面向病虫害识别的轻量级目标检测算法研究
这是一篇关于深度学习,病虫害识别,YOLOV5,SSD,Faster R-CNN的论文, 主要内容为随着图形处理器(GPU)的处理能力日益强大,基于深度学习的目标检测技术在农作物病虫害识别领域得到了广泛应用。农作物病虫害是制约农作物生长的最复杂、多变且难以克服的因素之一,给我国农业生产带来了巨大的经济损失。传统的病虫害识别方法主要依赖于人工鉴别或机器学习分类器,效率较低且存在误差。而深度学习技术提供了一种更精准、高效的解决方案。尽管基于深度学习的病虫害检测技术日益成熟,但现有深度学习算法的模型体积较大,运算量高,部署在嵌入式设备中成本较高,不利于在病虫害识别场景下的实际应用。因此,在精度与模型复杂度之间寻找平衡显得尤为重要。为了解决深度学习技术在农业病虫害识别领域产业化过程中的重要问题,迫切需要设计一种适用于在计算资源有限的嵌入式设备上部署的轻量化目标检测模型。本文围绕着这一问题,开展的具体工作如下:(1)自建病虫害数据集。针对广西地区特定病虫害数据集缺乏的问题,本文在南宁市武鸣区收集了荷兰豆菜青虫和无核沃柑溃疡病图片,并采用直方图均衡化等一系列数据增强方式扩充至1679张,再用label Img工具标注,建立了一个VOC格式的数据集用于本文全部实验。(2)利用经典目标检测算法构建病虫害识别模型,并设计了两个轻量化的算法——Res Net50-Faster R-CNN和Mobile Netv2-SSD。首先,利用经典的两阶段目标检测算法Faster R-CNN(VGG16-Faster R-CNN)以及一阶段目标检测算法SSD(VGG16-SSD)、YOLOX和YOLOV5,在自建数据集上进行模型构建和实验测试。其次,基于上述研究,针对原始的Faster R-CNN和SSD以VGG16作为特征提取网络而导致计算参数冗余的问题,本文对其特征提取网络进行了优化。优化后的Res Net50-Faster R-CNN相较于原始算法,m AP提高了1.6%,模型体积压缩了70.9%;Mobile Netv2-SSD相较于原始算法,m AP提高了3%,模型体积压缩了83.7%。实验结果表明,设计高效简洁的特征提取网络,可以在提升m AP的同时缩小模型体积。最后,将上述六种模型的性能对比分析,结果表明,改进后的Res Net50-Faster R-CNN和Mobile Netv2-SSD在性能上有所提升,但相比较YOLOV5仍有些许差距。(3)针对原YOLOV5网络结构中普通卷积利用率较高而导致计算成本大的问题,本文提出了一种基于Ghost Net和CA注意力的GCA-YOLOV5算法。采用Ghost Net和CA注意力机制的设计思路,改进YOLOV5的主干网络和颈部网络。实验结果表明,改进后的GCA-YOLOV5相比于原YOLOV5,m AP提高了0.2%,模型体积缩小了56.9%,参数量减少了59.2%,浮点运算量降低了51.5%。此外,在服务器端,将GCA-YOLOV5与上述工作中建立的六种模型进行了全面的性能对比,实验数据显示,GCA-YOLOV5相比于其他模型,具有高精度、少参数量、低计算量、小体积的优越性。在嵌入式设备端,将GCA-YOLOV5与YOLOV5进行推理性能对比分析,实验数据显示,GCA-YOLOV5需要更少的计算资源且处理并行任务的能力更强。因此,本文所提出的GCA-YOLOV5算法为深度学习技术在农业病虫害识别的模型轻量化上提供了一种较好思路。
北京市园林植物病虫害系统研建
这是一篇关于病虫害,病虫害科普,病虫害识别,移动应用的论文, 主要内容为随着北京经济建设的高速发展,生态环境压力与日俱增,园林绿化的重要性日益凸显。北京园林绿化步伐的日益加快,外地植物资源的使用日益增加,这给园林植物病虫害的滋生带来了隐患。若病虫害防治不及时,可能会造成严重的生态破坏和重大的经济损失。除此以外,北京大多数居民对园林植物病虫害了解较少,缺乏便捷有效的科普渠道,遇到病虫害问题难以快速解决。北京虽然有较为丰富的专家资源,但偏远郊区专家不能经常莅临指导,难以满足病虫害防治需求。针对上述问题,本研究利用目前流行的移动互联网技术,前端采用混合移动开发框架Ionic,后端采用Spring Boot框架研发了一套北京市园林植物病虫害系统。本系统创建了北京市常见园林植物的病虫害电子数据库,可以为用户提供园林植物的养护参考,特别是养护过程中的病虫害防治方法;构建了病虫害识别体系,通过人机结合方式提升病虫害的诊断效率和识别准确度;建立了病虫害专家模块,实现了专家远程咨询功能,并提供了多种咨询途径;搭建了用户社区问答模块,加强用户间的交流互动,利用群智智慧解决用户的病虫害防治问题。此外,系统中还设置了病虫害报警功能,当发现病虫害疫情时,可以向监管部门实时报警,为病虫害及时处理提供帮助。本文详细介绍了系统的需求分析、总体设计、详细设计、系统实现及应用测试五方面内容,研发了一套集病虫害识别、病虫害科普、用户社区问答等功能于一体的园林植物病虫害系统。目前该系统已在北京城市副中心投入使用,为北京园林植物病虫害科普与防治提供有力支撑。
