramatically shallow models, and they can be used as a practical tool for farmers to protect tomato against disease.     

基于卷积长短时记忆网络的人体行为识别研究

人体行为识别利用深度学习网络模型自动提取数据的深层特征,但传统机器学习算法存在依赖手工特征提取、模型泛化能力差等问题。提出基于空时特征融合的深度学习模型（CLT-net）用于人体行为识别。采用卷积神经网络（CNN）自动提取人体行为数据的深层次隐含特征,利用长短时记忆（LSTM）网络构建时间序列模型,学习人体行为特征在时间序列上的长期依赖关系。在此基础上,通过softmax分类器实现对不同人体行为分类。在DaLiAc数据集的实验结果表明,相比CNN、LSTM、BP模型,CLT-net模型对13种人体行为的总体识别率达到了97.6%,具有较优的人体行为识别分类性能。     

类别语义相似性监督的小样本图像识别

目的 现有的深度学习模型往往需要大规模的训练数据,而小样本分类旨在识别只有少量带标签样本的目标类别。作为目前小样本学习的主流方法,基于度量的元学习方法在训练阶段大多没有使用小样本目标类的样本,导致这些模型的特征表示不能很好地泛化到目标类。为了提高基于元学习的小样本图像识别方法的泛化能力,本文提出了基于类别语义相似性监督的小样本图像识别方法。方法 采用经典的词嵌入模型GloVe（global vectors for word representation）学习得到图像数据集每个类别英文名称的词嵌入向量,利用类别词嵌入向量之间的余弦距离表示类别语义相似度。通过把类别之间的语义相关性作为先验知识进行整合,在模型训练阶段引入类别之间的语义相似性度量作为额外的监督信息,训练一个更具类别样本特征约束能力和泛化能力的特征表示。结果 在miniImageNet和tieredImageNet两个小样本学习基准数据集上进行了大量实验,验证提出方法的有效性。结果显示在miniImageNet数据集5-way 1-shot和5-way 5-shot设置上,提出的方法相比原型网络（prototypical networks）分类准确率分别提高1.9%和0.32%;在tieredImageNet数据集5-way 1-shot设置上,分类准确率相比原型网络提高0.33%。结论 提出基于类别语义相似性监督的小样本图像识别模型,提高小样本学习方法的泛化能力,提高小样本图像识别的准确率。     

基于多尺度残差神经网络的葡萄叶片病害识别

葡萄叶片不同程度的病害具有一定的相似性,目前对于葡萄叶片病害的识别多为病害种类识别,对不同程度病害识别的研究较少,且传统识别方法对于不同程度病害识别准确率较低。提出一种基于多尺度残差神经网络（Multi-Scale ResNet）的葡萄叶片病害识别方法。对葡萄叶片病害图像进行数据增强与叶片区域标注后,使用Mask R-CNN提取葡萄叶片部位,通过引入多尺度卷积以改变ResNet底层对不同尺度特征的响应,利用加入的SENet提升网络的特征提取能力,并将图像输入Multi-Scale ResNet中进行识别。实验结果表明,该方法的平均识别准确率达到90.83%,相比ResNet18提高了2.87个百分点。