基于深度学习的葡萄叶片病害识别方法研究
这是一篇关于深度学习,病害识别,病斑分割,注意力机制,病害分级的论文, 主要内容为葡萄的种植在我国具有悠久的历史,不仅具有较好的营养价值,同时广泛应用于酿酒行业,但其规模化种植也会导致叶片病害的发生。如果不及时治理,将会影响到果实的品质,导致产量减少等不良后果。为了应对病害的发生,通常采用提前喷洒农药预防病害发生,但是在农药喷洒过程中存在农药施药过量问题,不仅污染环境,而且增加了种植成本。传统的病害识别技术对于干扰物较多、杂物颜色形状与目标近似的农作物图像效果并不理想,对病害的识别率低,漏检、误检现象较多。传统分割方法如阈值分割、K-means聚类、分水岭算法等,容易造成过分割、错误分割,且对噪声敏感,分割效果欠佳。因此,为了更好解决农药污染、减少农药滥用问题,研究更为准确、效率更高的葡萄叶片病害识别算法有重要的意义。当前,深度学习在农业领域的广泛应用,为葡萄叶片病害的无损检测提供了理论基础。基于深度学习的图像识别方法实现了叶片病害种类的准确识别,而基于深度学习的图像分割方法实现了叶片病斑区域的准确分割。最终,将深度学习应用于葡萄叶片病害的识别与检测,实现了对染病程度的准确判定,为葡萄叶片病害早期防治提供了较好的技术支持。本文将基于卷积神经网络理论与图像分割算法,开展对葡萄叶片病害的识别和分级研究,给葡萄叶片病害的早期智能诊断提供新的思路。研究工作如下:(1)考虑到实验中收集整理的图像数量有限,拍摄图像尺寸不一致,本文使用旋转、平移、错切、尺度变换等数据增强技术对原始数据集进行扩充。同时,针对葡萄病害数据集图像尺寸不同的问题,在图像输入到模型前对其进行缩放,保持数据集中图像尺寸一致。最后,对数据集进行手工标注,并制作为标准数据集,为后续实验研究做准备。(2)针对现有的葡萄叶片病害病斑小且密集,导致小目标病害识别准确度较低,对于干扰物较多的图像,易出现目标漏识别的问题,提出了一种基于注意力机制的YOLOv5s模型(CB-YOLOv5s)。该模型主要通过在YOLOv5s中引入CBAM注意力机制,将注意力机制嵌入到骨干网络的卷积层内,以提升对较小病斑的特征提取能力及易被忽略叶片疾病的检测效果,通过在模型中改用EIo U Loss作为网络回归损失函数,以加快模型收敛速度,提高识别准确率,改进后m AP值为92.6。(3)针对葡萄叶片病害病斑区域大小形状随发生时期、发生程度变化,导致分割过程中因目标形状大小不一,对图像中较大或较小的病斑分割能力较差的问题,提出一种基于Inception多尺度模块的U-Net模型(IN-Unet),用于葡萄叶片病害图像分割。将多尺度特征提取模块加入到每个下采样层中,通过concat操作,实现多尺度特征的融合,解决由于目标尺寸不一致而导致分割效果不佳,提高模型性能,改进后的MPA值为84.79。并计算病斑区域以及叶片区域的相对面积比,实现病害分级诊断。
基于高光谱/可见光的甜瓜白粉病早期识别与严重度分级研究
这是一篇关于甜瓜,白粉病,早期识别,病害分级的论文, 主要内容为甜瓜白粉病是甜瓜生产中常见且危害严重的病害之一。甜瓜白粉病早期无明显症状,一旦扩散会造成严重损失,同时染病程度不同导致精准防治难度极大,因此甜瓜白粉病的早期识别和病害分级研究对防治白粉病、提高甜瓜的产量和质量具有重要意义。本研究使用高光谱成像技术实现甜瓜白粉病的早期识别,通过深度学习方法对甜瓜白粉病进行叶片与病斑的分割以实现病害严重度分级,并开发甜瓜白粉病识别与分级系统,旨在为甜瓜白粉病防治提供有效技术手段。