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。

基于轻量化卷积神经网络的番茄叶片病害识别

传统的卷积神经网络在番茄叶部病害识别中存在结构复杂、参数庞大等问题,导致难以在移动设备上实现良好的应用效果。因此,提出一种基于轻量化卷积神经网络的番茄叶片病害识别方法。首先,将番茄叶片病害图片进行数据增强扩充,保证数据分布均匀;其次,绘制MobileNet v3模型基于扩充数据集tomato2的敏感度分析曲线图,根据敏感度分析曲线图对模型的输出通道数进行裁剪,构建轻量化卷积神经网络模型MobileNet v3-Prune;最后,运用4种卷积神经网络及其对应的轻量化模型对番茄叶片病害图片训练进行试验对比。结果表明,MobileNet v3-Prune对番茄叶片病害识别性能最佳,在测试集上的平均识别准确率达到了99.60%,模型权重仅为3.69 MB,单张图片识别时间为12.13 ms。本研究结果可以为移动设备上的番茄叶片病害识别应用的实现提供理论支持。

改进MobileNetV3-Small模型在番茄叶片病害识别中的应用

面对农作物病虫害识别中的挑战,特别是移动端应用对模型准确性和效率的双重要求,文章提出了一种基于MobileNetV3-Small的改进模型。在MobileNetV3-Small模型的基础上,引入了ECA(Efficient Channel Attention)注意力机制,取代了原有的SE(Squeeze-and-Excitation)模块,从而减少了模型参数量和计算成本,同时提升了对细粒度特征的捕捉能力和抗干扰性。通过在番茄叶片病害数据集上的训练,结果表明改进后的模型准确率达到了98.93%,比原模型提高了0.54个百分点,权重文件大小从17.6 MB减少到12.3 MB,减少了30%。在各项性能评估指标上,该模型均优于传统的轻量化网络和复杂模型。研究结果为移动端农作物病虫害智能识别提供了一种新的高效方案。

基于改进轻量级卷积神经网络MobileNetV3的番茄叶片病害识别

番茄叶发生较为普遍,现有的检测手段存在检测效率和准确性不高的问题。因此,利用深度学习技术对番茄叶进行诊断意义重大。近年来,以卷积神经网络(CNN)为代表的作物病害诊断方法凭借较强的特征抽取能力,已成为作物病害诊断的一种重要手段。为了解决传统卷积神经网络模型规模大、训练时间长的问题,拟基于MobileNetV3网络模型,通过模型压缩、模型结构和损耗函数的改进,以及训练参数的优化,实现基于MobileNetV3的网络模型。试验证明,在测试用例上,提出的方法能有效地提高识别率,减少运算量。同时,该方法能够提高系统的识别率。

基于WGAN和MCA-MobileNet的番茄叶片病害识别

针对番茄病害识别模型参数量大、计算成本高、准确率低等问题,本文提出一种基于多尺度特征融合和坐标注意力机制的轻量级网络(Multi-scale feature fusion and coordinate attention MobileNet, MCA-MobileNet)模型。采集10类番茄叶片图像,采用基于Wasserstein距离的生成对抗网络(Wasserstein generative adversarial networks, WGAN)进行数据增强,解决了样本数据不足和不均衡的问题,提高模型的泛化能力。在原始模型MobileNet-V2的基础上,引入改进后的多尺度特征融合模块对不同尺度的特征图进行特征提取,提高模型对不同尺度的适应性;将轻量型的坐标注意力机制模块(Coordinate attention, CA)嵌入倒置残差结构中,使模型更加关注叶片中的病害特征,提高对病害种类的识别准确率。试验结果表明,MCA-MobileNet对番茄叶片病害的识别准确率达到94.11%,较原始模型提高2.84个百分点,且参数量仅为原始模型的1/6。该方法较好地平衡了模型的识别准确率和计算成本,为番茄叶片病害的现场部署和实时检测提供了思路和技术支撑。

基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明:YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精度均值和召回率分别提高1.9个百分点和2.5个百分点。该模型具有良好的检测精度和检测效果,且该模型在背景复杂的实际种植环境下能够准确地检测并识别不同种类的番茄叶片病害,研究结果可为农业智能管理和番茄叶片病害检测技术的实际应用提供参考。

基于改进的VGG13网络的番茄叶片病害识别

针对当前农作物病害的卷积神经网络识别率低等问题,文章构建了Bilinea-VGG13模型,以番茄叶片病害细粒度图片作为实验数据集,用来测试文章网络的识别性能。将VGG13网络为基础,在连接层之前加入局部池化层和双线性池化(Bi1inear Poo1),能够降低网络维度,减少参数和计算量,并且使网络能降低图片背景信息的干扰,充分提取细粒度特征,提升模型的准确率。改进后模型的准确率为98.07%,明显优于常规的卷积神经网络。为了进一步衡量网络的性能,利用测试集得出混淆矩阵计算出精确度、召回率和平均交互比(MIoU),分别为97.52%、96.44%和96.65%。实验结果表明,该方法能够有效提升模型的分类识别能力。同时,为了验证文章网络的迁移性,分别分类识别土豆、玉米和苹果的病害叶片图像,得到较高的准确率,为识别分类病害图像提供一种新的思路。

基于CNN的番茄叶片病虫害识别技术

近年来,卷积神经网络(CNN)在植物病害检测中得到了迅速的发展和广泛的应用。番茄叶病是植物病害中的一种重要病害,所以设计一种能准确识别番茄叶病的模型是很有必要的。DCNet模型主要利用空洞卷积技术来训练网络模型,并使用批量归一化技术来加速模型收敛,采用随机失活技术避免过拟合问题。同时也利用批量归一化技术和随机失活技术减少了模型的训练次数,提高了植物叶片病害的分类效率。实验表明,与不同的CNN模型相比,在解决番茄病害分类问题上,该模型无论是参数量还是分类精度都达到了最好的效果。