期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到83篇文章
< 1 2 … 5 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进SSD模型的柑橘叶片病害轻量化检测模型
1
作者 李大华 孔舒 +1 位作者 李栋 于晓 《浙江农业学报》 CSCD 北大核心 2024年第3期662-670,共9页
针对当前目标检测算法存在模型占比大,对柑橘叶片病害检测速度较慢、精度较低等问题,提出了一种基于改进SSD(single shot multibox detector)的柑橘叶片病害轻量化检测方法。引入了轻量化卷积神经网络MobileNetV2作为SSD网络的骨架,以... 针对当前目标检测算法存在模型占比大,对柑橘叶片病害检测速度较慢、精度较低等问题,提出了一种基于改进SSD(single shot multibox detector)的柑橘叶片病害轻量化检测方法。引入了轻量化卷积神经网络MobileNetV2作为SSD网络的骨架,以减小模型规模、提高检测速度。引入感受野模块(receptive field block,RFB)来扩大浅层特征感受野,以提高模型对小目标的检测效果。并引入CA(coordinate attention)注意力机制,以强化不同深度的特征信息,进一步提升柑橘叶片病害的识别精度。结果表明,与VGG16-SSD相比,改进模型(MR-CA-SSD)在柑橘叶片病害检测上平均精度均值(mAP)提升4.4百分点,模型占比减小52.3 MB,每秒检测帧数提升3.15。MR-CA-SSD综合性能也优于YOLOv4、CenterNet、Efficientnet-YoloV3等模型。该改进模型可实现对柑橘叶片病害的快速准确诊断,有助于对病害部位及时精准施药。 展开更多
关键词 柑橘 叶片病害 轻量化网络 感受野模块 注意力机制
下载PDF
基于改进ShuffleNet v2的轻量化番茄叶片病害识别
2
作者 李大华 仲婷 +1 位作者 王笋 于晓 《江苏农业科学》 北大核心 2024年第3期220-228,共9页
番茄大面积种植导致叶片部位被病虫害侵蚀面积不一、侵蚀种类多样化等问题,为了满足在资源有限的硬件设备上实现对番茄叶片病害准确识别,提出改进ShuffleNet v2模型。首先对基本单元进行改进,提出SA-stage模块,使模型密切关注叶片相关... 番茄大面积种植导致叶片部位被病虫害侵蚀面积不一、侵蚀种类多样化等问题,为了满足在资源有限的硬件设备上实现对番茄叶片病害准确识别,提出改进ShuffleNet v2模型。首先对基本单元进行改进,提出SA-stage模块,使模型密切关注叶片相关特征信息的同时减小了参数量和计算量;其次提出LFN轻量化特征融合模块,实现浅层和深层网络的上下文信息交互;接着引入RFB-s轻量化特征增强模块,增强小目标病害的特征提取;最后将SPD-Conv代替普通卷积和最大池化层,降低图像分辨率的同时保留了番茄叶片病害小目标的细粒度信息。试验结果表明,改进ShuffleNet v2模型在10种番茄叶片病害图像上进行测试,准确率和平均召回率分别达到了96.55%、96.40%,较原模型分别提高了4.44、3.70百分点;参数量和计算量分别为348154、38.75 MB,较原模型分别减少3888、3.88 MB。相比于其他分类模型AlexNet、ResNet50、MobileNet v3等,改进ShuffleNet v2模型不仅准确率最高、参数量和计算量最小,而且权重最小,仅为1.51 MB。该研究提出的改进ShuffleNet v2模型具备在资源有限的移动设备上部署的条件,满足实时、准确地识别番茄叶片病害。 展开更多
关键词 番茄 叶片病害 病害识别 轻量化 参数量
下载PDF
基于改进ATSS模型的水稻叶片病害检测
3
作者 丁士宁 姜明富 +1 位作者 刘丽娟 张莉 《山东农业大学学报（自然科学版）》 北大核心 2024年第1期93-99,共7页