主要研究成果如下:(1)基于高光谱特征提取的甜瓜白粉病早期识别为实现甜瓜白粉病早期识别,本文采集不同天数的甜瓜健康叶片和未显现状态下染病叶片的光谱数据,采用连续投影算法(SPA)、竞争性自适应重加权算法(CARS)算法和主成分分析算法(PCA)分别提取8个、9个特征波长以及4个主成分,并基于原始波长和提取的特征数据结合随机森林(RF)和自适应增强(Ada Boost)两种集成学习算法,构建出8种甜瓜白粉病早期识别模型。结果表明,SPA-Ada Boost模型平均准确率达到93.5%,对第1天染病叶片的识别准确率可达93.3%,且所提取的特征波段较原始波段减少了93.75%。这表明本文所提出的甜瓜白粉病早期识别模型在减少特征波段的同时,可实现对甜瓜白粉病的早期识别。(2)基于改进UNet的甜瓜白粉病严重度分级为实现甜瓜白粉病严重度分级,本文采集甜瓜白粉病显现状态下的图像数据,基于改进的UNet模型对甜瓜叶片与白粉病病斑进行分割以实现病害严重度分级。该模型以VGG16网络作为主干网络,并使用VGG16网络权重文件作为预训练权重,加快模型训练速度,进一步地,添加通道注意和空间注意力机制模块(CBAM)加强对白粉病病斑与叶片的关键特征训练,提高模型泛化能力。结果表明,改进CBAM-UNet模型对甜瓜叶片和白粉病病斑的分割平均像素精度达到92.85%,平均交并比达到87.83%,分级平均准确率达到94.36%。这表明本模型能够准确分割出甜瓜叶片与病斑,并通过病斑占叶片的像素比例实现对甜瓜白粉病叶片的严重度分级。(3)甜瓜白粉病识别与分级系统设计与实现为实现系统的便捷性和高效性,本文采用Spring Boot和Vue技术搭建甜瓜白粉病识别与分级系统。该系统分为客户端小程序和服务端后台管理系统两部分。客户端小程序具有病害识别、病害严重度分级和相关防治建议等功能,用户上传甜瓜叶片图片或特征波段反射率值后,点击检测按钮即可得到识别与分级结果,同时该结果会保存到后台服务器的数据库中。后台管理系统具有用户管理、甜瓜信息管理和留言管理等功能,能够实现对识别与分级结果的统计、分析和管理,为病害防治工作提供科学依据。
基于机器视觉的小麦条锈病侵染型级别判定方法研究
这是一篇关于小麦条锈病,病害分级,图像分割,C-DenseNet,判定系统的论文, 主要内容为小麦条锈病是小麦叶部的主要病害,由于受条锈病侵染的小麦叶片上会附着条锈孢子,使叶片无法正常进行光合作用,从而使叶片枯死,严重降低小麦的产量和品质。而防止小麦条锈病大规模入侵,保证产量最有效经济的手段,就是在小麦条锈病的易感地区培育具有良好抗性的小麦品种。在小麦条锈病抗病育种过程中,对小麦条锈病侵染型级别进行鉴定可以初步判断小麦对条锈病的抗性,这是抗性鉴定的重要步骤。目前小麦抗条锈病育种工作者对小麦侵染型级别鉴定仍然停留在人工鉴定阶段,一方面存在模糊性、主观性、缺乏持久性的局限性,另一方面人工鉴定的效率低下。采用机器视觉技术比人工诊断有着很强的优越性,依托机器视觉技术代替人工进行决策能够保证鉴定的一致性、可持续性以及可普及性,同时随着手机等各种移动智能终端的推广,利用机器视觉算法和移动终端联合对小麦条锈病侵染型级别进行判定是一种便捷快速的手段。故本文以小麦条锈病为研究对象,研究基于机器视觉技术的快速、准确识别该病害侵染型级别的方法,并设计了一款基于Web网页的小麦条锈病侵染型级别判定系统以供用户终端访问。主要从以下三个方面进行研究并取得了一定成果:(1)复杂背景下叶片分割算法研究为了将小麦叶片从背景中分离出来,本文从聚类分割、实例分割、语义分割三个角度设计了基于YOLO引导的GrabCut算法、Mask R-CNN算法和DeepLabV3算法的叶片分割方法。为了测试三种算法的性能,使用测试集和额外数据集对三种模型使用PA、IoU和单幅图像预测时间三项指标进行测试。