面向病虫害识别的轻量级目标检测算法研究
这是一篇关于深度学习,病虫害识别,YOLOV5,SSD,Faster R-CNN的论文, 主要内容为随着图形处理器(GPU)的处理能力日益强大,基于深度学习的目标检测技术在农作物病虫害识别领域得到了广泛应用。农作物病虫害是制约农作物生长的最复杂、多变且难以克服的因素之一,给我国农业生产带来了巨大的经济损失。传统的病虫害识别方法主要依赖于人工鉴别或机器学习分类器,效率较低且存在误差。而深度学习技术提供了一种更精准、高效的解决方案。尽管基于深度学习的病虫害检测技术日益成熟,但现有深度学习算法的模型体积较大,运算量高,部署在嵌入式设备中成本较高,不利于在病虫害识别场景下的实际应用。因此,在精度与模型复杂度之间寻找平衡显得尤为重要。为了解决深度学习技术在农业病虫害识别领域产业化过程中的重要问题,迫切需要设计一种适用于在计算资源有限的嵌入式设备上部署的轻量化目标检测模型。本文围绕着这一问题,开展的具体工作如下:(1)自建病虫害数据集。针对广西地区特定病虫害数据集缺乏的问题,本文在南宁市武鸣区收集了荷兰豆菜青虫和无核沃柑溃疡病图片,并采用直方图均衡化等一系列数据增强方式扩充至1679张,再用label Img工具标注,建立了一个VOC格式的数据集用于本文全部实验。(2)利用经典目标检测算法构建病虫害识别模型,并设计了两个轻量化的算法——Res Net50-Faster R-CNN和Mobile Netv2-SSD。首先,利用经典的两阶段目标检测算法Faster R-CNN(VGG16-Faster R-CNN)以及一阶段目标检测算法SSD(VGG16-SSD)、YOLOX和YOLOV5,在自建数据集上进行模型构建和实验测试。其次,基于上述研究,针对原始的Faster R-CNN和SSD以VGG16作为特征提取网络而导致计算参数冗余的问题,本文对其特征提取网络进行了优化。优化后的Res Net50-Faster R-CNN相较于原始算法,m AP提高了1.6%,模型体积压缩了70.9%;Mobile Netv2-SSD相较于原始算法,m AP提高了3%,模型体积压缩了83.7%。实验结果表明,设计高效简洁的特征提取网络,可以在提升m AP的同时缩小模型体积。最后,将上述六种模型的性能对比分析,结果表明,改进后的Res Net50-Faster R-CNN和Mobile Netv2-SSD在性能上有所提升,但相比较YOLOV5仍有些许差距。(3)针对原YOLOV5网络结构中普通卷积利用率较高而导致计算成本大的问题,本文提出了一种基于Ghost Net和CA注意力的GCA-YOLOV5算法。采用Ghost Net和CA注意力机制的设计思路,改进YOLOV5的主干网络和颈部网络。实验结果表明,改进后的GCA-YOLOV5相比于原YOLOV5,m AP提高了0.2%,模型体积缩小了56.9%,参数量减少了59.2%,浮点运算量降低了51.5%。此外,在服务器端,将GCA-YOLOV5与上述工作中建立的六种模型进行了全面的性能对比,实验数据显示,GCA-YOLOV5相比于其他模型,具有高精度、少参数量、低计算量、小体积的优越性。在嵌入式设备端,将GCA-YOLOV5与YOLOV5进行推理性能对比分析,实验数据显示,GCA-YOLOV5需要更少的计算资源且处理并行任务的能力更强。因此,本文所提出的GCA-YOLOV5算法为深度学习技术在农业病虫害识别的模型轻量化上提供了一种较好思路。
面向病虫害识别的轻量级目标检测算法研究