针对传统水稻病害诊断方法依赖人工、容易误判等缺点,提出一种基于ATSS的水稻叶片病害检测模型。首先收集白叶枯病、胡麻斑病、叶瘟病这三种病害图像,构建水稻叶片病害图像数据集。然后在原ATSS模型的基础上,网络Neck部分采用FPN-CARAF... 针对传统水稻病害诊断方法依赖人工、容易误判等缺点,提出一种基于ATSS的水稻叶片病害检测模型。首先收集白叶枯病、胡麻斑病、叶瘟病这三种病害图像,构建水稻叶片病害图像数据集。然后在原ATSS模型的基础上,网络Neck部分采用FPN-CARAFE模块代替特征金字塔网络FPN,以减少上采样过程中的信息损失。同时,为提升模型的检测效果,回归分支的损失函数采用CIoU损失函数代替GIoU。改进ATSS模型的平均精度均值可达74.0%,相比于原ATSS模型提升了3.5%。与模型Retinanet、Faster R-CNN、Cascade R-CNN、FCOS、TOOD相比,改进ATSS模型取得了最高的检测精度,且在检测精度和速度上取得了最高的权衡。实验结果表明,改进后的模型能对水稻叶片病害有效检测。 展开更多
关键词 改进ATSS模型 FPN-CARAFE CIoU损失函数 水稻叶片病害
下载PDF
基于轻量化GMNC-YOLO的苹果叶片病害检测方法
4
作者 李智慧 方焯 田苏育 《计算机应用文摘》 2024年第2期100-102,共3页
针对苹果叶片病害识别中受人为主观因素影响大、传统卷积神经网络识别精度低、网络模型参数量过大等问题,文章提出了一种轻量化GMNC-YOLO检测算法对苹果叶片病害进行检测。该算法以YOLOv5s为基础模型,使用Ghost卷积进行特征提取,以实现... 针对苹果叶片病害识别中受人为主观因素影响大、传统卷积神经网络识别精度低、网络模型参数量过大等问题,文章提出了一种轻量化GMNC-YOLO检测算法对苹果叶片病害进行检测。该算法以YOLOv5s为基础模型,使用Ghost卷积进行特征提取,以实现网络轻量化;采用MobileOne模块替换Neck的C3模块,结合NAM与CBAM设计新的注意力机制模块NCB,以充分挖掘叶片图像中的信息,并提高模型检测精度。实验结果表明,相较于YOLOv5s,改进后的苹果叶片病害检测方法的平均精度提高了3.0%,参数量、FLOPs及权重文件大小分别降低约29.8%、32.5%和26.8%;与当前主流算法对比,GMNC-YOLO具有一定的先进性。 展开更多
关键词 苹果叶片病害检测 YOLOv5 轻量化 MobileOne 注意力机制
下载PDF
改进YOLOv5的水稻叶片病害检测算法研究
5
作者 夏宏懿 谭立新 《电脑与信息技术》 2024年第1期20-22,共3页
针对水稻病害的复杂特征、多尺度和低效率问题,使用深度学习构建了DEFFN-YOLOv5水稻叶病害算法,研究了水稻白叶枯病、稻瘟病和褐斑病。为了提高病害检测精度,改进了原始YOLOv5算法,引入了PixelShuffle上采样模块以还原图像细节。此外,... 针对水稻病害的复杂特征、多尺度和低效率问题,使用深度学习构建了DEFFN-YOLOv5水稻叶病害算法,研究了水稻白叶枯病、稻瘟病和褐斑病。为了提高病害检测精度,改进了原始YOLOv5算法,引入了PixelShuffle上采样模块以还原图像细节。此外,增强了特征提取能力,引入了可变形卷积和轻量的ECA通道注意力模块。通过采用BiFPN来改进PAN模块,增强了信息交互,提高了模型的理解和定位能力。实验证明,改进后的DEFFN-YOLOv5算法在目标检测中的平均精度(mAP)达到86%,比原YOLOv5算法提高了3%。与此同时,计算需求减少了4.6GFLOPs,比原YOLOv5算法减少了27.85%。这些改进使得DEFFN-YOLOv5在水稻病害检测中表现更出色。 展开更多
关键词 DEFFN-YOLOv5 水稻叶片病害检测 PixelShuffle
下载PDF
基于WGAN和MCA-MobileNet的番茄叶片病害识别 被引量：5
6
作者 王志强 于雪莹 +3 位作者 杨晓婧 兰玉彬 金鑫宁 马景余 《农业机械学报》 EI CAS CSCD 北大核心 2023年第5期244-252,共9页
