基于InceptionV3的烟草病害识别

  背景和目的  烟草病害严重制约影响烟草的产量及质量。为解决烟草病害诊断方式精准性差、效率低等问题。  方法  以5种较为常见的烟草病害（烟草花叶病、黄瓜花叶病毒病、烟草赤星病、烟草野火病、烟草气候性斑点病）为研究对象,基于InceptionV3网络使用迁移学习方法构建烟草病害识别模型,对比测试原始数据集、数据增强后数据集、MSRCR数据集和图像融合数据集。  结果  图像融合数据集的识别准确率为90.80%,平均识别时间为1.33 s,比原始数据集的识别准确率（70.00%）提高了29.71%。  结论  该方法能快速准确识别烟草病害,可为烟草病害的防治提供理论基础。      

清江流域烟区烟草青枯病流行时间动态及气象因素分析

为更好地进行清江流域烟区烟草青枯病的预测预报和合理防控,本研究通过定点系统调查和统计分析,确定了清江流域烟区烟草青枯病发生危害、流行动态规律及主要流行气象因子,并提出了药剂防治时期。结果表明:（1）一元三次模型能较好地描述烟草青枯病的流行动态规律,可根据该模型进行病害发生的预测。（2）该区域烟草青枯病整体呈现前期平缓、流行迅速、后期急剧的特点,病程阶段可划分为病害首发期（移栽后45~67 d）、迅速蔓延期（移栽后67~97 d）和全面爆发期（移栽后97 d~采收结束）。（3）烟草青枯病药剂预防期和防治关键期:预防期为烟叶移栽45 d（6月10日）之前且均温未达18.82℃之前;防治关键期为烟叶移栽67 d（7月1日）之前且均温未达22.00℃之前。结合病程阶段和气温两方面提出的药剂防治时期更有利于烟草青枯病的有效防控。      

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。      

全国16个主产烟省（区）烟草侵染性病害调研报告

经过全国１６个主产烟省（区）烟草侵染性病害调查研究协作组３年的调查、研究和鉴定，共查清烟草侵染性病害６８种，已鉴定的６２种，尚待鉴定的６种。在６２种病害中国内首次报道的１１种，５种是世界上首次报道，它们是烟草茎点病、烟草细菌性叶斑病、烟草细菌性黑茎病、烟草细菌性黑腐病及日本菟丝子，都是偶然发生的病害。６２种病害中主要烟草病害有１５种，其分布范围为１１～１６个省（区），其为害严重省（区）为１～１４个省（区），为害中等省（区）为２～９个省（区）。６２种病害依病原物划分，其中真菌性病害３０种，细菌性病害８种，病毒病害１７种，类菌原体病害２种，线虫病害３种及寄生性种子植物２种。就烟草花叶病（主要包括烟草普通花叶病毒病和黄瓜花叶病毒病）、赤星病、黑胫病、青枯病和根结线虫病５种烟草主要病害，１９８９～１９９１年３年所造成的经济损失，进行了损失估计研究，据不完全统计烟叶产量损失４．８亿多ｋｇ，产值损失１５亿多元。烟草病害为害程度，仅此可见一斑。从烟草病害发展史着眼，烟草病害一直威胁着烟草的产质，所以为保护烟草生产与病害长期斗争的任务是艰巨的。     

陕西烟田病害种类调查

以烟田系统调查为主要手段明确了2010-2014年陕西烟区的主要病害种类、分布及其发生程度。结果表明,危害陕西省烟田的主要病害有16种,其中烟草真菌性病害6种：烟草猝倒病、烟草赤星病、烟草根黑腐病、烟草灰霉病、烟草白粉病和烟草黑胫病;烟草细菌性病害3种：烟草青枯病、烟草野火病和烟草角斑病;病毒性病害5种：烟草黄瓜花叶病毒病（CMV）、烟草马铃薯Y病毒病（PVY）、烟草蚀纹病毒病（TEV）、烟草普通花叶病毒（TMV）、烟草脉带花叶病毒（TVBMV）;线虫病害1种：烟草南方根结线虫病;烟草非侵染性病害1种：气候性斑点病。     