结果表明,在测试集上三种模型的PA均在90%以上,IoU均在80%以上,但YOLO引导的GrabCut算法单张图片预测时间最长;在额外数据集上YOLO引导的GrabCut算法和Mask R-CNN模型的PA均在80%以上,IoU均在78%以上,但DeepLabV3算法分割精度下降过多,PA和IoU只有72.72%和63.66%。结果表明Mask R-CNN模型更适合叶片分割任务,后续研究均使用基于Mask R-CNN算法的叶片分割方法。(2)基于C-DenseNet的小麦条锈病侵染型级别判定算法针对受不同程度条锈病侵染的小麦叶片之间差异微小的问题,本文把研究归纳为细粒度图像分类问题,提出了一种新的深度学习网络C-DenseNet,该网络将卷积块注意模块(CBAM)嵌入到稠密连接的卷积网络(DenseNet)中。本文使用C-DenseNet及其变体在小麦条锈病数据集(在田间使用多种移动设备收集,并依照侵染型级别判定标准分为六个等级)上进行对比验证。对比实验表明,C-DenseNet的测试精度达到97.99%,优于常用的DenseNet(92.53%)和ResNet(73.43%)。GradCAM++网络可视化也表明C-DenseNet在决策时能够更加关注分级的关键领域。结果表明,具有注意力机制的C-DenseNet适用于在田间条件下的小麦条锈病分级。(3)小麦条锈病侵染型级别判定系统在上述方法的基础上,设计了基于B/S架构的小麦条锈病侵染型级别判定系统。使用HTML+JavaScript+CSS搭建了前端Web网页,实现了使用浏览器调用摄像头拍摄小麦条锈病叶片、发送给服务器以及接收侵染型识别结果、侵染型级别描述等功能;在本地服务端上使用Django框架搭建了后端系统,部署模型池并加载叶片分割模型和条锈病侵染级别判定模型,使用MySql存储图像及识别结果,并通过使用Nginx+uWSGI框架设置多进程加快了多用户并发处理速度。实验结果表明,单用户在网络环境良好的条件下整个过程用时2.5秒,基本满足田间调查的需要,系统识别准确率为93%,满足田间调查的精度要求,同时模拟一百个用户进行并发测试,平均响应时间为32s,基本满足了实时性的要求。用户通过简单操作就可以快速获取小麦条锈病侵染型级别以及相应的病害描述,给田间实践提供了一定的指导价值。
基于深度学习的葡萄叶片病害识别方法研究
这是一篇关于深度学习,病害识别,病斑分割,注意力机制,病害分级的论文, 主要内容为葡萄的种植在我国具有悠久的历史,不仅具有较好的营养价值,同时广泛应用于酿酒行业,但其规模化种植也会导致叶片病害的发生。如果不及时治理,将会影响到果实的品质,导致产量减少等不良后果。为了应对病害的发生,通常采用提前喷洒农药预防病害发生,但是在农药喷洒过程中存在农药施药过量问题,不仅污染环境,而且增加了种植成本。传统的病害识别技术对于干扰物较多、杂物颜色形状与目标近似的农作物图像效果并不理想,对病害的识别率低,漏检、误检现象较多。传统分割方法如阈值分割、K-means聚类、分水岭算法等,容易造成过分割、错误分割,且对噪声敏感,分割效果欠佳。因此,为了更好解决农药污染、减少农药滥用问题,研究更为准确、效率更高的葡萄叶片病害识别算法有重要的意义。当前,深度学习在农业领域的广泛应用,为葡萄叶片病害的无损检测提供了理论基础。基于深度学习的图像识别方法实现了叶片病害种类的准确识别,而基于深度学习的图像分割方法实现了叶片病斑区域的准确分割。最终,将深度学习应用于葡萄叶片病害的识别与检测,实现了对染病程度的准确判定,为葡萄叶片病害早期防治提供了较好的技术支持。本文将基于卷积神经网络理论与图像分割算法,开展对葡萄叶片病害的识别和分级研究,给葡萄叶片病害的早期智能诊断提供新的思路。研究工作如下:(1)考虑到实验中收集整理的图像数量有限,拍摄图像尺寸不一致,本文使用旋转、平移、错切、尺度变换等数据增强技术对原始数据集进行扩充。