针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络(Multi-scale feature fusion and coordinate attention MobileNet, MCA-MobileNet)模型。采集10类番茄叶片图... 针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络(Multi-scale feature fusion and coordinate attention MobileNet, MCA-MobileNet)模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络(Wasserstein generative adversarial networks, WGAN)进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块(Coordinate attention, CA)嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。 展开更多
关键词 番茄叶片病害 深度学习 生成对抗网络 多尺度特征融合 注意力机制
下载PDF
基于改进YOLOv5s的番茄叶片病害检测方法
7
作者 陶兆胜 石鑫宇 +2 位作者 王勇 伍毅 吴浩 《沈阳农业大学学报》 CAS CSCD 北大核心 2023年第6期712-721,共10页
为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力... 为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明:YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精度均值和召回率分别提高1.9个百分点和2.5个百分点。该模型具有良好的检测精度和检测效果,且该模型在背景复杂的实际种植环境下能够准确地检测并识别不同种类的番茄叶片病害,研究结果可为农业智能管理和番茄叶片病害检测技术的实际应用提供参考。 展开更多
关键词 深度学习 YOLOv5s 卷积神经网络 病害检测 番茄叶片病害
下载PDF
基于AT-DenseNet网络的番茄叶片病害识别方法
8
作者 李云红 张蕾涛 +2 位作者 谢蓉蓉 朱景坤 刘杏瑞 《江苏农业科学》 北大核心 2023年第21期209-217,共9页
针对番茄叶片病害识别方法存在丢失特征信息、易产生过拟合现象和各类样本数据不均匀的问题,提出了基于混合注意力机制的DenseNet的番病叶片病害识别模型AT-DenseNet。该网络模型以DenseNet121为基础,首先,在DenseNet中融入混合注意力... 针对番茄叶片病害识别方法存在丢失特征信息、易产生过拟合现象和各类样本数据不均匀的问题,提出了基于混合注意力机制的DenseNet的番病叶片病害识别模型AT-DenseNet。该网络模型以DenseNet121为基础,首先,在DenseNet中融入混合注意力机制模块,实现特征复用,并对混合特征赋予不同权重,提高特征提取能力;在分类网络前设计过渡层,匹配特征维度;其次,引入Focal Loss损失函数,专注难分类样本,改善类间样本不均匀问题;然后,采用迁移学习方法,导入预训练权重,重构全连接层,增强模型鲁棒性;最后,在数据增强的辅助作用下,用Plant Village数据集中的6种番茄叶片病害图像进行测试,试验结果表明,本研究提出的AT-DenseNet网络模型在测试集上的准确率可达99.49%,并通过设置消融试验、绘制混淆矩阵等,验证了病害识别模型的有效性,可为番茄叶片的病害识别提供参考。 展开更多
关键词 DenseNet 注意力机制 迁移学习 Focal Loss损失函数 叶片病害识别
下载PDF
基于改进YOLOv4算法的苹果叶片病害检测方法 被引量：3
9
作者 赵嘉威 田光兆 +3 位作者 邱畅 刘钦 陈晨 谢尚杰 《江苏农业科学》 北大核心 2023年第9期193-199,共7页
准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、... 准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端,首先,该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络,并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积;其次,为提高检测精度,将卷积注意力机制模块CBAM融合至PANet结构中,可增强对有用特征信息的提取;最后,为了使锚框更适应本研究的数据集,通过K-means聚类算法将模型的锚框信息更新。结果表明,MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点,该研究为苹果叶片的病害检测提供了一种更优的方法,有助于实现精准施药,提高苹果的产量和品质。 展开更多
