基于深度学习的农作物叶片病害识别研究
这是一篇关于图像识别,特征融合,特征解耦,深度学习,农作物病害的论文, 主要内容为农作物病害是影响作物产量和质量的主要危害之一,及时准确的识别农作物病害种类是防治农作物病害的关键。在传统的病害图像识别方法中,主要依靠手工提取特征,这种方法一般都需要复杂的特征工程,因此费时费力,而且模型的鲁棒性一般较差。近年来,随着深度学习技术的发展,尤其是深度卷积神经网络在数据驱动下可以自动的提取特征,实现端到端的识别,省时省力,使得基于深度学习的农作物病害的检测和诊断,成为计算机视觉研究领域的一个热点。本文聚焦于应用深度学习技术解决农作物叶片病害识别问题,在对现有经典卷积神经网络进行研究的基础上,我们发现两个问题:(1)不同CNN网络提取的深度特征在用于农作物叶片病害识别,是否具有互补性,如何利用这种互补性,对它们特征融合,以提高农作物病害识别效果?(2)用深度网络提取叶片的病害特征,会在特征表示学习的过程中,耦合一些叶片自身的,如纹理、脉络等非病害特征,如何消除叶片非病害特征的干扰,提升网络模型的性能?针对这两个问题,我们分别从特征融合和特征解耦这两个角度进行了对叶片病害识别方法的研究。本文的主要研究工作及研究成果如下:(1)针对问题一,我们提出了一种用于融合不同CNN网络所提取的深度特征的网络模型MDFF-Net。该网络可以将两个不同的CNN网络模型进行并联,然后将不同模型输出的深度特征变换成相同维度的特征,并对相同维度的特征进行融合计算,最后将融合后的特征进行农作物类型预测并输出结果。我们选择VGG-16、Res Net-50和Dense Net-121这三个网络进行两两组合,共构成三组融合方案,在包含5种苹果叶片疾病的公开数据集上分别取得了95.41%、95.58%和96.02%的准确率,均高于单一网络模型。结果证明,该模型可以有效利用不同CNN网络提取的深度特征的互补性,在叶片病害识别上取得比单一网络更好的识别效果。(2)针对问题二,我们提出了一种用于分离作物叶片特征和疾病特征的网络模型LDFD-Net来解决此问题。该网络由疾病特征提取分支和作物叶片特征提取分支并联而成,同时设计了一种解耦损失函数,通过分别计算两个分支的分类损失和对抗损失来更新网络参数,以此来实现疾病和作物叶片特征的分离。我们用该网络在PV数据集上进行实验,分别对21种疾病类型和14种作物类型进行分类,LDFD-Net网络模型在21种疾病和14种作物的识别上F1-Score分别是95.85%和98.96%,均高于其他模型。此外,我们还进行了对未知作物的疾病识别的泛化能力测试,LDFD-Net展示出了更优的识别效果,进一步证明了该模型对疾病特征和作物叶片特征解耦的有效性。
基于深度学习的农作物叶片病害识别研究
这是一篇关于图像识别,特征融合,特征解耦,深度学习,农作物病害的论文, 主要内容为农作物病害是影响作物产量和质量的主要危害之一,及时准确的识别农作物病害种类是防治农作物病害的关键。在传统的病害图像识别方法中,主要依靠手工提取特征,这种方法一般都需要复杂的特征工程,因此费时费力,而且模型的鲁棒性一般较差。近年来,随着深度学习技术的发展,尤其是深度卷积神经网络在数据驱动下可以自动的提取特征,实现端到端的识别,省时省力,使得基于深度学习的农作物病害的检测和诊断,成为计算机视觉研究领域的一个热点。本文聚焦于应用深度学习技术解决农作物叶片病害识别问题,在对现有经典卷积神经网络进行研究的基础上,我们发现两个问题:(1)不同CNN网络提取的深度特征在用于农作物叶片病害识别,是否具有互补性,如何利用这种互补性,对它们特征融合,以提高农作物病害识别效果?(2)用深度网络提取叶片的病害特征,会在特征表示学习的过程中,耦合一些叶片自身的,如纹理、脉络等非病害特征,如何消除叶片非病害特征的干扰,提升网络模型的性能?针对这两个问题,我们分别从特征融合和特征解耦这两个角度进行了对叶片病害识别方法的研究。本文的主要研究工作及研究成果如下:(1)针对问题一,我们提出了一种用于融合不同CNN网络所提取的深度特征的网络模型MDFF-Net。该网络可以将两个不同的CNN网络模型进行并联,然后将不同模型输出的深度特征变换成相同维度的特征,并对相同维度的特征进行融合计算,最后将融合后的特征进行农作物类型预测并输出结果。我们选择VGG-16、Res Net-50和Dense Net-121这三个网络进行两两组合,共构成三组融合方案,在包含5种苹果叶片疾病的公开数据集上分别取得了95.41%、95.58%和96.02%的准确率,均高于单一网络模型。