改进YOLOv5的水稻叶片病害检测算法研究

针对水稻病害的复杂特征、多尺度和低效率问题,使用深度学习构建了DEFFN-YOLOv5水稻叶病害算法,研究了水稻白叶枯病、稻瘟病和褐斑病。为了提高病害检测精度,改进了原始YOLOv5算法,引入了PixelShuffle上采样模块以还原图像细节。此外,增强了特征提取能力,引入了可变形卷积和轻量的ECA通道注意力模块。通过采用BiFPN来改进PAN模块,增强了信息交互,提高了模型的理解和定位能力。实验证明,改进后的DEFFN-YOLOv5算法在目标检测中的平均精度(mAP)达到86%,比原YOLOv5算法提高了3%。与此同时,计算需求减少了4.6GFLOPs,比原YOLOv5算法减少了27.85%。这些改进使得DEFFN-YOLOv5在水稻病害检测中表现更出色。

自监督学习下小样本番茄叶片病害检测

番茄叶片病害的快速定位与精准识别有助于合理使用杀虫剂,进而保障番茄的质量与产量。针对现有番茄叶片病害检测方法检测性能不佳的问题,提出一种自监督下的小样本番茄叶片病害检测方法。首先,利用一组共享权重的主干网络提取番茄叶片在视觉空间中的语义特征;然后,将视觉语义特征作为深度自编码网络的输入,通过计算编码压缩后的特征与原始特征间的对比损失优化特征编码网络;最后,利用编码压缩后的特征指导番茄叶片的未知病害定位与识别。此外,为获得更鲁棒的指导特征集,设计一种双损失的优化策略。通过在自建的番茄病害叶片数据集和开源数据集上进行测试试验,所提出模型分别在自建和开源数据集上实现0.946 2和0.963 9的识别精准率,优于当前经典的目标检测方法。

基于轻量化GMNC-YOLO的苹果叶片病害检测方法

针对苹果叶片病害识别中受人为主观因素影响大、传统卷积神经网络识别精度低、网络模型参数量过大等问题,文章提出了一种轻量化GMNC-YOLO检测算法对苹果叶片病害进行检测。该算法以YOLOv5s为基础模型,使用Ghost卷积进行特征提取,以实现网络轻量化;采用MobileOne模块替换Neck的C3模块,结合NAM与CBAM设计新的注意力机制模块NCB,以充分挖掘叶片图像中的信息,并提高模型检测精度。实验结果表明,相较于YOLOv5s,改进后的苹果叶片病害检测方法的平均精度提高了3.0%,参数量、FLOPs及权重文件大小分别降低约29.8%、32.5%和26.8%;与当前主流算法对比,GMNC-YOLO具有一定的先进性。

基于层间特征蒸馏网络的作物叶片病害检测

针对现有农作物叶片病害检测方法对有限标注样本利用不充分,导致模型识别精度不高、泛化性不强的问题,提出一种基于层间特征蒸馏网络的作物叶片病害检测方法。该方法采用支持分支和查询分支相互监督的元学习网络结构,首先,利用一组共享权重的特征提取网络将双分支网络的输入图片映射到深度特征空间,并采用多层下采样操作构造多尺度特征集;然后,在每层特征中计算自注意力机制,在层间计算交叉注意力机制,旨在强化不同尺度内和尺度间特征表达的鲁棒性和可靠性;最后,在跨尺度特征中引入知识蒸馏网络,旨在利用高层特征丰富浅层特征的语义信息,间接地增强不同尺度内和尺度间特征表达的鲁棒性。在马铃薯、苹果、番茄和玉米病害数据集上进行测试,所提方法分别获得0.9531、0.9668、0.9552和0.9542的识别精准率。

基于改进YOLOv4算法的苹果叶片病害检测方法

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端,首先,该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络,并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积;其次,为提高检测精度,将卷积注意力机制模块CBAM融合至PANet结构中,可增强对有用特征信息的提取;最后,为了使锚框更适应本研究的数据集,通过K-means聚类算法将模型的锚框信息更新。结果表明,MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点,该研究为苹果叶片的病害检测提供了一种更优的方法,有助于实现精准施药,提高苹果的产量和品质。

