面向中药材种植过程的深度学习模型研究
这是一篇关于中药材,适生区,病害识别,产量预测,深度学习的论文, 主要内容为中药材种植业处于中医药产业链的源头,直接影响药材品质,关乎中医疗效和中医药的继承与发展,论文针对中药材种植过程核心问题开展模型研究,为中药材引种栽培提供辅助决策,实现高效化管理,促进中药材种植科学化和现代化。论文基于中药材生态适宜性发现其潜在适生区,在中药材种植的田间管理环节中开展其叶部病害识别,结合中药材相关时间序列数据进行产量预测,构建中药材种植过程系统服务平台原型。论文工作内容如下:1.针对中药材潜在适生区亟待发现的问题,提出基于深度支持向量数据描述的中药材适生区预测模型。由于生态环境因子的数据格式不统一,使用t-SNE算法统一转换与融合,使用深度支持向量数据描述模型将融合后的数据以非线性方式映射到高维特征空间,在特征空间寻找体积最小的超球体(最优超球体),落在最优超球体内的地区样本点,则认为该地区适宜此中药材的生长;反之,则不适宜此中药材的生长。针对中药材丹参数据的实验结果表明,AUC(Area Under Curve)值为99.65%。2.针对人工判别药用植物叶部病害种类存在成本大、识别错误率高等问题,提出基于深度可分离卷积神经网络的中药材叶部病害识别方法。首先,基于PlantVillage数据集预先训练Inception、ResNet等模型;其次,将得到的网络结构迁移至叶部病害数据集后再进行微调;最后,融入深度可分离卷积操作和随机池化层减少参数量,并防止过拟合,实现叶部病害识别。实验结果表明,模型识别准确率达97.03%。3.针对生态环境数据训练中药材种植产量预测模型产生计算复杂度高且精度较低的问题,提出基于注意力机制的卷积神经网络-长短期记忆网络的中药材产量预测方法。以卷积神经网络和长短期记忆网络为基础,引入注意力机制实现自动权重大小分配以解决信息冗余问题。实验结果表明,在玉米和土豆产量数据集的均方根误差值分别是30.26和10.34,皮尔逊相关系数分别为83.26%和80.73%。4.设计并实现中药材种植过程服务平台,通过采用浏览器/服务器(B/S)架构,并选择Java开源轻量级框架Spring Boot进行平台开发。本平台包括用户管理、数据管理和种植管理功能,从适生区分布预测、叶部病害识别和产量预测三个方面为中药种植过程提供辅助决策。
基于图像识别的冬小麦叶部主要病害诊断研究
这是一篇关于冬小麦,数字图像处理,病害识别,Matlab的论文, 主要内容为本文从农业实际生产出发，围绕冬小麦叶部主要病害的快速诊断，将冬小麦病害识别的专家知识与数字图像处理技术、模式识别相结合，综合运用Matlab和Java Web技术，研究实现了冬小麦叶部主要病害图像的诊断识别。研究的主要内容及取得的进展主要有以下几个方面： 1、在病害图像增强方面，比较了直方图均衡化、维纳滤波及中值滤波3种增强算法的效果与差别，结果表明直方图均衡化处理效果不佳，而维纳滤波和中值滤波可以对图像的边缘及细节信息得到较好的保留，增强效果较为满意，其中中值滤波运算简单，对椒盐噪声特别有效，因此在系统的实现过程中采用中值滤波对病害图像进行增强处理。 2、在图像的病斑分割方面，比较了阈值化分割、形态学梯度及选取ROI分割3种算法的效果与差别，结果表明阈值化分割方法较依赖用户的主观评判，且由于多数图像的直方图是离散不规则的，因此对阈值的选取存在较大分歧，而选取ROI分割方法比其他2种方法具有更好的直观性和简单性，可以直接实现对彩色图像分割，且分割效果较好，准确率达96%，因此在系统的实现中选用选取ROI分割方法进行图像的病斑分割。 