结果证明,该模型可以有效利用不同CNN网络提取的深度特征的互补性,在叶片病害识别上取得比单一网络更好的识别效果。(2)针对问题二,我们提出了一种用于分离作物叶片特征和疾病特征的网络模型LDFD-Net来解决此问题。该网络由疾病特征提取分支和作物叶片特征提取分支并联而成,同时设计了一种解耦损失函数,通过分别计算两个分支的分类损失和对抗损失来更新网络参数,以此来实现疾病和作物叶片特征的分离。我们用该网络在PV数据集上进行实验,分别对21种疾病类型和14种作物类型进行分类,LDFD-Net网络模型在21种疾病和14种作物的识别上F1-Score分别是95.85%和98.96%,均高于其他模型。此外,我们还进行了对未知作物的疾病识别的泛化能力测试,LDFD-Net展示出了更优的识别效果,进一步证明了该模型对疾病特征和作物叶片特征解耦的有效性。
基于深度学习的农作物叶片病害识别研究
这是一篇关于图像识别,特征融合,特征解耦,深度学习,农作物病害的论文, 主要内容为农作物病害是影响作物产量和质量的主要危害之一,及时准确的识别农作物病害种类是防治农作物病害的关键。在传统的病害图像识别方法中,主要依靠手工提取特征,这种方法一般都需要复杂的特征工程,因此费时费力,而且模型的鲁棒性一般较差。近年来,随着深度学习技术的发展,尤其是深度卷积神经网络在数据驱动下可以自动的提取特征,实现端到端的识别,省时省力,使得基于深度学习的农作物病害的检测和诊断,成为计算机视觉研究领域的一个热点。本文聚焦于应用深度学习技术解决农作物叶片病害识别问题,在对现有经典卷积神经网络进行研究的基础上,我们发现两个问题:(1)不同CNN网络提取的深度特征在用于农作物叶片病害识别,是否具有互补性,如何利用这种互补性,对它们特征融合,以提高农作物病害识别效果?(2)用深度网络提取叶片的病害特征,会在特征表示学习的过程中,耦合一些叶片自身的,如纹理、脉络等非病害特征,如何消除叶片非病害特征的干扰,提升网络模型的性能?针对这两个问题,我们分别从特征融合和特征解耦这两个角度进行了对叶片病害识别方法的研究。本文的主要研究工作及研究成果如下:(1)针对问题一,我们提出了一种用于融合不同CNN网络所提取的深度特征的网络模型MDFF-Net。该网络可以将两个不同的CNN网络模型进行并联,然后将不同模型输出的深度特征变换成相同维度的特征,并对相同维度的特征进行融合计算,最后将融合后的特征进行农作物类型预测并输出结果。我们选择VGG-16、Res Net-50和Dense Net-121这三个网络进行两两组合,共构成三组融合方案,在包含5种苹果叶片疾病的公开数据集上分别取得了95.41%、95.58%和96.02%的准确率,均高于单一网络模型。结果证明,该模型可以有效利用不同CNN网络提取的深度特征的互补性,在叶片病害识别上取得比单一网络更好的识别效果。(2)针对问题二,我们提出了一种用于分离作物叶片特征和疾病特征的网络模型LDFD-Net来解决此问题。该网络由疾病特征提取分支和作物叶片特征提取分支并联而成,同时设计了一种解耦损失函数,通过分别计算两个分支的分类损失和对抗损失来更新网络参数,以此来实现疾病和作物叶片特征的分离。我们用该网络在PV数据集上进行实验,分别对21种疾病类型和14种作物类型进行分类,LDFD-Net网络模型在21种疾病和14种作物的识别上F1-Score分别是95.85%和98.96%,均高于其他模型。此外,我们还进行了对未知作物的疾病识别的泛化能力测试,LDFD-Net展示出了更优的识别效果,进一步证明了该模型对疾病特征和作物叶片特征解耦的有效性。
基于多特征提取的农业病害知识图谱构建方法研究与系统实现
这是一篇关于农作物病害,知识图谱,关系抽取,深度学习,实体嵌入的论文, 主要内容为农业生产中,作物病害一直是制约作物产量和品质的主要因素之一。近年来,部分农区由于气候等因素的影响,作物病害呈现加重趋势。目前,对作物病害的统计数据主要依靠人工进行归类、整合从而实现数据的分析和查询,这一工作不仅需要耗费大量的时间,还需要依靠专家经验进行相应的专业分析。随着大数据时代的到来,农业生产与信息技术的结合越来越紧密。农业大数据呈现几何级数的增长,加快农业智能化转型的同时,也为信息的提取和分析提供了新的方案。知识图谱技术是一种图数据库形式的知识库,通过构建农业病害知识图谱可以有效地管理作物病害数据,为农业下游任务提供便利的查询、分析等知识服务。论文基于自然语言处理,结合深度学习和神经网络算法设计了农业病害知识图谱,并在知识图谱基础上建立了农业病害检索系统,能够为农业从业者以及普通大众提供农业病害的查询服务。