同时,针对葡萄病害数据集图像尺寸不同的问题,在图像输入到模型前对其进行缩放,保持数据集中图像尺寸一致。最后,对数据集进行手工标注,并制作为标准数据集,为后续实验研究做准备。(2)针对现有的葡萄叶片病害病斑小且密集,导致小目标病害识别准确度较低,对于干扰物较多的图像,易出现目标漏识别的问题,提出了一种基于注意力机制的YOLOv5s模型(CB-YOLOv5s)。该模型主要通过在YOLOv5s中引入CBAM注意力机制,将注意力机制嵌入到骨干网络的卷积层内,以提升对较小病斑的特征提取能力及易被忽略叶片疾病的检测效果,通过在模型中改用EIo U Loss作为网络回归损失函数,以加快模型收敛速度,提高识别准确率,改进后m AP值为92.6。(3)针对葡萄叶片病害病斑区域大小形状随发生时期、发生程度变化,导致分割过程中因目标形状大小不一,对图像中较大或较小的病斑分割能力较差的问题,提出一种基于Inception多尺度模块的U-Net模型(IN-Unet),用于葡萄叶片病害图像分割。将多尺度特征提取模块加入到每个下采样层中,通过concat操作,实现多尺度特征的融合,解决由于目标尺寸不一致而导致分割效果不佳,提高模型性能,改进后的MPA值为84.79。并计算病斑区域以及叶片区域的相对面积比,实现病害分级诊断。
基于卷积神经网络的大豆病害分级模型研究
这是一篇关于大豆,病害识别,病害分级,卷积神经网络,CNN-LSTM的论文, 主要内容为粮食生产问题关系到人民群众的根本利益,也关系到社会稳定。大豆作为我国重要的粮食作物之一,受病害影响将会导致产量降低,造成经济损失。但由于病害之间特征相似,仅依靠经验进行处理,可能错过最佳防治时期。同时病害程度不同,防治措施会有区别,因此及时根据大豆植株患病等级采取措施,对有效进行病害防治、避免药物浪费、减少环境污染、降低经济损失具有重要意义。目前,国内外针对主要粮食作物如:玉米、水稻等病害识别研究已较为充实,相较而言,对作物患病等级识别研究较少,尤其是在大豆病害程度的自动识别方面,准确率有待提高。鉴于此,本研究以大豆三种主要病害(灰斑病、花叶病和根腐病)的叶片图像样本作为研究对象,提出了基于卷积神经网络的大豆病害分级模型,具体研究包含以下几个方面:(1)探讨了基于Grab Cut的AISA图像分割算法对大豆病害图像进行预处理。使用超绿算法中的超绿因子(2G-B-R)将图像中特定范围内小于给定阈值的像素标记为背景,通过Grab Cut分割后得到的图像与原始图像进行匹配,恢复叶片内部被误判为背景的像素点,得到更加准确的分割图像。该算法代替了Grab Cut中人工标记的过程,有效地将大豆叶片和病害区域的特征保留,降低背景因素影响,提高卷积神经网络性能。(2)研究了基于卷积神经网络的大豆病害识别模型。训练7个传统卷积神经网络模型(VGG16、VGG19、Res Net50、Inception-V3,Xception,Mobile Net,Google Net),分析和判别不同模型识别效果,选择其中准确率较高的三个模型(Inception-V3,Xception,Mobile Net)通过遗传算法构建加权深度投票模型。该模型对灰斑病识别精度达到了99.31%,识别花叶病的精度达到96.67%,识别根腐病的精度达到97.33%,实现了对大豆叶片病害的识别。(3)研究了基于CNN-LSTM的大豆病害分级模型。对大豆同一患病叶片图像进行连续采集,按照采集时间顺序构建具有时间序列数据集,通过卷积神经网络提取病害空间特征后放入LSTM网络中,根据时间序列的上下文关系进一步提取时间特征,同时引入注意力机制对空间特征提取过程进行优化,构建了三种不同病害的分级模型。实验表明,灰斑病分级模型精度达到了94.9%,花叶病分级模型精度达到了96.7%,根腐病分级模型精度达到了93.9%,实现对大豆病害的自动分级。