基于改进YOLOv3网络的烟梗识别定位方法

目的：实现烟叶分级流程烟梗部位的智能抓取,防止智能烟叶分级系统中机械手在抓取烟叶时对叶面造成损伤,减少烟叶智能分级设备生产中的人为操作,解决烟叶分级系统中的单片烟叶识别分类问题与对应等级单片烟叶存放问题。方法：提出一种基于改进YOLOv3的卷积神经网络烟梗自动识别定位模型。该模型在原有的YOLOv3的基础模型上改变单元模块结构引入注意力机制模块,优化模型参数,使用Swish激活函数,实现了对烟叶图像全部信息进行目标定位识别,构建烟梗目标检测模型。结果：改进后的YOLOv3模型的loss能更快的收敛,其mAP由90.46%提升为97.48%,准确率由95.33%提升为97.35%,回归率由84.65%提升为95.65%,为后续烟叶自动化分类打下基础。结论：与YOLOv3、Faster-rcnn、YOLOv4、Efficientdet算法作对比分析表明试验提出的算法更加轻量化,识别效果更好,能减少对烟梗试验平台的硬件配置要求,提高烟叶分类系统的经济效益,为烟叶分级系统中烟叶上料与分仓提供准确的位置信息。     

台湾省烟草病毒病害简要综述

台湾省烟草病毒病害简要综述＊陈瑞泰为了解台湾省烟草病害发生种类和研究工作情况，查阅了１９６４～１９９３年《烟草文摘（ＴＯＢＡＣＣＯＡＢＳＴＲＡＣＴ）》，现综合简介如下。１烟草脉带花叶病毒病（ＴＶＢＭＶ）１．１症状ＴＶＢＭＶ侵染的烟叶，沿叶脉呈窄狭、深...     

基于改进YOLOv3的卷纸包装缺陷实时检测算法

为了解决卷纸包装过程中的缺陷检测问题,提高卷纸包装缺陷的检测速度和准确率,提出了一种改进的YOLOv3算法（iYOLOv3算法）。该算法通过将卷积神经网络和多头自注意力相结合,可更加充分地提取图片的局部和全局特征;并将不同尺度的特征图进行多尺度特征融合,同时改善了YOLOv3算法的解码公式,iYOLOv3算法的AP@50∶5∶95比YOLOv3算法提高了5.8个百分点,检测速度达到了80帧/s,是YOLOv3算法的2倍以上,表明了其在实际应用的可行性。     

一种基于改进的YOLOv3算法在粮虫小目标检测的应用

原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1 998张数据集进行数据增强,最终形成大小为9 990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9 990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

闽西烟区主要病害及其综合防治技术体系

通过对闽西烟区主要病害调查发现侵染性病害主要是烟草炭疽病、烟草病毒病(含TMV、CMV、PVY、TRSV、TEV、TLCV)、烟草黑胫病、烟草赤星病、烟草青枯病,非侵染性病害主要有烟草气候斑点病和缺素症等。同时,结合当地生态条件和有关试验及调查结果,提出综合防治技术,该技术对烟草重要病虫害的防治具有较好效果。     

基于图像处理的烟叶烘烤阶段判别模型优选

[背景和目的]烟叶烘烤阶段的自动判别是建立智能化烟叶烘烤系统的重要环节.为实现烘烤阶段的精确识别和操控,提升烟叶烘烤的精准度.[方法]提取烘烤过程中整夹烟叶图像的11种颜色特征和8种纹理特征,分别对颜色特征和纹理特征进行变量聚类分析,以10为距离,将提取的颜色特征和纹理特征各分为2类.利用相关性分析筛选出每类特征中与烘...     

一种基于卷积神经网络的烟叶等级识别方法

目的:解决烟叶分级准确率不高的问题.方法:提出一种改进的基于卷积神经网络的烟叶分级模型,根据VGG16网络结构,以 自定义的方式搭建网络模型;将空洞卷积代替原有的传统卷积,增加图像感受野的同时避免了图像特征的损失,并将激活函数改为Leaky_relu,修正数据的分布,解决ReLU函数的硬饱和问题;用41种等级的烟叶图片...     

改进YOLOv5网络的轻量级服装目标检测方法

为进一步降低基于深度学习的服装目标检测模型对计算资源的占用,提出一种改进的轻量级服装目标检测方法MV3L-YOLOv5。首先使用移动网络MobileNetV3_Large构造YOLOv5的主干网络;然后在训练阶段使用标签平滑策略,以增强模型泛化能力;最后使用数据增强技术弥补DeepFashion2数据集中不同服装类别图像数量不均衡问题。实验结果表明:MV3L-YOLOv5的模型体积为10.27 MB,浮点型计算量为10.2×10⁹次,平均精度均值为76.6%。与YOLOv5系列最轻量的YOLOv5s网络相比,模型体积压缩了26.4%,浮点型计算量减少了39%,同时平均精度均值提高了1.3%。改进后的算法在服装图像的目标检测方面效果有所提升,且模型更加轻量,适合部署在资源有限的设备中。     

基于改进YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。