3、在特征提取及识别方面，主要对病斑图像进行颜色、形状及纹理特征的提取，并将提取的特征值按训练集的格式保存在文本文件中，特征向量中主要包括3种颜色特征、5种形状特征和5种纹理特征，图像识别主要是采用最大似然分类和支持向量机分类算法，两者对识别病斑叶片的正确率达89.7%、87.7%，其中对白粉病的识别正确率最高，达到98.9%、99.3%。 4、构建了一个基于B/S（浏览器/服务器）、J2EE三层架构开发模式、MVC（模型、视图、控制器）及其Struts实现的冬小麦叶部主要病害诊断系统，该系统主要借助Matlab图像处理工具箱中的相关处理函数及MyEclipse集成开发环境，采用MySQL数据库、Tomcat6.x服务器进行开发并完成。该系统主要包含图像处理、病斑识别及标准病斑图像库3个模块，实现用户上传病害图像，并进行图像增强、分割等处理，其次提取上传图像中的病斑信息，结合数据库中的病斑信息进行分类，得出上传图像的病害归属，同时可以查询该病害的相关病情及防治措施。此外，系统后台建立的数据库包含大量的标准病斑图像，用户也可以通过查看标准病斑库，了解各类病害图像的相关信息。
基于模型压缩的棉花病害识别方法研究
这是一篇关于卷积神经网络,病害识别,模型压缩,剪枝,知识蒸馏,迁移学习,Android的论文, 主要内容为棉花是一种重要的经济作物,但其生长经常受到各种病害的影响。棉花病害是导致棉花产量和质量下降的主要原因之一,因此棉花病害的识别与防治尤为重要。目前,在田间的识别方式主要依靠人眼观察,其主观性强、效率低。近年来,深度神经网络在植物病害识别应用中表现出了极高的准确率,但其卓越的性能是以高存储和高计算成本为代价的,训练这些深度学习网络需要使用图形处理单元专用硬件。而随着深度学习和智能设备的发展,在移动/边缘设备上部署深度学习模型,实现田间病害的智能化识别已成为一种趋势。基于手机的移动应用程序将更方便农民在病害识别中使用,但是手机的计算资源和存储空间有限,难以部署这些庞大的深度学习网络。为了解决这个问题,本文提出使用剪枝和知识蒸馏两种算法压缩基于深度卷积神经网络的棉花病害识别模型,在确保模型准确率的前提下降低卷积神经网络的模型复杂度和参数量,以满足在移动/边缘设备上部署的条件,从而提高深度学习模型的实用性。本文完成的主要工作如下:(1)基于剪枝的简单背景图像的植物病害识别。针对植物病害识别模型参数量大和计算复杂的问题,本文利用BN层中的γ系数进行通道剪枝,实现对VGG16、Res Net164和Dense Net40三种病害识别网络的压缩。在Plant Village数据集上的实验结果表明,将剪枝率设为80%时压缩的三个模型中,Dense Net40-80%准确率最高,达到99.68%,且模型的参数量最少,仅为0.27M。VGG16-80%的压缩效果最明显,与其基准网络VGG16相比,剪掉了97.83%的参数和96.77%的FLOPs。以上实验结果证明了该算法在植物病害识别领域的有效性。(2)基于迁移学习和剪枝的自然场景图像的棉花病害识别。首先,针对棉花病害样本公开资源稀少的情况,本文收集了8种棉花病害图像,总计2151张。为了解决该数据集类别样本数量分布不平衡的问题,采用数据增强的方式扩充了数量较少的三类病害样本,扩充后总计2723张。然后,针对棉花数据集小、数据集品质差、剪枝会损失准确率等问题,结合迁移学习提出了两种基于棉花数据集的压缩策略。具体而言,第一种是迁移学习后的压缩。该方法首先使用原始模型在Plant Village数据集上进行训练,然后将训练好的模型作为预训练模型,通过迁移学习在棉花数据集上微调,最后通过通道剪枝来压缩棉花病害识别模型。第二种是压缩后的迁移学习。该方法是先在Plant Village数据集上对原始的三种网络进行模型剪枝,然后再将剪枝后的紧凑模型作为预训练模型在棉花数据集上进行微调,以得到棉花病害识别紧凑模型。