改进YOLOv8的农作物叶片病虫害识别算法

针对传统检测网络难以准确、高效地提取农作物叶片病虫害特征信息的问题,通过改进YOLOv8网络,提出一种多层级多尺度特征融合的农作物叶片病虫害识别算法。通过学习不同层级特征直接的特征关系,构建多层级特征编码模块,学习全面的特征表达;在Transformer的基础上设计多尺度空间—通道注意力模块,利用学习细粒度、粗粒度等多尺度全面的特征表达模式,捕获不同尺度特征之间的互补关系,并将所有特征表示有效融合起来,构成完整的图像特征表示,进而获取更佳的识别结果。在Plant Village公开数据集进行试验验证,结果表明:提出的改进方法能够有效提升配准精度,准确地识别出农作物叶片上同时存在的不同病虫害,对番茄叶片检测的mAP 0.5达到88.74%,比传统YOLOv8方法提升8.53%,且计算耗时没有明显增加。消融试验也充分证明所提各个模块的有效性,能够更好地实现高精度识别叶片病虫害,为农田智慧化管理提供有力支持和保障。

基于改进ResNet模型的番茄叶片病虫害识别

识别早期番茄叶片的病虫害是预防番茄病虫害、提升产量的关键步骤之一。基于改进ResNet50识别番茄叶片病虫害。根据不同病虫害类别创建5种不同番茄病虫害数据集,并采用数据增强方式对数据进行预处理。在原始模型ResNet50的基础上,通过在网络模型结构中添加SE注意力机制模块让模型能够更准确地识别待检测目标。此外为了减少模型的参数量,实现更加轻量化的模型,利用深度可分离卷积替换传统卷积。为了说明改进模型的有效性,分析改进后的模型在番茄叶片病虫害数据集上的性能,将其与传统卷积神经网络ResNet50、AlexNet、VGG16、GoogLeNet进行对比。实验结果表明,改进后的模型相较于原模型参数量降低了37.5%,准确率达到了97.4%,与原模型相比,其准确率提升了4.4%。综上所述,本模型实现了性能与参数量之间的良好平衡,为后续在实际环境中番茄叶片病虫害识别系统部署提供可能。

利用改进MobileNet V2网络识别水稻叶片病虫害的方法

针对传统水稻叶片病虫害分类效率不高、精度低和模型占用空间过大等问题,改进MobileNet V2网络,并结合迁移学习策略对水稻叶片病虫害进行识别。实验以4种常见水稻叶片病虫害作为研究对象,利用注意力机制对MobileNet V2进行改进,通过修改模型残差结构引入通道注意力机制,并采用迁移学习策略对改进模型进行训练。实验表明,相比于原始模型,引入注意力机制并采用迁移学习的改进模型CAM_qianyi的准确率提升了0.82个百分点,达到了84.32%,其准确率也高于轻量化卷积神经网络ResNet18(82.54%)和未采用迁移学习的改进模型CAM(73.65%)。改进模型能准确提取水稻叶片病虫害特征,有效提高了识别效率和精度。

基于半监督主动学习的小麦叶片病虫害区域分割方法

小麦叶片病虫害区域的准确分割对实现病虫害检测自动化与智能化有重要作用,对提高农作物经济效益有重要的理论价值和现实意义。为解决现有研究中样本标注工作量大、分类效果差等问题,本研究结合人工干预标注的主动学习策略,提出一种基于半监督主动学习的小麦叶片病虫害区域分割方法,通过提取边界特征、颜色空间特征和纹理特征,组成特征向量,使用直推式支持向量机作为分类器,在每一轮训练中,结合k-means算法随机生成待标记样本,通过人机交互系统干预样本标签提高分类效率。此外,本文构建了在新的病虫害区域分割方法基础上的对病虫害进行分类的LM神经网络模型。在图像分割实验中所提出模型与经典的小样本SVM模型以及半监督TSVM模型对比,分割效果排名第一,证明了所提出分割策略的优越性。在对病虫害识别实验中,模型验证结果表明采用半监督主动学习方法的LM神经网络分类模型得到的识别准确率为93.75%,具有良好的分类效果,能够为后续的病虫害防治提供有效依据。

