一种迁移学习算法在番茄病害检测上的应用

针对当前番茄病害智能识别精度不高、耗时长的问题,提出一种基于Inception-v3和迁移学习相结合的图像分类算法。从试验田中收集8种番茄病害叶片和健康叶片,运用1000万像素高清扫描仪统一扫描成图像,将图像归类到9种文件夹中,手动标记叶片属性。最后,基于Inception-v3模型结合迁移学习算法对健康和病害叶片进行分类试验,并与传统图像分类算法(KNN、SVM、BP神经网络)和非迁移学习算法进行对比。结果表明,基于Inception-v3模型结合迁移学习算法,在番茄病害图像分类中能够快速有效识别分类生长健康番茄和患病番茄,并且能高效识别番茄病害的种类。其中健康置信度达0.9760,病害种类平均置信度达0.9297,可为番茄病害检测和防治提供支持。

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。

融合多尺度特征的遮挡番茄病害图像识别研究

针对复杂环境下因叶片重叠遮挡以及目标较小等原因而导致番茄病害识别准确率较低的问题,提出一种多尺度级联模型(IMS-Cascade)。该模型以级联神经网络(Cascade R-CNN)为基础,在主干网络中引入融合上下文信息的可切换空洞卷积,使用复杂的多尺度卷积核提取目标特征,解决同种病害因叶片遮挡而形状差异较大的问题,并在特征融合网络中添加反馈连接模块,使模型可以进行多次的特征提取,提高浅层信息的利用率。最后在损失函数上增大准确样本的梯度,降低异常样本对模型的影响。将该模型用于Plant Village公开发表的部分番茄叶病害数据集上,mAP达到89.1%,平均准确率达到99.36%,分别比原始Cascade R-CNN模型提高2.5%和1.84%,具有更高检测精度,有利于复杂环境下的番茄病害检测。

融合CNN多卷积特征与HOG的番茄叶部病害检测算法

传统的番茄叶部病害检测依赖于耗时费力的人工特征设计,必须针对病害的不同分类精心设计相关特征。番茄叶部病害症状复杂,人工设计特征较难。卷积神经网络(convolutional neural network,CNN)可以自动挖掘出隐藏在病害图像内部的抽象特征,在图像识别领域性能优越。该研究提出采用CNN与传统的HOG+SVM算法相结合的方法,抽取番茄叶部病害的浅层特征,将其输入到HOG生成HOG特征并合并,最后输入SVM分类器得到病害检测结果。该研究方法能够改进番茄叶部病害的检测精度。