实验结果表明,采用第二种策略压缩的三种模型的准确率分别为90.77%、96.31%和97.23%,参数量和FLOPs与第一种几乎一致。对比得出,应用第二种策略压缩的模型的准确率略好于第一种策略。此外,将压缩后的模型与一些著名的轻量级网络进行了对比实验,得出压缩模型更胜一筹。(3)基于知识蒸馏的自然场景图像的棉花病害识别。针对深度卷积神经网络规模大但准确率高,而轻量级网络结构精简但准确率较低的问题,提出了一种基于知识蒸馏的棉花病害识别方法。该方法采用添加了点自适应的知识蒸馏算法对三种深度卷积神经网络进行了压缩。具体而言,将VGG16、Res Net164和Dense Net40作为教师网络,Mobile Net V2和Shuffle Net V2轻量级网络以及与教师网络同结构的三种小网络作为学生网络进行知识蒸馏。实验结果表明,比较9种知识蒸馏算法下的蒸馏效果,添加了点自适应的NST算法在本文数据集和网络下表现出了更好的鲁棒性。综合分析,结合迁移学习和剪枝的压缩策略比知识蒸馏方法表现更优。(4)棉花病害识别模型的部署。本文选择准确率最高的Dense Net40-80%-T作为移动端的部署模型,并基于Android平台开发出一款棉花病害识别APP。该APP通过调用手机摄像头或相册获取待识别的图像,并将识别后结果返回到手机界面。在OPPO A5手机上的测试结果表明,识别一张图片的平均时间仅为87ms。
基于深度学习的苹果叶部病害识别及应用
这是一篇关于卷积神经网络,病害识别,病害检测,病害严重程度估计的论文, 主要内容为苹果种植过程中容易受到病害侵染,影响我国苹果产业的健康发展。苹果叶部病害是一种患病部位位于果树叶片上的苹果病害,叶片患病后通常会变色甚至脱落,从而削弱树体的抗病能力,降低苹果的产量和品质,造成经济损失。因此,快速、准确地识别出苹果叶部病害的类别及严重程度,对于精准防治苹果病害,减少由此带来的经济损失具有重要意义。传统意义上最常用的病害识别和严重程度估计方法是由植保专家根据以往的经验进行鉴定,但是由于鉴定手段的主观性,加上农作物本身具有复杂的外部形态,因此很难对其进行精准识别。计算机技术的飞速发展使苹果叶部病害的自动化识别成为可能,大量研究人员利用计算机视觉技术进行识别,大多采用传统图像处理方法,该方法主要是人工对病害叶片的特征进行选择和提取,不仅费时、费力,而且普适性和迁移性较差。近年来,卷积神经网络在图像识别领域取得了优异的成绩,卷积神经网络无需手动选择特征,而是通过网络训练自动提取图像特征,比传统图像处理方法效率更高。本文以苹果疮痂病、黑腐病、锈病叶片为研究对象,使用卷积神经网络对病害进行识别和严重程度估计。本文的主要研究内容及结论如下:(1)建立了一个包含苹果疮痂病、黑腐病、锈病三种苹果叶部病害的图像数据集。该数据集主要由两种不同背景的病害图像组成,一种为简单背景,为实验室场景下拍摄,背景通常为单一的白、黑板,共收集到892张,另一种为复杂背景,为真实果园场景下拍摄,代表了叶片在果园内真实的生长环境,共收集到998张。采用数据增强的方法将图像数据扩增至10020张,对其进行归一化处理,最终建立苹果叶部病害图像数据集。(2)以Shuffle Net v2轻量级卷积神经网络模型为基础,提出了一种改进型Shuffle Net＿ours苹果叶部病害识别模型。该模型首先对原始基本残差单元进行改进,通过引入双层深度可分离卷积和SE通道注意力模块以提高模型的特征提取能力,移除主分支末端的点卷积以降低复杂度。使用改进后的基本残差单元构建网络模型,为使网络在第一个卷积层提取到足够多的特征,将第一个卷积层和最大池化层输出通道数量从24扩展为32,并对模型的全连接层进行初始化,使用3个目标的Softmax分类器替换掉原始Softmax分类器。