基于弱监督学习的小样本早期苹果叶片病害检测

针对现有苹果叶片病害检测方法的性能过度依赖标注数据集的问题,提出一种基于弱监督学习的小样本早期苹果叶片病害检测算法。首先,利用一组共享权重的主干网络将病害叶片映射到高维特征空间;其次,利用多层注意力机制建立双分支特征语义关联模块,并在关联语义特征图上生成指导查询图片中新病害类型分类的原型集;再次,利用无参数的匹配方法计算原型集与查询图片中新病害叶片特征间的相似度,根据相似度值定位与识别病害区域;最后,利用虚线框标注建立弱监督学习机制,并借助标签平滑交叉损失端到端优化模型。通过在开源的Plant Village数据集和自建的早期苹果叶片病害数据集上进行试验,所提出方法分别实现96.39%、94.81%的精准率,96.71%、94.67%的召回率和97.24%、95.20%的F1值,优于当前经典的目标识别算法。

基于多模态特征对齐的作物病害叶片检测

针对现有农作物病害叶片检测方法利用图像特征定位叶片病害区域精度不高的问题,提出一种基于多模态特征对齐的作物病害叶片检测新方法。在训练阶段,利用视觉编码器和文本编码器将农作物叶片集中的图片和文本进行编码,并根据视觉编码特征定位给定图片中的病害区域,利用视觉和文本编码融合特征实现病害区域病害类型的细粒度分类。在推理阶段,利用预训练的病害区域定位模块定位给定测试图片中的病害区域,并将其提取的病害区域作为预训练分类模型的输入;通过计算预测文本值与文本集中原始标签之间的相似度值,快速给出病害区域的细粒度分类结果。在多个开源的农作物病害数据集上进行测试,所提出方法在马铃薯、番茄、苹果和草莓四种类型的病害叶片数据集上精准率分别为0.9574、0.9611、0.9580和0.9502,综合性能更优,具有较好实用价值。

基于特征分离的小样本苹果病害叶片检测

准确检测出苹果叶片的病害有助于促进苹果保质、增产,提高果农的经济收益。针对现有苹果病害叶片检测模型精度不高的问题,提出一种基于特征分离的小样本苹果病害叶片检测算法。首先,利用VGG-16和Swin Transformer网络将苹果病害叶片映射到全局和局部特征空间,并设计了一种特征交叉融合网络来融合全局和局部特征;然后,提出一种复杂特征的细粒度特征分离方法,通过借助苹果病害叶片的文本标签和病害区域标签将融合的深度特征分离为叶片病害分类特征和叶片病害区域特征;最后,采用对比损失实现复杂特征的分离和模型端到端的优化。通过在Plant Village开源数据集上进行试验,结果表明,所提出方法可以实现96.35%的精准率、95.76%的召回率和96.02%的F1分数,相比当前经典的目标分类模型,所提出模型综合性能表现良好。此外,该模型的提出为苹果病害叶片的细粒度分类提供一种新的思路,并且可以为田间农作物病害检测系统提供技术支撑。

基于特征重组网络的小样本农作物病害叶片检测

针对现有作物病害叶片检测模型的性能过度依赖大量带标注数据集以及预训练模型的泛化性不强等问题,提出一种基于特征重组网络的小样本农作物病害叶片检测方法。首先,采用支持分支和查询分支的双分支网络结构,将支持图像和查询图像映射到深度特征空间,并在支持分支中采用特征增强网络缓解映射特征与原始标注不对齐的问题。其次,借助全局平均池化策略生成初始原型,利用该原型反向指导原始支持图像中病害叶片的识别,并根据初始识别结果对原型进行优化。再次,通过比对识别区域与原始标注之间的特征差异,构造辅助原型与主域原型。最后,融合原始原型、辅助原型和主域原型,构造多原型集,并利用度量方法计算原型集与查询特征间的关联,根据关联值给出预测标签。在自建的橘子、番茄和苹果等病害叶片数据集上进行测试,所提出方法分别获得了97.18%的精准率、97.31%的召回率、96.90%的F 1分数和84.71%的FB-IoU,优于主流的目标检测方法。