基于空洞卷积下采样单元的轻量化害虫图像识别模型

近年来,随着深度学习技术在计算机视觉领域的广泛应用,害虫图像识别成为农业领域中一项重要任务。为了解决害虫图像识别中传统深度学习模型对计算资源和存储空间需求过高的问题,本研究提出一种基于空洞卷积下采样单元的轻量化害虫图像识别模型。该模型采用轻量化网络架构,并引入空洞卷积和下采样技术来减小计算量和存储空间。首先,采用MobileNet v2网络来替代VGG16网络,以解决主干特征提取网络参数量过大的问题;其次,设计空洞卷积下采样单元对特征图进行降采样,从而实现模型的多尺度识别;最后,引入空洞卷积更好地捕获不同尺度的感受野。试验结果表明,本研究模型对害虫的识别准确率比VGG16模型提高了1.47%;相较于现有深度学习模型,该模型在减小50%参数量的同时,依然能够保持较高的识别准确率和实时性能。期待本研究模型可以对农业领域中害虫的监测与预警等提供一定的实际应用价值。

基于内容的小麦害虫图像检索系统研究与实现

以小麦害虫图像为研究对象,研究并开发了基于内容的害虫图像检索系统。重点研究了基于内容的图像检索中的图像特征提取、图像相似性度量和用户相关反馈技术。提出一种重叠四分块颜色矩和一种基于BP神经网络的图像相似性度量方法,并引入灰色相关反馈算法实现了基于语义的图像检索。应用排序评价方法、查准率与查全率对系统的检索性能进行测试,结果表明,系统具有一定的实用性,为快速准确地诊断、识别农作物害虫和害虫图像资源共享提供了技术依据。

基于小波多尺度的林业害虫图像边缘检测

由于光照等原因,林业害虫图像通常噪声较大,通过传统的图像边缘检测技术很难得到符合要求的准确边缘信息。为此在介绍图像多尺度边缘检测原理的基础上,以Canny准则为参照,选用样条小波函数作为最优边缘检测算子。通过计算求出二次样条小波的滤波器系数,进而对林业害虫图像进行多尺度边缘检测,同时在matlab中进行仿真验证,得到不同尺度下的林业害虫图像边缘。实验结果表明,不同尺度下所得的图像边缘连续完整并且具有较强的抗噪效果。

基于卷积神经网络的农业害虫图像匹配点识别方法

当前病虫害图像智能识别过程提取的局部特征主要突出图像细节,对图像中光照等外界环境干扰较为敏感,匹配精度低,提出一种基于卷积神经网络的农业害虫图像匹配点识别方法。将害虫标本与活体图片作为训练集与测试集,建立卷积神经网络,在卷积层中,上个层级的特征经卷积核处理后,利用激励函数即可获取新一层特征。池化层选择max poling进行处理,学习过程采用梯度反向传播形式。在分类层中,针对目标函数,通过Momentum动量法进行处理。采用建立的数据集对卷积神经网络特征视觉词袋模型进行训练,依据虫害图像特征,通过对处于同一叶子节点上的匹配点进行相似度计算,完成对匹配点的识别。实验结果表明,在视角发生改变的情况下,本文方法、SURF方法、BRIEF方法的匹配比率没有很大的差异,而在季节改变与光照改变的情况下,本文方法的匹配比率明显优于SURF方法、BRIEF方法。

基于数学形态学滤波的储粮害虫图像二值分割研究

阐述了储粮害虫二值图像分割技术在图像识别中的重要性,提出一种基于数学形态学的改进二值图像分割方法。该方法不仅可以将储粮害虫从背景中分割出来,而且很好地保留了害虫各个部分的边缘细节特征。该方法计算量较小,简便实用,将其应用于储粮害虫图像的边缘检测,能够清晰、连续地检测到储粮害虫图像的有效边缘信息。

基于SCResNeSt的低分辨率水稻害虫图像识别方法

针对稻田自然环境下害虫移动,难以近距离拍摄高质量图像,导致在现有识别模型检测时无法达到满意识别精度的问题,提出了一种基于SCResNeSt的低分辨率水稻害虫图像识别方法。首先,使用增强型超分辨率生成对抗网络(ESRGAN)对低分辨率图像进行数据增强,解决低分辨率水稻害虫有效信息少的问题;其次构建了SCResNeSt网络,使用3个连续的3×3卷积层替换ResNet50中第1个7×7卷积,以减少计算量;使用自校准卷积替代第2层卷积层中的3×3卷积,通过内部通信显式地扩展每个卷积层的视场,获取害虫图像的部分背景信息,从而丰富输出特征;在主干网络中使用ResNeSt block(Split-attention network block)进一步提升图像中害虫信息获取的准确性。最终,将优选模型移植到手机端,开发了轻量化的移动端水稻害虫识别系统。实验结果表明,与现有方法对比,ESRGAN数据增强方法可以恢复真实的作物害虫信息,SCResNeSt模型有效提高了水稻害虫的识别性能,识别精度达到91.20%,比原始ResNet50网络提高3.2个百分点,满足野外实际场景下的应用需求。本研究为水稻害虫智能化识别和防治提供了技术基础。

基于多特征字典学习的害虫图像自动分类方法

为提高农田害虫图像识别分类的准确率,提出一种基于多特征字典学习的害虫图像自动分类方法。首先,利用监督字典学习的方式,对每一类害虫图像构建多特征过完备字典。为进一步增强计算机在复杂情况下对害虫图像的辨识能力,应用构造的过完备字典对害虫图像进行多特征稀疏表示。最后,通过最小化害虫图像的重构误差实现自动分类。实验结果表明,与其他方法相比,该方法提高了害虫图像识别的准确率。