结果表明:该模型能有效地识别出苹果疮痂病、黑腐病和锈病叶片的类别,在测试集上的平均识别准确率达到了96.81%,在相同实验条件下将其与Mobile Net v2、Mobile Net v3 large、Ghost Net、Shuffle Net v2 1×、Shuffle Net v2 1.5×模型进行对比,该模型在识别准确率、模型复杂度、模型参数量、模型大小等方面都具有一定的优势,综合诊断性能良好,可以满足果农对病害识别精度的需求。(3)以YOLOv5目标检测模型为基础,提出了一种改进型YOLOv5＿ours苹果叶部病害检测模型,并基于该模型对病害的严重程度进行估计。该模型将原始主干特征提取网络中SPP模块之前的部分用去掉了Conv5层和FC层的Shuffle Net＿ours模型进行替换,并将SPP模块之后含有大量参数的CSP2＿x模块用深度可分离卷积进行替换,为进一步降低网络的计算量,将颈部网络的输出通道数量统一设置为128。结果表明:该模型对三种病斑和病叶检测的m AP@0.5达到了79.5%,FPS达到了151f/s,在相同实验条件下将其与YOLOv3、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x目标检测模型在m AP@0.5、FPS、模型大小等方面进行对比,该模型在各方面具有更加优异的性能。最终根据该模型目标检测的结果计算单张图像中各类别病斑区域和病叶区域检测框总面积的比值,并参照病害严重程度的分级标准来估计病害的严重程度。(4)为了更好地实现苹果叶部病害识别的应用,设计并开发了一款苹果叶部病害识别及严重程度估计系统。该系统基于Flask和Vue框架,集图像上传、病害识别、病害严重程度估计、结果展示等多个功能模块于一体,可以作为果农日常使用的一款苹果叶部病害诊断工具。本文提出的苹果叶部病害识别和严重程度估计方法及应用可以实现苹果疮痂病、黑腐病、锈病的有效识别及严重程度估计,可为设计高效、轻量的病害诊断模型提供思路和参考。
基于卷积神经网络的番茄叶片病害识别与分类研究
这是一篇关于卷积神经网络,病害识别,目标检测,图像分类,深度学习的论文, 主要内容为番茄检疫是保护番茄生长的一个重要过程,保障了务农人员能够快速高效的对番茄病害进行处理,从而保障番茄的产量和品质。番茄病害种类繁多,发病时间不确定,传统的计算机视觉方法对病害识别非常依赖于人工经验,耗费大量的人力物力,提高了生产成本。目前利用深度卷积神经网络对番茄病害识别一般都基于一些背景干净,目标单一的简单数据集,当投入到实际运用中往往达不到好的效果。同时由于深度卷积神经网络的计算量比较大,对设备的要求比较高,不利于务农人员对番茄病害进行实时识别。因此本文提出了一种基于轻量级的目标检测和目标分类相结合的方法,达到在复杂背景,多目标的情况下对番茄病害进行实时识别,具体的研究内容如下:(1)数据集的获取和制作:通过爬虫将互联网上番茄病害的图片批量下载,根据网络上已有的番茄病害数据集进行整合,经过图像增强方式进一步扩充数据集,利用Label Img软件对番茄叶片区域进行一一标注,构建完成番茄叶片识别数据集。(2)构建番茄叶片病害识别网络:本文以YOLO v3为基础构建番茄叶片病害识别模型,利用轻量级网络Mobile Net v2代替Darknet53作为YOLO v3的主干网络,加入了SPP模块,并修改了Anchor box的尺寸。使用番茄叶片识别数据集进行模型训练。实验结果表明本模型改进的有效性,通过与Faster R-CNN,SSD,和YOLO其他系列算法对比,证明了本文改进的YOLO v3＿mobv2＿spp模型具有高精确度和实时性。