关键词 MC-YOLOv4算法 苹果 叶片病害检测 卷积神经网络 注意力机制
下载PDF
基于改进SPP-x的YOLOv5神经网络水稻叶片病害识别检测 被引量：1
10
作者 杨波 何金平 张立娜 《中国农机化学报》 北大核心 2023年第9期190-197,F0003,共9页
针对YOLOv5模型在水稻病害叶片检测计算复杂度高,计算速度慢的问题,提出一种基于改进SPP-x的YOLOv5模型水稻病害叶片识别检测方法。首先,将原主干网中SPP模块中3个不同尺寸(5×5、9×9、13×13)的MaxPool层替换为3个尺寸相... 针对YOLOv5模型在水稻病害叶片检测计算复杂度高,计算速度慢的问题,提出一种基于改进SPP-x的YOLOv5模型水稻病害叶片识别检测方法。首先,将原主干网中SPP模块中3个不同尺寸(5×5、9×9、13×13)的MaxPool层替换为3个尺寸相同的5×5 MaxPool层连接,后面通过1×1卷积层来调整输出特征维数,再将YOLOv5网络中优化器替换为Adam,从而构建新的YOLOv5网络结构。通过试验比较SGD和Adam优化器在训练集上的收敛速度,结果表明:改进后的SPP-x模块在运算时间上仅是原SPP的50%,计算精度值达到97%,mAP_0.5和mAP_0.5:0.95两项指标分别收敛于0.983和0.822。试验发现改进SPP-x的YOLOv5模型单张图像检测速度0.34 s,效果良好,能够有效地辅助水稻病害识别。 展开更多
关键词 水稻叶片病害 卷积神经网络 YOLOv5 ResNet 优化器
下载PDF
基于改进ConvNext的复杂背景下玉米叶片病害分类
11
作者 马晓 邢雪 武青海 《江苏农业科学》 北大核心 2023年第19期190-197,共8页
针对玉米叶片病害分类过程中存在叶片背景复杂且背景与被识别叶片具有较高相似度的问题,提出一种改进的ConvNeXt算法。首先通过随机遮挡等数据增强操作多样化病害数据集,增强网络的抗干扰能力,从而提高了模型的鲁棒性。其次,为了提高网... 针对玉米叶片病害分类过程中存在叶片背景复杂且背景与被识别叶片具有较高相似度的问题,提出一种改进的ConvNeXt算法。首先通过随机遮挡等数据增强操作多样化病害数据集,增强网络的抗干扰能力,从而提高了模型的鲁棒性。其次,为了提高网络的分类准确度,在ConvNeXt网络的基础上融合多个注意力模块,使网络更加关注具有判别性的特征,以减少背景的干扰,并在注意力模块中使用LeakyReLu激活函数从而避免网络在输入为负值时神经元不学习的情况。最后,以具有3种玉米常见叶片病害的图像和健康叶片作为分类样本,采用改进后的ConvNeXt模型与相同样本数量和条件下的原ConvNeXt、ResNet50以及Swin Transformer进行试验和对比分析,试验表明,改进后的网络模型在测试集的平均分类准确率为91.77%,优于ResNet50(85.64%)、ConvNeXt-T(79.91%)和Swin Transformer(89.09%)3个对比模型,证明了通过改进后的ConvNeXt进行叶片病害的特征提取,提高了在复杂背景下玉米叶片病害的分类精度。 展开更多
关键词 图像分类 ConvNeXt 注意力机制 数据增强 玉米 叶片病害
下载PDF
面向神经网络结构搜索的植物叶片病害增强识别方法
12
作者 代国威 田志民 +1 位作者 樊景超 王朝雨 《西北林学院学报》 CSCD 北大核心 2023年第5期153-161,193,共10页
