基于SE模块和ResNet的番茄病虫害识别方法

番茄病虫害是引起番茄减产的重要因素。精确识别病虫害种类是当前国际热点问题之一,有助于及时有效采取针对性的病虫防治办法,减少和避免因番茄减产导致的经济损失。针对传统虫害识别方法存在效率和精确率低的问题,利用Kaggle网站上的Tomato数据集,构建基于压缩和激励(SE)模块的深度残差网络模型(ResNet),优化番茄病虫害识别方法。结果表明:通过Pytorch框架下的迁移学习,改进后的网络模型对番茄病虫害图像的平均识别准确率最高为97.96%;基于SE模块的ResNet网络模型有助于增强特征区分能力,增加模型的通用性和鲁棒性。研究结果对番茄病虫害的及时监测和处理、提高番茄产量具有重要意义。

基于深度残差学习的成熟草莓识别方法

为解决自然状态下成熟草莓存在的背景干扰、信息丢失等问题,提出一种基于深度残差学习的草莓识别方法。首先,引入深度可分离卷积降低残差网络参数,从不同角度提取成熟草莓特征,通过交叉熵损失函数来识别分类层中的草莓。其次,嵌入压缩和激励模块学习特征权重,使用特征重新校准改善网络的学习和表征属性。最后,采用添加空间金字塔池化、加权衰减优化方法提高模型的泛化能力,优化识别结果。试验结果表明,和现有其他深度模型相比,该方法能够有效地定位复杂背景下的成熟草莓,不易受到干扰环境的影响,具有更高的识别准确率和灵敏度,在数据集C中的识别准确率和灵敏度最高,分别达到92.46%和94.28%。

基于通道注意力和边缘融合的伪装目标分割方法

伪装目标分割(COS)的目标是从背景中分离出隐藏的目标对象。近年来,基于卷积神经网络(CNN)的伪装目标检测(COD)发展迅速,然而仍存在无法从前/背景高度相似的场景中准确地检测出完整目标对象的问题。针对上述问题,提出一种基于通道注意力(CA)和边缘融合的COS方法CANet(Network based on Channel Attention and edge fusion),以得到伪装目标的边缘细节更清晰的完整分割结果。首先,引入压缩和激励(SE)注意力模块,以提取更丰富的高级语义特征;其次,提出一个边缘融合模块,抑制低级特征中的干扰,并充分利用图像的边缘细节信息;最后,设计了基于深度可分离卷积的通道注意力模块,以自上而下的方式逐步融合跨级的多尺度特征,进一步地提升检测精度和效率。在多个公开的COD数据集上的实验结果表明,相较于SINet(Search Identification Net)、TINet(Textureaware Interactive guidance Network)和C2FNet(Context-aware Cross-level Fusion Network)等8种主流的方法,CANet表现更佳,且能够获取到丰富的伪装目标内部及边缘细节信息,而且在具有挑战性的COD10K数据集上结构度量指标相较于SINet提升了2.6个百分点。CANet性能优越,适用于医学上检测与人体组织相似的病灶区域、军事领域检测隐蔽目标等相关领域。