基于分形理论的林业害虫图像的边缘检测

将分形理论应用于林业害虫图像的边缘检测,通过判断DFBR场模型参数H值范围来获取边缘。实验表明,经直方图均衡化预处理后,该算法能更好地获取图像边缘。

农作物害虫图像识别研究进展与展望

农作物害虫的精准识别是害虫预报及防控的重要前提,图像识别法以高效率、低成本、易操作等优势,成为近年来害虫防治工作的研究热点和主要技术手段。鉴于害虫图像识别在虫害诊断中的巨大潜力,回顾害虫图像识别方法的发展历程,阐述由室内环境下的识别走向自然环境的研究进展,分析传统方法与深度学习的优势与局限性,针对性给出未来发展的相应措施。传统识别方法易实现,适用在样本少、范围小的识别领域;深度学习方法精度高、自适应性强,在数据量充足的前提下可以取得较好的识别效果。最后对农作物害虫图像识别的发展前景进行展望,指出将害虫图像识别与物联网、传感器等技术相结合,共同构建农业大数据,并成为智慧农业的重要组成部分。

基于多重分形的病害虫图像区域快速分割算法

为了提高病害虫的检测与识别能力,采用图像区域分割技术进行病害虫图像检测与识别,提出一种基于多重分形的病害虫图像区域快速分割算法.采用分区域特征匹配方法进行二维病害虫图像的分块融合性检测,采用绿叶素纹理分形方法实现病害虫图像的纹理跟踪识别,结合病害区域纹理异常特征检测方法提取病害虫图像异常特征点与轮廓信息,对区域分割二维病害虫图像的表面纹理特征进行多模态配准,对病害虫图像进行平滑去噪,采用多重分形技术进行块匹配和病害绿叶素的信息跟踪识别,降低病害虫图像区域分割的表面误差,实现病害虫图像的区域的快速准确分割.仿真结果表明,采用该方法进行病害虫图像区域分割的速度较快,分割精度较高,提高了对病害虫感染区域的准确识别和检测能力.

基于多线程并行技术的粮仓害虫图像传输与优化

基于多线程并行技术的粮仓害虫图像传输提取系统的优化设计是通过分布式的无线图像传感器网络,实现粮仓害虫图像的传输与监测,保证了每个采集到的害虫图像清晰可靠地传输到监测终端,避免因温度、湿度等仓储环境对图像信息传输的影响,在图像的提取与传输上采用了多线程异步数据传输模式,实现主机与前置机的通信连接。另外利用该系统对害虫图像信息进行建档、电子钥匙授权、实时历史查询等设计。并采用DES加密等保证图像的有线传输。

基于机器视觉的害虫自动检测技术研究

精密施药在精准农业领域是学者研究的热门话题,但是在害虫的自动识别阶段,以往的研究都是在一个特定的光源和单一的背景下研究静态害虫,不能满足大田害虫实时识别的需求。本文设定算法应用对象为非特定环境下的玉米蚜虫若虫,通过理论分析,模型试验的方法,理论和实验相结合,完成了害虫自动检测算法,研究结果对进一步的大田实时识别研究具有重要意义。

基于多尺度双路注意力胶囊网络在水稻害虫识别中的应用

【目的】研究基于多尺度双路注意力胶囊网络(Multi-scale Dual-path Attention Capsule Network, MDACapsNet)的水稻害虫识别方法,为田间害虫自动识别提供参考依据。【方法】针对现有方法对位置、姿势多变的水稻害虫识别准确率低等问题,在胶囊网络(Capsule Network, CapsNet)的基础上,提出一种基于MDACapsNet的水稻害虫识别方法。MDACapsNet由编码模块、重构模块与分类模块组成。在MDACapsNet编码模块中,多尺度双路注意力模块与局部共享动态路由算法用于提高网络的特征提取能力并降低网络计算量;在MDACapsNet的损失函数中增加重构图像损失项,加速网络训练。【结果】在复杂背景下的水稻害虫图像数据集进行实验,识别准确率为95.31%。与VGG16、CapsNet、ResNet相比较,MDACapsNet的识别准确率分别提高5.47%、19.83%、2.83%。【结论】MDACapsNet能较好地识别大小不同、背景复杂、姿势多样的水稻害虫,可应用于田间水稻害虫自动检测系统中。

基于YOLOv5的害虫识别研究

针对害虫图像数据中小目标误检、漏检、类别不平衡及特征提取能力不足等问题,提出了一种改进的基于YOLOv5的害虫检测模型。首先,该算法通过伪标签技术缓解标签数量不足带来的问题;其次,通过增加一个4倍的下采样层,调整损失函数增强对少数类别的感知能力;再次,通过修改目标框回归公式解决训练过程中梯度消失的问题,提升小目标的检测精度;最后,利用虫情测报灯采集的图像数据进行实例验证。实验结果表明,该害虫检测模型具有较好的预测效果。

Pest Detection Method Using Multi-Fractal Analysis

A novel method for pest detection is proposed based on the theory of multi-fractal spectrum to extract pests on plant leaves.Both local and global information of the image regularity were obtained by multi-fractal analysis.By applying fractal dimension,the spots on leaf images can be extracted without loosing or introducing any information.The different parts of images are re-analysis by morphology operations to determine the candidate regions of pests.The performance of multi-fractal analysis of whitefly detection is investigated through greenhouse experiments.The experimental results show that the proposed method is robust to noise from light and is not sensitive to the complex environment.