针对植物病害识别模型结构复杂且依赖于人为设计网络结构等问题,通过神经网络结构搜索(NAS),提出一种基于队列分块的神经网络结构搜索方法(NNSS),可实现超轻量级高精度植物叶片图像识别模型的自动构建。首先将12种在经济和环境下有益的... 针对植物病害识别模型结构复杂且依赖于人为设计网络结构等问题,通过神经网络结构搜索(NAS),提出一种基于队列分块的神经网络结构搜索方法(NNSS),可实现超轻量级高精度植物叶片图像识别模型的自动构建。首先将12种在经济和环境下有益的植物共计22类植物叶片图像作为训练样本,利用模糊c均值聚类(FCM)算法分割植物叶片的感染点,以获得叶片受关注的区域信息;通过图像像素的灰度空间相关性,采用快速灰度共生矩阵(FGLCM)算法提取6类受关注区域的纹理特征信息,获得的特征向量运用主成分变换选择重要特征;提出队列分块的局部搜索空间构造方法,将特征信息通过自动构建的模型进行分类。结果表明,NNSS方法取得了98.33%的准确率,特异性和灵敏性表现最优。相比于AlexNet、GoogLeNet、InceptionV3和VGGNet-16模型,改进VGG-INCEP16模型的性能得到进一步提升,但仍低于NNSS方法,这是由于该方法能结合数据集搜索合适的网络结构,对比次优VGG-INCEP16模型准确率至少提高了2.1%。研究结果显示,NNSS方法能够实现准确识别植物病害,对于神经网络模型结构自动搜索的未来具有较高的实际应用价值。 展开更多
关键词 图像处理 神经网络结构搜索 模糊C均值聚类 快速灰度共生矩阵 叶片病害识别
下载PDF
基于改进ConvNeXt的大豆叶片病害分类研究
13
作者 马晓 董天亮 +3 位作者 钟闻宇 薄小永 黄斌 武青海 《大豆科学》 CAS CSCD 北大核心 2023年第6期733-741,共9页
针对现有的卷积神经网络在大豆叶片病害分类中存在复杂背景干扰的问题,提出一种改进的ConvNeXt算法,并对大豆两种常见病害以及健康叶片进行分类识别。通过在传统ConvNeXt算法的基础上增加多个注意力模块,使网络更能关注具有辨别性的特征... 针对现有的卷积神经网络在大豆叶片病害分类中存在复杂背景干扰的问题,提出一种改进的ConvNeXt算法,并对大豆两种常见病害以及健康叶片进行分类识别。通过在传统ConvNeXt算法的基础上增加多个注意力模块,使网络更能关注具有辨别性的特征,并选用LeakyReLu激活函数代替ReLu激活函数,避免神经元失活的现象。此外通过对数据集进行数据增强,操作多样化病害数据集,提升网络的鲁棒性。结果表明:改进的ConvNeXt算法对大豆叶片病害在测试集上的平均分类准确率均优于原ConvNeXt、ResNet50以及Swin Transformer 3个对比模型。在数据增强后,测试集上的平均识别准确率达到85.42%,研究结果可为解决复杂背景信息干扰情况下大豆叶片病害图像分类提供参考。 展开更多
关键词 图像分类 ConvNeXt 注意力机制 数据增强 大豆叶片病害
原文传递
基于注意力机制和残差网络的苹果叶片病害分类
14
作者 吴刚正 蔡成岗 朱瑞瑜 《江苏农业科学》 北大核心 2023年第18期177-185,共9页
苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源,进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率,提出一种残差网络与注意力机制结合的苹果叶片病害识别模型:P-D-ECA-ResNet101。首先构建苹果叶片病害数... 苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源,进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率,提出一种残差网络与注意力机制结合的苹果叶片病害识别模型:P-D-ECA-ResNet101。首先构建苹果叶片病害数据集,然后使用常见的4种网络模型在构建的数据集上进行训练,选取训练效果最好的ResNet101为骨干网络模型,通过推迟下采样(delayed downsampling)、拆解大卷积层以及引入高效通道(efficient channel attention module,ECA)注意力模块对ResNet101网络模型进行优化,最后通过特征图可视化展示改进后网络模型的识别机制。试验结果表明,推迟下采样可以增强模型特征提取能力,拆解大卷积层可以有效减少模型的复杂度,引入ECA注意力模块可以削弱无效特征信息对模型的干扰。改进后的P-D-ECA-ResNet101模型在构建的苹果叶片病害测试集上的平均识别准确率达到96.20%,相较于原模型ResNet101提升了2.20百分点。特征图可视化分析表明改进后的P-D-ECA-ResNet101模型可以更好地聚焦于病斑区域。本研究提出的P-D-ECA-ResNet101模型较ResNet101模型具有更深的网络结构,更好的特征提取能力,更强的抗干扰能力,可为田间环境下的苹果叶片病害识别提供参考。 展开更多