这是一篇关于深度学习,病虫害识别,YOLOV5,SSD,Faster R-CNN的论文, 主要内容为随着图形处理器(GPU)的处理能力日益强大,基于深度学习的目标检测技术在农作物病虫害识别领域得到了广泛应用。农作物病虫害是制约农作物生长的最复杂、多变且难以克服的因素之一,给我国农业生产带来了巨大的经济损失。传统的病虫害识别方法主要依赖于人工鉴别或机器学习分类器,效率较低且存在误差。而深度学习技术提供了一种更精准、高效的解决方案。尽管基于深度学习的病虫害检测技术日益成熟,但现有深度学习算法的模型体积较大,运算量高,部署在嵌入式设备中成本较高,不利于在病虫害识别场景下的实际应用。因此,在精度与模型复杂度之间寻找平衡显得尤为重要。为了解决深度学习技术在农业病虫害识别领域产业化过程中的重要问题,迫切需要设计一种适用于在计算资源有限的嵌入式设备上部署的轻量化目标检测模型。本文围绕着这一问题,开展的具体工作如下:(1)自建病虫害数据集。针对广西地区特定病虫害数据集缺乏的问题,本文在南宁市武鸣区收集了荷兰豆菜青虫和无核沃柑溃疡病图片,并采用直方图均衡化等一系列数据增强方式扩充至1679张,再用label Img工具标注,建立了一个VOC格式的数据集用于本文全部实验。(2)利用经典目标检测算法构建病虫害识别模型,并设计了两个轻量化的算法——Res Net50-Faster R-CNN和Mobile Netv2-SSD。首先,利用经典的两阶段目标检测算法Faster R-CNN(VGG16-Faster R-CNN)以及一阶段目标检测算法SSD(VGG16-SSD)、YOLOX和YOLOV5,在自建数据集上进行模型构建和实验测试。其次,基于上述研究,针对原始的Faster R-CNN和SSD以VGG16作为特征提取网络而导致计算参数冗余的问题,本文对其特征提取网络进行了优化。优化后的Res Net50-Faster R-CNN相较于原始算法,m AP提高了1.6%,模型体积压缩了70.9%;Mobile Netv2-SSD相较于原始算法,m AP提高了3%,模型体积压缩了83.7%。实验结果表明,设计高效简洁的特征提取网络,可以在提升m AP的同时缩小模型体积。最后,将上述六种模型的性能对比分析,结果表明,改进后的Res Net50-Faster R-CNN和Mobile Netv2-SSD在性能上有所提升,但相比较YOLOV5仍有些许差距。(3)针对原YOLOV5网络结构中普通卷积利用率较高而导致计算成本大的问题,本文提出了一种基于Ghost Net和CA注意力的GCA-YOLOV5算法。采用Ghost Net和CA注意力机制的设计思路,改进YOLOV5的主干网络和颈部网络。实验结果表明,改进后的GCA-YOLOV5相比于原YOLOV5,m AP提高了0.2%,模型体积缩小了56.9%,参数量减少了59.2%,浮点运算量降低了51.5%。此外,在服务器端,将GCA-YOLOV5与上述工作中建立的六种模型进行了全面的性能对比,实验数据显示,GCA-YOLOV5相比于其他模型,具有高精度、少参数量、低计算量、小体积的优越性。在嵌入式设备端,将GCA-YOLOV5与YOLOV5进行推理性能对比分析,实验数据显示,GCA-YOLOV5需要更少的计算资源且处理并行任务的能力更强。因此,本文所提出的GCA-YOLOV5算法为深度学习技术在农业病虫害识别的模型轻量化上提供了一种较好思路。
北京市园林植物病虫害系统研建
这是一篇关于病虫害,病虫害科普,病虫害识别,移动应用的论文, 主要内容为随着北京经济建设的高速发展,生态环境压力与日俱增,园林绿化的重要性日益凸显。北京园林绿化步伐的日益加快,外地植物资源的使用日益增加,这给园林植物病虫害的滋生带来了隐患。若病虫害防治不及时,可能会造成严重的生态破坏和重大的经济损失。除此以外,北京大多数居民对园林植物病虫害了解较少,缺乏便捷有效的科普渠道,遇到病虫害问题难以快速解决。北京虽然有较为丰富的专家资源,但偏远郊区专家不能经常莅临指导,难以满足病虫害防治需求。针对上述问题,本研究利用目前流行的移动互联网技术,前端采用混合移动开发框架Ionic,后端采用Spring Boot框架研发了一套北京市园林植物病虫害系统。本系统创建了北京市常见园林植物的病虫害电子数据库,可以为用户提供园林植物的养护参考,特别是养护过程中的病虫害防治方法;构建了病虫害识别体系,通过人机结合方式提升病虫害的诊断效率和识别准确度;建立了病虫害专家模块,实现了专家远程咨询功能,并提供了多种咨询途径;搭建了用户社区问答模块,加强用户间的交流互动,利用群智智慧解决用户的病虫害防治问题。此外,系统中还设置了病虫害报警功能,当发现病虫害疫情时,可以向监管部门实时报警,为病虫害及时处理提供帮助。本文详细介绍了系统的需求分析、总体设计、详细设计、系统实现及应用测试五方面内容,研发了一套集病虫害识别、病虫害科普、用户社区问答等功能于一体的园林植物病虫害系统。目前该系统已在北京城市副中心投入使用,为北京园林植物病虫害科普与防治提供有力支撑。
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：源码货栈 ，原文地址：https://bishedaima.com/lunwen/54329.html