基于深度卷积生成对抗网络和卷积神经网络的叶片病虫害问题研究

传统的机器学习和深度学习方法耗时费力、泛化性能较低且需要大量样本数据,因此需要一种能在小样本情况下准确识别植物病虫害的方法。文章利用深度卷积生成对抗网络生成大量包含叶片病虫害的合成图像数据集,结合卷积神经网络进行叶片病虫害的自动检测和识别,探讨深度卷积生成对抗网络和卷积神经网络应用于叶片病虫害问题的可行性和有效性。实验证明,该方法在小样本情况下能够准确识别叶片病虫害,具有较高的准确性和鲁棒性,为解决植物病虫害问题提供了一种新的方法。

基于图像和光谱信息融合的病虫害叶片检测系统

运用图像和近红外光谱技术,基于VC++和Matlab语言,设计了与PC硬件和Windows XP、Windows 2000软件环境兼容、基于图像和光谱信息融合的病虫害叶片检测系统。阐述了该系统的工作原理、工作过程、硬件组成及软件功能。该系统可实现病虫害叶片图像、光谱数据的自动采集、数据的预处理、病虫害危害程度的预测与检测结果的显示。将该系统用于病虫害叶片危害程度的检测结果表明,检测的精度、可靠性高,可用于病虫害叶片危害程度的无损检测。

基于多重分形的油菜病虫害叶片图像分割

利用多重分形理论中的基于sum容量测度、max容量测度和min容量测度的多重分形谱分割方法,分别对油菜菌核病害、白斑病害、油菜潜叶蝇虫害叶片图像进行识别与分割。结果表明:基于多重分形理论的油菜病虫害叶片图像分割优于传统的阈值分割,基于C均值聚类的分割以及传统区域分割,主要在于能够清晰地分割出病虫害叶片边缘轮廓,准确定位病虫斑区域,同时还能保留较多细节,具有局部性强、准确性高的特点。相比而言,基于max和min容量测度的分割优于基于sum容量测度的分割。

基于改进高斯滤波算法的叶片图像去噪方法

【目的】使用改进的自适应高斯滤波算法对农作物叶片病虫害图像进行降噪处理,为叶片病虫害图像提供前期预处理的优化手段,从而提高诊断的准确性。【方法】通过计算图像像素矩阵区域内中心点邻域方差与二维高斯滤波函数的比值,确定高斯标准差,动态生成高斯卷积核,从而形成改进的自适应高斯滤波算法,对病斑图像进行降噪平滑处理;然后分别模拟不同噪声强度,比较算法的降噪效果;最后通过峰值信噪比(Peak signal-to-noise ratio,PSNR)定量计算改进前后高斯滤波算法的优化程度。【结果】首先,使用MATLAB2014b对密刺黄瓜枯萎病斑RGB图像模拟出3组不同噪声强度下的干扰场景,并进行归一化处理;然后,分别利用3种算法对噪声图像进行降噪处理,得出当噪声强度较弱时,改进算法对高斯白噪声抑制效果明显;噪声强度增大时,改进算法的优化程度逐渐下降;其次,分别计算各算法改进前后的PSNR,得出当噪声强度为0.01、0.02和0.03时,即改进的自适应高斯滤波算法PSNR值分别比传统高斯滤波提升6.942、6.965和6.718db;最后,通过计算100组采集叶片图像降噪处理后的PSNR值,得到改进的自适应高斯滤波的PSNR值平均提高13.8%。【建议】采集的农作物叶片图像试验材料需广泛化;推动优化图像预处理的进程;提升图像匹配准确性,推动叶片诊断专家系统的研究。