本文针对农业病害知识图谱构建过程中文本嵌入信息不充分和实体关系抽取不准确的问题,提出了使用深度学习模型的实体关系抽取方法,并在此基础上改进了针对中文农业文本的实体关系抽取效率。在农业文本的嵌入和实体关系数据集的构建基础上融合了多层次的农业文本特征,建立了多层次粒度的农业病害特征向量,在此特征向量的嵌入基础上进行实体关系的识别并建立了实体关系的三元组。利用农业病害三元组在neo4j图数据库上构建了农业病害知识图谱。最终基于该知识图谱,实现了一个能够查询农业相关作物病害和防治方法的智能化检索系统。本文的工作主要包括以下几个方面:(1)完成了实验数据的收集处理,通过利用python爬虫技术从维基百科等网站爬取水稻、小麦、玉米以及大豆等农作物的病害数据,将农业文本数据输入深度学习模型进行向量嵌入,嵌入之后构建三层粒度的特征提取模型来聚合文本的特征向量,将三个层次的注意力特征向量全连接作为整个文本的嵌入,发现通过这种方式的嵌入能够使农业病害语料具有更多的特征维度,极大地提高农业病害文本的实体识别精确度。(2)利用python包装器从农业科学大数据网站抽取了大量结构化数据,之后利用清洗和关键字匹配技术选取了其中大量的农业文本。将大量文本通过繁简转化,中英文过滤等操作提取了中文农业作物病害语料,对所有的农业病害文本做了分词和人工标注处理,抽取了实体和关系数据集,并为农业病害定义了七种关系类型。通过使用基于FastBert的深度学习模型实现了中文农业病害语料的实体关系抽取。通过对比发现,本文的方法在实体关系三元组的抽取精度和效率上都比现有模型有所提高。(3)设计了一个农业病害检索系统。通过自建的农业病害三元组集合在neo4j数据库上构建了作物病害领域知识图谱,并利用vue.js设计前端框架,django设计后端框架,实现了一个病害检索系统。该系统通过实体属性链接技术提取前端输入信息的关键词链接到图数据库,实现了农业病害的实体和关系以及防治方法等信息的查询,为农业从业人员提供必要的需求信息,也为后期构建农作物病害知识问答系统和智能防治推荐系统等下游应用提供支撑。
深度学习在农作物病害图像识别中的研究与应用
这是一篇关于深度学习,农作物病害,图像识别,卷积神经网络,轻量级模型的论文, 主要内容为农作物病害一直是农业生产的主要威胁之一,极大地降低了农产品的产量和质量。传统病害识别方法存在成本高、效率低等问题,难以满足现代农业的要求。随着人工智能技术的不断发展,利用深度学习进行农作物病害图像识别已成为研究热点,卷积神经网络可以自动提取特征进行端对端的学习,获得更好的识别效果,但也存在计算成本大、移动端部署难等问题。本文以提高模型的识别精度和训练速度、降低模型计算成本和规模为目标,基于深度学习开展农作物病害图像识别的相关研究,主要内容如下:(1)针对苹果叶片病害图像的识别,提出一种基于混合注意力机制残差网络(CBAM-Res Net)和迁移学习的方法。通过对残差网络Res Net50的原始残差块进行改进,并嵌入串联的通道注意力模块和空间注意力模块,使模型能够在训练过程中更关注重要信息区域,有效地对苹果叶片病害进行特征提取;同时采用迁移学习对模型的全连接层重新设计后进行训练,提升了网络的表达能力,识别准确率能够达到95.5%。(2)针对番茄叶片病害图像的识别,提出一种改进的轻量级模型(MCA-Mobile Net)和基于Wasserstein距离的生成对抗网络的方法。在Mobile Net V2的基础上嵌入改进后的多尺度特征融合模块和坐标注意力模块,使模型能够在提升识别精度的同时减少计算成本;同时采用WGAN对原始数据集进行数据增强,使番茄病害图像数据更加丰富,提升了模型的鲁棒性,识别准确率能够达到94.11%,参数量仅有2.75M。(3)针对葡萄叶片病害图像的识别,提出一种改进的轻量级模型(HC-Efficient Net)和集成学习的方法。在Efficient Net V2的基础上结合混合空洞卷积进行改进,使模型进一步增大感受野,获取了更多的病害特征;引入坐标注意力模块代替原始模型中的注意力模块,提升了模型的全局关注能力;同时采用多个单一分类器进行集成学习,有效减小了模型学习过程中产生的偏差,提高了模型的特征提取能力,识别准确率能够达到95.29%,参数量仅有2.06M。本文针对不同数据集,从提升模型性能和减小模型规模两个角度进行研究,为深度学习在农作物病害识别上提供了新的方法。
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：源码工坊 ，原文地址：https://bishedaima.com/lunwen/52428.html