(3)构建番茄叶片病害分类网络:本文基于轻量级网络Shuffle Net v2,将Shuffle Net v2基本模块中所有3×3的卷积核替换成5×5的卷积核,并在主干分支加入SE模块,在增大感受野和提高模型的表达能力的同时控制了计算量。为了减少训练的时间,本文利用迁移学习冻结部分卷积层,利用目标识别得到的番茄叶片进行训练,在验证了改进模型的有效性之后与同样拥有残差模块的Res Net50,Mobile Net v2,Shuffle Net v2进行对比实验,证明了模型的可靠性和优越性。本文利用深度卷积神经网络完成了对番茄叶片识别和番茄病害分类网络,数据集的制作更加贴近于实际应用,针对于复杂背景,多目标,优化后的网络不仅在准确率上有很大的提升,模型训练时间大大减少。因此本模型可以更好的应用于移动端或嵌入式设备,为务农人员及时识别番茄病害提供了帮助。
基于深度学习的柑橘叶片病害识别研究
这是一篇关于深度学习,柑橘,病害识别,迁移学习,识别系统的论文, 主要内容为柑橘,原产地中国,在中国已有4000多年的种植历史。2000多年前,中国古代的伟大爱国诗人屈原曾以《橘颂》赞扬柑橘树,表达爱国之情。除了文化地位以外,柑橘同样是中国南方地区种植面积最大,经济地位最为重要的果树,柑橘果树在其培育过程中,往往会因为病害问题而造成较为严重的经济损失,柑橘病害发生时,其叶片会发生形态特征上的变化,基于此,本文将围绕柑橘叶片的病害识别展开研究。近年来,随着机器学习和深度学习发展研究的深入,使用电子终端识别农作物病害成为智慧农业发展的一个大方向,本文基于前期优化处理的柑橘叶片病害数据集,研究基于深度学习模型的柑橘病害分类方法,为智慧农业提供强有力的技术方案,本文进行的工作任务如下:1)数据采集与预处理通过网络爬虫采集和林间自主拍摄的方式,采集了包括柑橘黄龙病叶,炭疽病叶,溃疡病叶以及健康叶四种类型柑橘叶片的图像样本共计1351张,为防止图像数据数量少、样本不平均导致的过拟合现象,采用了镜像、旋转、噪声等技术对数据进行扩充,扩充后的样本数量为8106张,构建了适合深度学习网络模型进行训练的柑橘病叶数据集。2)基于深度学习的柑橘叶片病害识别模型研究以深度学习为主要手段,通过实验对比了9种目前深度学习领域主流的网络模型在本文数据集上的识别准确率,结果表明Efficient Net(96.7%)、Shuffle Net v2(96%)、Dense Net121(95.6%)三种网络模型在处理识别柑橘叶片病害的问题上优于其他几种模型。3)基于深度学习的柑橘叶片病害识别模型的优化研究对上述三种网络模型进行进一步的优化,针对模型的优化算法、学习率衰减策略进行探讨,考虑到本文的数据量较少,还引入了迁移学习对模型进行优化,发现几种方式对模型准确率的提升均有帮助,但迁移学习对于模型的优化效果最好,优化后的模型准确率达到Dense Net121(99.6%)、Efficient Net(99.6%)、Shuffle Net v2(99.4%)。4)柑橘叶片病害识别系统经过对比研究,将迁移学习后的Shuffle Net v2网络模型集成了柑橘叶片病害识别系统。该系统分为病害识别、病害防治、农业新闻三个部分。其中,病害识别模块通过识别用户上传的病叶,根据识别结果返回对应的病害治理方法;病害防治模块收录了柑橘部分常见病害的主要防治手段、种植技巧、注意事项等内容;农业新闻模块运用爬虫技术和定时任务技术按周期更新实时的农业相关新闻,增加了系统的可用性和拓展性。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码项目助手 ，原文地址：https://bishedaima.com/lunwen/46260.html
