共查询到20条相似文献,搜索用时 78 毫秒
1.
2.
【目的】水稻病虫害是引起水稻减产的重要因素。准确地识别水稻病虫害类型,及
时采取有效的针对性预防措施,有助于避免因水稻减产带来的经济损失。然而,聚焦于人
脸和花草等常见事物的识别技术,在农业领域特别是水稻病虫害识别领域应用较少,而
目前已有的水稻病虫害识别研究存在数据量小和数据种类不够丰富等问题。【方法】文
章搜集了2.0372 万张水稻病虫害图片,并以此构建了完整的水稻病虫害识别数据集,基
于迁移学习的思想,在ResNet50 的预训练模型基础上构建了一个针对16 种主要水稻病
虫害识别的深度模型。同时,考虑实际应用的需要,搜集了9 928 张其他图片(包括人
像、汽车等),结合9 675 张水稻病虫害图片,构建了一个二分类数据过滤模型,以此来
避免非水稻病虫害图片被识别为某一类病虫害的不合理结果。【结果】有预训练模型验
证结果的top-1 准确率达到了95.23%,F1 系数为77.83%,相较无预训练模型top-1 准确
率提升了24.51%,F1 系数提升了56.66%。数据过滤模型的过滤准确度达到了99.60%。
【结论】基于迁移学习的水稻病虫害识别模型,使水稻病虫害识别结果更加准确。非水稻病
虫害过滤模型,有效地解决了实际应用中非水稻病虫害图片被错分为某一类水稻病虫害的
问题。 相似文献
3.
4.
本文以番茄病虫害为研究对象,为了实现对其病虫害识别,本文采取了以YOLO为基础识别算法。对番茄病虫害的危害展开研究,对基于YOLO的番茄病虫害识别算法进行分析,旨在确保番茄病虫害是识别效果,降低番茄病虫害对发生概率,保证番茄的生长发育水平,推动番茄的增产增收,全面满足番茄种植户的相应需求,并推动农业发展的信息化水平进步。 相似文献
5.
6.
绿化植物养护是校园生态文明建设的重要组成部分,在美化校园环境,愉悦师生身心健康方面起着非常重要的作用。但是随着全球气候变暖环境恶化,导致虫害和疾病经常爆发。病虫害对校园绿化防护具有极大的危害,直接影响校园绿化环境。本文针对校园绿化中常见的病虫害,提出了基于深度学习的病虫害识别方法。该方法首先对图像进行灰度归一化处理,然后提取灰度图像的PCANet特征,最后利用支持向量机进行识别。该方法在扩充的数据集上进行了验证,识别效果理想。 相似文献
7.
针对现有目标检测算法对自然环境下核桃识别存在漏检、误检等问题,提出了一种基于Swin Transformer多层特征融合改进的YOLOX-S核桃识别算法。首先,在主干特征提取网络中引入基于Swin Transformer的多层特征融合模块,借助Swin Transformer的多头注意力机制对小目标的特征信息进行提取并与特征图进行融合,可以有效解决因网络层数加深导致的高层特征图中小目标特征信息丢失问题;其次,为了提高算法的检测精度,引入更高效的Repblock模块对原网络中的CSP模块进行替换;最后,为了提高下采样效果,使用更为优秀的Transition Block模块作为主干特征提取网络的下采样模块。结果表明,改进后的YOLOX-S模型在采集的自然环境下核桃数据集上平均精度AP50达到96.72%,分别比Faster-RCNN、YOLOv5-S、YOLOX-S算法提高7.36、1.38、0.62百分点,检测速度达到46 f/s,模型参数大小为20.55 M。改进后的YOLOX-S算法具有更好的精度,改善了漏检和误检问题,对自然环境下的核桃有更好的识别效果。 相似文献
8.
分级是保证工厂化穴盘育苗质量的重要环节,本文根据番茄穴盘苗分级检测过程存在智能化水平低的问题,基于Darknet框架YOLOv3-Tiny卷积神经网络进行了算法改进。改进的算法进行了K-Means++聚类,增加YOLO检测层的数量,引入不同的SPP结构和CIOU损失函数。实验表明,与YOLOv3-Tiny算法相比,改进的YOLOv3-Tiny算法对番茄苗分级检测的mAP指标提高了9.8%,对壮苗的检测准确率为98.1%,无苗的检测准确率为94.80%,弱苗的检测准确率为93.62%。该算法能够对番茄苗的分级检测起到良好效果,为番茄穴盘苗高效识别提供了参考。 相似文献
9.
