基于全局特征提取的农作物病害识别模型

针对现阶段特征提取网络当测试样本出现歪斜、模糊、缺损等变化时识别效果不够理想,利用训练样本扩充、变换、缩放等方式改善网络性能并不能动态地满足实际的复杂病害图像识别任务的问题,在ResNet50中引入双层注意力机制与通道特征提取机制,设计基于全局特征提取的深度学习网络(Global feature deep learning network,GFDL-Net),该网络包括通道特征提取子网络(Squeeze and excitation net,SE-Net)和双注意力特征提取子网络(Double feature extraction net,DFE-Net),分别从通道空间特征提取与平面关键点特征提取两方面改善了网络的全局特征提取能力。为了验证GFDL-Net的有效性,对辣椒、马铃薯、番茄等15种病害图像加入不同角度的旋转、色彩变换等测试,发现在样本加入旋转后与ResNet50、BoTNet、EfficientNet相比,平均识别准确率分别高出20.05、18.62、21.97个百分点;加入明暗度、饱和度、对比度变换后与ResNet50、BoTNet、EfficientNet相比,平均识别准确率分别高出3.57、0.53、3.98个百分点,而识别速度分别为ResNet50、BoTNet、EfficientNet的4.4、4.9、2.0倍。试验证明GFDL-Net在图像全局特征提取能力方面的改进能有效提升网络的泛化能力与鲁棒性,可将其应用于解决变化样本的农作物病害识别任务中。

一种轻量级CNN农作物病害图像识别模型

针对传统CNN(Convolutional neural network)模型存在训练参数量大而无法应用于硬件条件受限的场合这一问题,本研究提出一种轻量级CNN农作物病害识别模型,能够在保证模型识别准确率情况下简化模型结构,扩大模型的适用场景。设计1个深度卷积模块作为基本卷积单元,2个深度卷积模块和1个批归一化层组成1个残差块作为残差单元,以残差单元作为基本元素设计一个轻量级CNN农作物病害识别模型。对辣椒、番茄和马铃薯的病害图像进行分类识别,最终模型在训练集上的总识别准确率为99.33%,测试集上的总识别准确率为98.32%。相对VGG16等传统模型,在进行农作物病害识别时本模型有更高的识别准确率、更快的识别速度和更小的内存占用。

基于Spring的土壤检测及数据分析系统

由于多年人为和自然因素的综合作用,使得干旱、半干旱甚至半湿润地区自然环境退化,世界环境部分出现荒漠化,抑制荒漠化的主要措施是解决植被问题。土壤检测及数据分析系统运用互联网大数据技术,旨在为贫瘠土壤环境检测及提供植被种植的参考方案。系统为植物种植工作者提供了一个较为科学完备的数据库,在一些贫瘠土地上工作时不仅可以通过直接搜索关键字进行得到植物的相关数据,还可以通过模拟环境以及利用硬件实时检测的方法,匹配相应适宜的植物作为参考数据,为当地环境筛选出最恰当的植物,减少多次实验的不必要性。