(4)开发了大豆病害分级系统。将上述模型部署至大豆病害分级微信小程序,实现手机端自动分级。同时,该小程序根据分级结果给予合理的防治措施,为研究人员和用户提供参考。分级系统的开发能够检验本文训练得到的模型性能,方便用户使用,减少使用成本,具有一定实用价值。综上,本研究为卷积神经网络应用于大豆病害分级提供了新思路。并将CNN-LSTM模型首次应用于大豆病害分级研究中,为大豆及其他农作物病害分级提供了一项可靠的技术支撑。同时,为后续研究大豆病害预警以及病害走势预测奠定了理论和实验基础。
基于深度学习的葡萄叶片病害识别方法研究
这是一篇关于深度学习,病害识别,病斑分割,注意力机制,病害分级的论文, 主要内容为葡萄的种植在我国具有悠久的历史,不仅具有较好的营养价值,同时广泛应用于酿酒行业,但其规模化种植也会导致叶片病害的发生。如果不及时治理,将会影响到果实的品质,导致产量减少等不良后果。为了应对病害的发生,通常采用提前喷洒农药预防病害发生,但是在农药喷洒过程中存在农药施药过量问题,不仅污染环境,而且增加了种植成本。传统的病害识别技术对于干扰物较多、杂物颜色形状与目标近似的农作物图像效果并不理想,对病害的识别率低,漏检、误检现象较多。传统分割方法如阈值分割、K-means聚类、分水岭算法等,容易造成过分割、错误分割,且对噪声敏感,分割效果欠佳。因此,为了更好解决农药污染、减少农药滥用问题,研究更为准确、效率更高的葡萄叶片病害识别算法有重要的意义。当前,深度学习在农业领域的广泛应用,为葡萄叶片病害的无损检测提供了理论基础。基于深度学习的图像识别方法实现了叶片病害种类的准确识别,而基于深度学习的图像分割方法实现了叶片病斑区域的准确分割。最终,将深度学习应用于葡萄叶片病害的识别与检测,实现了对染病程度的准确判定,为葡萄叶片病害早期防治提供了较好的技术支持。本文将基于卷积神经网络理论与图像分割算法,开展对葡萄叶片病害的识别和分级研究,给葡萄叶片病害的早期智能诊断提供新的思路。研究工作如下:(1)考虑到实验中收集整理的图像数量有限,拍摄图像尺寸不一致,本文使用旋转、平移、错切、尺度变换等数据增强技术对原始数据集进行扩充。同时,针对葡萄病害数据集图像尺寸不同的问题,在图像输入到模型前对其进行缩放,保持数据集中图像尺寸一致。最后,对数据集进行手工标注,并制作为标准数据集,为后续实验研究做准备。(2)针对现有的葡萄叶片病害病斑小且密集,导致小目标病害识别准确度较低,对于干扰物较多的图像,易出现目标漏识别的问题,提出了一种基于注意力机制的YOLOv5s模型(CB-YOLOv5s)。该模型主要通过在YOLOv5s中引入CBAM注意力机制,将注意力机制嵌入到骨干网络的卷积层内,以提升对较小病斑的特征提取能力及易被忽略叶片疾病的检测效果,通过在模型中改用EIo U Loss作为网络回归损失函数,以加快模型收敛速度,提高识别准确率,改进后m AP值为92.6。(3)针对葡萄叶片病害病斑区域大小形状随发生时期、发生程度变化,导致分割过程中因目标形状大小不一,对图像中较大或较小的病斑分割能力较差的问题,提出一种基于Inception多尺度模块的U-Net模型(IN-Unet),用于葡萄叶片病害图像分割。将多尺度特征提取模块加入到每个下采样层中,通过concat操作,实现多尺度特征的融合,解决由于目标尺寸不一致而导致分割效果不佳,提高模型性能,改进后的MPA值为84.79。并计算病斑区域以及叶片区域的相对面积比,实现病害分级诊断。
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：源码导航 ，原文地址：https://bishedaima.com/lunwen/52291.html