[目的]设计基于双目视觉与深度学习的番茄本体特征检测系统,实现番茄本体特征的自动无损检测,为水肥一体化和智慧农业提供技术支持.[方法]采集4000张番茄图像作为研究样本,利用基于深度学习SSD_MobileNet卷积神经网络的番茄主要器官检测算法,对番茄植株、茎、花、果实和叶进行检测.基于双目视觉的图像测量算法对各器官目标区域中株高、茎直径、果径和叶面积进行特征提取.[结果]利用SSD_MobileNet网络模型对研究样本进行训练和测试,调用训练好的模型对番茄各器官进行识别和定位,对番茄植株、茎、花、果实和叶的检测准确率分别为98.5%、99.0%、99.5%、99.5%和98.0%.利用基于双目视觉的图像测量算法对番茄本体特征进行测量,通过实践证明该系统对株高、茎直径、果径和叶面积测量的相对误差可分别控制在1.5%、1.0%、1.2%和1.3%以内,可实现番茄本体特征的精确检测,较常见系统的鲁棒性和精度有了明显提升;整套系统在番茄大棚中已稳定运行半年,完成了对番茄全生命周期的本体特征检测,并可将数据保存于数据库,实现对番茄本体特征的自动、无损监测.[建议]优化番茄特征遮挡问题,丰富训练数据集,优化网络模型,提高识别率和鲁棒性;建立番茄特征数据共享云平台,实现番茄疫病的提前预警;确定本体特征与番茄长势的关系,以快速判断施肥量,实现大棚番茄自动精确施肥. 相似文献
10.
为了及时准确的识别番茄叶片病害,提高番茄产量,提出了一种优化的Swin Transformer番茄病害识别方法,该模型利用Transformer的自注意力结构获得更加完备的番茄病害图像的高层视觉语义信息;结合Mixup混合增强算法,在预处理阶段对图像特征信息进行增强;并采用迁移学习在增强番茄叶片病害数据集上进行训练和优化Swin Transformer模型,以此实现精准的番茄叶片病害识别。结果表明:1)优化的Swin Transformer模型对番茄叶片病害识别准确率达到98.40%;2)在相同训练参数下,本研究模型比原Swin Transformer、VGG16、AlexNet、GoogLeNet、ResNet50、MobileNetV2、ViT和MobileViT模型准确率提高了0.70%~1.91%,且能快速收敛;3)本研究模型中加入的Mixup混合增强算法极大地提高了番茄叶片病害的识别准确率,比现有的常见方法性能更加优越,并且鲁棒性强。因此,本研究提出的新模型能够更加准确的识别番茄叶片病害。 相似文献
11.
针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题,提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型,构建一个CXV2模块替换YOLOv5s的C3模块,增强提取特征的多样性;添加了动态检测头DYHEAD,提高模型对不同空间尺度、不同任务目标的处理能力;采用CARAFE上采样模块,提高特征提取效率。结果显示,改进后的YOLOv5s-CDC的召回率和平均精度均值分别为81.6%、87.3%,比原模型分别提高了4.9、3.4百分点。与其他YOLO系列模型在多个场景下的检测对比,具有更高的准确率和较强的鲁棒性。结果表明,该方法可用于自然复杂环境下的柑橘病虫害的检测。 相似文献
12.
为了提高林业害虫检测的准确性,提出一种基于YOLOv4的改进算法。首先,基于智能害虫捕捉装置拍摄的图像,制作害虫数据集,采用K-means算法对样本数据集的目标框进行聚类分析,基于DIoU-NMS算法实现对害虫的计数功能;然后,在模型的路径聚合网络(PANet)结构上增加特征融合和104×104层级特征检测图,以提升对小个体害虫的识别率;最后,根据模型检测效率和复杂度,调整模型中的尺度特征图组合,在保证检测准确度的基础上,提升检测效率,并精简模型。试验结果表明,改进的YOLOv4模型的平均识别精度比传统YOLOv4模型提高了1.6百分点,且对于小个体害虫的识别效果更好,模型复杂度和模型参数量分别减少了11.9%、33.2%,检测速度提升了11.1%,更适于应用部署。 相似文献
13.