关键词 苹果叶片病害分类 注意力机制 特征提取 残差网络 P-D-ECA-ResNet101
下载PDF
基于多尺度特征度量元学习的玉米叶片病害识别模型研究
15
作者 惠巧娟 孙婕 《江苏农业科学》 北大核心 2023年第9期199-206,共8页
传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大,基于此,提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先,利用Vgg-16、Swin Transformer网络,将玉米叶片病害图片映射到全局和局部特征空间;然... 传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大,基于此,提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先,利用Vgg-16、Swin Transformer网络,将玉米叶片病害图片映射到全局和局部特征空间;然后,利用多尺度特征融合网络,实现全局和局部特征的深度融合,强化特征的分类能力;最后,利用无参数元学习网络,实现待测玉米叶片病害图片与特征集之间的度量,根据度量结果,实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试,所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销;相比其他经典玉米叶片病害识别模型,具有更强的鲁棒性和泛化性能。 展开更多
关键词 玉米叶片病害识别 多尺度特征 度量元学习 全局和局部特征 Swin Transformer
下载PDF
基于改进YOLOv5s的苹果叶片病害检测研究
16
作者 浦宁 魏霖静 《软件》 2023年第10期11-15,共5页
目前苹果叶片病害检测技术仍然存在检测精度低、效率低的问题。对此,本文提出一种基于改进YOLOv5s的算法进行病害识别。首先,增加小目标检测层改进漏检问题,提高检测精度;其次,引入双向特征金字塔结构加强特征提取,融合多尺度特征扩大视... 目前苹果叶片病害检测技术仍然存在检测精度低、效率低的问题。对此,本文提出一种基于改进YOLOv5s的算法进行病害识别。首先,增加小目标检测层改进漏检问题,提高检测精度;其次,引入双向特征金字塔结构加强特征提取,融合多尺度特征扩大视野;最后,将损失函数替换为SIo U,解决了预测框和真实框方向不匹配问题。实验结果表明:改进后的算法在Original数据集上mAP0.5为95.4%,比传统的YOLOv5s提升了3.3%。改进后的算法在复杂度没有发生很大变化的基础上明显提升了算法性能。 展开更多
关键词 叶片病害 加权双向特征金字塔 目标检测 YOLOv5
下载PDF
基于MATLAB的黄瓜叶片病害等级识别系统设计
17
作者 王学梅 杨木勇 +1 位作者 杨伟 文想成 《现代农业科技》 2023年第10期85-88,共4页
为解决作物病害图像识别准确率低的问题,本研究以黄瓜叶片病害图像为研究对象,首先建立SVM模型,利用数据集训练取得模型并本地化,然后基于MATLAB平台搭建了黄瓜叶片病害等级识别系统。结果表明,通过输入图片,系统可自动识别黄瓜叶片病... 为解决作物病害图像识别准确率低的问题,本研究以黄瓜叶片病害图像为研究对象,首先建立SVM模型,利用数据集训练取得模型并本地化,然后基于MATLAB平台搭建了黄瓜叶片病害等级识别系统。结果表明,通过输入图片,系统可自动识别黄瓜叶片病害等级并输出,平均预测准确率为91.25%。本研究可为农作物病害识别技术的发展提供参考。 展开更多
关键词 MATLAB平台 叶片病害 等级识别 应用设计
下载PDF
基于K-means的植物叶片病害智能检测系统的设计与仿真
18
作者 樊东燕 《山西电子技术》 2023年第3期6-9,共4页