基于迁移学习的番茄叶片病害图像分类 总被引:4,自引:1,他引:4
针对卷积神经网络对番茄病害识别需训练参数较多,训练非常耗时的问题,将迁移学习应用于AlexNet卷积神经网络,对病害叶片和健康叶片共10种类别的番茄叶片进行分类研究。使用14 529张番茄叶片病害图像,随机选择70%作为训练集,30%作为验证集,对AlexNet卷积神经网络模型结构进行迁移,利用在Imagenet图像数据集上训练成熟的AlexNet模型和其参数对番茄叶片病害识别。在训练过程中,固定低层网络参数不变,微调高层网络参数,将番茄病害图像输入到网络中训练网络高层参数,用训练好的模型对10种类别的番茄叶片分类,并进行了20组试验。结果表明:该算法在训练迭代474次时使网络模型很好的收敛,网络对验证集的测试平均准确率达到95.62%,与从零开始训练的AlexNet卷积神经网络相比,本研究算法缩短了训练时间,平均准确率提高了5.6%。采用迁移学习所建立的病害分类模型能够对10种类别的番茄叶片病害快速准确地分类。 相似文献
14.
15.
基于深度学习的农作物病害图像识别技术进展 总被引:5,自引:0,他引:5
农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像识别技术的基本原理,然后系统地阐述了基于深度学习的先进成像技术和先进图像识别分析技术在农作物病害检测识别中的国内外研究现状,分析了其在农作物病害检测识别上存在的优缺点,如具有快速、准确率高等优点以及数据量过大处理不便等缺点,并进一步指出,利用高光谱成像和热红外成像与深度学习相结合,将成为今后研究农作物病虫害早期检测的主要发展方向。 相似文献
16.
百香果由于其特有的果实风味和营养价值而受到人们的喜爱。近年来,随着百香果的种植面积不断扩大和主栽品种抗性不强等因素,容易造成百香果受病虫害侵袭,因此本文总结提出了百香果常见病虫害的正确识别、科学合理用药的综合防治策略。 相似文献
17.
目的 实现香蕉病害的远程诊断。方法 基于深度学习方法对香蕉作物的7种常见病害进行诊断。收集了5944 幅健康及染病香蕉植株图像,按7:1:2分为训练集、验证集和测试集。利用迁移学习对GoogLeNet深度卷积神经网络训练获取诊断模型。进一步开发了包含手机移动应用程序(APP)和远程服务器的软件系统。结果 通过对比不同迭代次数及不同优化器,最终采用了MomentumOptimizer迭代10000 次的模型,平均测试精度达到了98%。设计的APP能够就地获取香蕉图像,并通过网络与集成了诊断模型的远程服务器通信,实时获取诊断结果。结论 该病害诊断模型识别主要病害的精度高,在线诊断系统简单易操作,可快速有效地在线诊断香蕉常见病害,具有良好的应用前景。 相似文献
18.
19.
为全面了解出口蓝莓病虫害发生及为害情况,2013-2015年在贵州出口蓝莓种植基地进行系统调查。共发现为害蓝莓的病虫害20种,其中病害9种,包括生理性病害2 种, 分别是红叶病和黄叶病,侵染性病害7 种,分别是灰霉病、根腐病、白粉病、炭疽病、锈病、溃疡病和根癌病;虫害11种,分别是果蝇、金龟子(小青花金龟、铜绿丽金龟、斑喙丽金龟)、蚜虫(桃蚜、苹果黄蚜)、蝼蛄、小地老虎、叶蝉、天牛和木蠹蛾。对病虫害及其为害程度进行综合分析,确定为害严重的病虫害主要是灰霉病、金龟子和果蝇。 相似文献
20.
利用生物多样性控制豇豆病虫害 总被引:4,自引:0,他引:4
利用生物多样性,将不同抗性的豇豆品种与辣椒、苦瓜、西红柿、洋姜、落葵等作物进行多样性种植,根据豇豆田间主要病虫害和天敌的发生发展情况,品种的抗性,病虫害的控制效果,天敌种类和数量的变化情况、不同组合不同栽培方式的产量效应调查,结果表明:①生物多样性种植对病虫害有明显的控制效果。对白粉病的平均控效幅度为19.82%~80.62%;对豆荚螟的控效幅度为11.11%~66.67%,红蜘蛛为21.53%~47.4%,斑潜蝇为11.5%~45.8%。②不同组合及其栽培方式的增产效果不同。增产因组合不同而不同,幅度为600~3390 kg/hm2。③天敌总数间作比净作增加30.56%.④诱导植物美菘菜和金盏菊对斑潜蝇有很好的效果,早期叶片受害率为达90%以上;美菘菜对菜青虫的效果最好,高峰期叶片受害率达100%。 相似文献