传统的农作物叶片病害识别方法采用支持向量机对图像进行分类识别。由于训练收敛误差大,识别精度不高。针对上述问题,本文通过对采集到的叶片图像进行K-means聚类算法分割叶片图像中受感染的区域,再用CNN网络进行特征提取及识别分类,实... 传统的农作物叶片病害识别方法采用支持向量机对图像进行分类识别。由于训练收敛误差大,识别精度不高。针对上述问题,本文通过对采集到的叶片图像进行K-means聚类算法分割叶片图像中受感染的区域,再用CNN网络进行特征提取及识别分类,实现对农作物叶片病害的检测。仿真实验数据表明,设计的算法模型收敛误差小,识别精度高,适用于植物叶片病害智能检测系统。 展开更多
关键词 植物叶片病害 K-MEANS 智能检测系统
下载PDF
基于改进的VGG13网络的番茄叶片病害识别
19
作者 肖靓瑶 方焯 《计算机应用文摘》 2023年第2期85-88,92,共5页
针对当前农作物病害的卷积神经网络识别率低等问题,文章构建了Bilinea-VGG13模型,以番茄叶片病害细粒度图片作为实验数据集,用来测试文章网络的识别性能。将VGG13网络为基础,在连接层之前加入局部池化层和双线性池化(Bi1inear Poo1),能... 针对当前农作物病害的卷积神经网络识别率低等问题,文章构建了Bilinea-VGG13模型,以番茄叶片病害细粒度图片作为实验数据集,用来测试文章网络的识别性能。将VGG13网络为基础,在连接层之前加入局部池化层和双线性池化(Bi1inear Poo1),能够降低网络维度,减少参数和计算量,并且使网络能降低图片背景信息的干扰,充分提取细粒度特征,提升模型的准确率。改进后模型的准确率为98.07%,明显优于常规的卷积神经网络。为了进一步衡量网络的性能,利用测试集得出混淆矩阵计算出精确度、召回率和平均交互比(MIoU),分别为97.52%、96.44%和96.65%。实验结果表明,该方法能够有效提升模型的分类识别能力。同时,为了验证文章网络的迁移性,分别分类识别土豆、玉米和苹果的病害叶片图像,得到较高的准确率,为识别分类病害图像提供一种新的思路。 展开更多
关键词 番茄叶片病害 卷积神经网络 细粒度图像 双线性池化 图像分类
下载PDF
基于RSTCNN的小麦叶片病害严重度估计 被引量：6
20
作者 鲍文霞 林泽 +3 位作者 胡根生 梁栋 黄林生 杨先军 《农业机械学报》 EI CAS CSCD 北大核心 2021年第12期242-252,263,共12页
以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional n... 以小麦叶片条锈病和白粉病为研究对象,针对同类型病害的不同严重度之间的图像颜色及纹理特征差异较小,传统方法病害严重度估计准确率不高的问题,提出一种基于循环空间变换的卷积神经网络(Recurrent spatial transformer convolutional neural network,RSTCNN)对小麦叶片病害进行严重度估计。RSTCNN包含3个尺度网络,并由区域检测子网络进行连接。每个尺度网络以VGG19作为基础网络以提取病害的特征,同时为了统一区域检测过程中前后特征图的维度,在全连接层前引入空间金字塔池化(Spatial pyramid pooling,SPP);区域检测子网络则采用空间变换(Spatial transformer,ST)有效提取尺度网络特征图中病害的注意力区域。小麦叶片病害图像通过每个尺度网络中卷积池化层得到的特征图,一方面可作为预测病害严重度类别概率的依据,另一方面通过ST进行注意力区域检测并将检测到的区域作为下一个尺度网络的输入,通过交替促进的方式对注意力区域检测和局部细粒度特征表达进行联合优化和递归学习,最后对不同尺度网络的输出特征进行融合再并入到全连接层和Softmax层进行分类,从而实现小麦叶片病害严重度的估计。本文对采集的患有条锈病和白粉病的小麦叶片图像结合数据增强方法构建病害数据集,实验验证了改进后的RSTCNN在3层尺度融合的网络对病害严重度估计准确率较佳,达到了95.8%。相较于基础分类网络模型,RSTCNN准确率提升了7~9个百分点,相较于传统的基于颜色和纹理特征的机器学习算法,RSTCNN准确率提升了9~20个百分点。结果表明,本文方法显著提高了小麦叶片病害严重度估计的准确率。 展开更多
关键词 小麦 叶片病害 严重度估计 循环空间变换卷积神经网络
下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 2 … 5 下一页 到第 页
使用帮助 返回顶部