基于双节点-双边图神经网络的茶叶病害分类方法

传统茶叶病害分类主要依赖人工方法,此类方法费工费时,同时茶叶病害样本较少使得现有的机器学习方法的模型训练不充分,病害分类准确率不够高。针对茶炭疽病、茶黑煤病、茶饼病和茶白星病4类病害,提出一种基于双节点-双边图神经网络的茶叶病害分类方法。首先通过两分支卷积神经网络提取RGB茶叶病害特征和灰度茶叶病害特征,两分支均采用ResNet12作为骨干网络,参数独立不共享,两类特征作为图神经网络的两个子节点,以获得不同域样本所包含的病害信息;其次构建相对度量边和相似性边两类边,从而强化节点对相邻节点所含病害特征的聚合能力。最后,经过双节点特征和双边特征更新模块,实现双节点和双边交替更新,提高边特征对节点距离度量的准确性,从而实现训练样本较少条件下对茶叶病害的准确分类。本文方法和小样本学习方法进行了对比实验,结果表明,本文方法获得更高的准确率,在miniImageNet和PlantVillage数据集上5way-1shot的准确率分别达到69.30%和88.42%,5way-5shot准确率分别为82.48%和93.04%。同时在茶叶数据集TeaD-5上5way-1shot和5way-5shot准确率分别达到84.74%和86.34%。

大豆病害分类的高光谱分析

作物病害类型的快速无损检测对提高作物品质和产量至关重要。传统的病害分类方法费时费力且不能实时检测。为此,利用高光谱进行大豆病害分类。以健康大豆为对照,灰斑病和细菌性斑点病两种病害为研究对象,获取三种类别叶片高光谱数据。基于高光谱曲线分析病害与健康叶片反射率的变化规律。采用主成分分析(PCA)和光谱指数(SI)两种单一方法进行病害有效信息提取,共使用30个SI。在此基础上,提出一种PCA与SI相结合的组合方法(PCA-SI),通过提取有效主成分(PC)及有效SI,将有效SI按得分情况分为两组(9SIs和18SIs),再分别对应每一个有效PC进行分组,形成病害光谱有效信息的变量集。采用三种方法分别进行病害有效信息的提取,基于提取后的光谱变量,采用最小二乘支持向量机(LSSVM)和支持向量机(SVM)两种分类器建立病害分类模型。以原始高光谱为基准,以病害分类正确率为指标,评价模型的病害分类性能及不同病害有效信息提取方法和分类器的有效性。结果表明:高光谱反射率具有可见光450~700 nm波段范围病害叶片高于健康叶片而近红外760~1 000 nm波段范围其特征完全相反的规律。采用单一PCA方法提取出了34个有效PC用于病害分类。基于PCA-SI组合方法提取出5个有效PC(PC1—PC5)和18个有效SI,将其进行分组得到10组变量,共计13组变量作为建模集。三种方法提取病害有效信息后的光谱变量均比原始高光谱具有更好的病害分类能力,提出的PCA-SI组合方法具有最优的病害有效信息提取能力,PC1-18SIs和PC4-18SIs为最优建模集,LSSVM分类器具有最优的分类性能。PC1-18SIs-LSSVM和PC4-18SIs-LSSVM模型为最优病害分类模型,训练集和预测集的总病害分类正确率分别为100%和98.85%,与原始高光谱分类模型相比,总分类能力分别提高了6.47%和21.74%,模型分类能力较好,可为病害实时无损分类识别提供参考。

江南园林假山遗产病害分类研究

假山是江南园林的基本造园元素之一,属于园林遗产价值的核心部分。由于长期暴露在露天环境中,加上各类人为原因,江南园林假山的病害现象具有复杂且多样化的特点。文章首先从预防性保护的视角出发,对国内外石质文物病害分类研究进行总结和梳理,并进行适用性分析。其次,通过内业与外业相结合的方式对江南地区的12处园林的假山病害特征进行现场勘查和测绘,对假山遗产的病害特征进行记录。最后,结合国内外石质文物病害分类的相关研究和江南园林假山遗产现场勘察的结果,构建江南园林假山遗产病害分类体系,以期为假山遗产的病害识别提供参照依据和理论基础。

基于改进ResNet34的玉米病害分类研究

玉米病害分类是一个具有挑战性的问题,因为病害的形态和颜色等特征相似,使得分类难度较大。文章基于深度学习技术,对玉米病害进行分类研究,提出了一种名为CBAM_ResNet34的卷积神经网络模型。该模型在ResNet34基础上加入了CBAM注意力模块,可以更好地提取玉米病害特征,以提高模型的分类性能。本文使用公开玉米病害数据集,共包含8种类别,通过数据增强技术进行数据扩充得到17 670张图片,可以有效提高模型的泛化能力。将改进后的模型与ResNet34模型进行实验对比,实验结果表明,CBAM_ResNet34模型的分类准确率为88.1%,相比ResNet34提高了1.1%。该模型能够有效地对玉米病害进行分类识别,为玉米产业的发展和可持续利用提供了一种新的方法和思路。

基于注意力机制和残差网络的苹果叶片病害分类

苹果叶片病害的高效准确识别有助于合理使用杀虫剂、肥料等农业资源,进而保证苹果的产量与质量。为提高苹果叶片病害识别的准确率,提出一种残差网络与注意力机制结合的苹果叶片病害识别模型:P-D-ECA-ResNet101。首先构建苹果叶片病害数据集,然后使用常见的4种网络模型在构建的数据集上进行训练,选取训练效果最好的ResNet101为骨干网络模型,通过推迟下采样(delayed downsampling)、拆解大卷积层以及引入高效通道(efficient channel attention module,ECA)注意力模块对ResNet101网络模型进行优化,最后通过特征图可视化展示改进后网络模型的识别机制。试验结果表明,推迟下采样可以增强模型特征提取能力,拆解大卷积层可以有效减少模型的复杂度,引入ECA注意力模块可以削弱无效特征信息对模型的干扰。改进后的P-D-ECA-ResNet101模型在构建的苹果叶片病害测试集上的平均识别准确率达到96.20%,相较于原模型ResNet101提升了2.20百分点。特征图可视化分析表明改进后的P-D-ECA-ResNet101模型可以更好地聚焦于病斑区域。本研究提出的P-D-ECA-ResNet101模型较ResNet101模型具有更深的网络结构,更好的特征提取能力,更强的抗干扰能力,可为田间环境下的苹果叶片病害识别提供参考。

基于多尺度特征拼接的小样本茶叶病害分类

传统的茶叶病害分类是一项耗时耗力的工作.针对该问题,提出一种基于多尺度特征拼接的网络模型,用于小样本茶叶病害分类.通过多尺度注意力模块提取茶叶叶片的显著性特征,进而得到显著性图像.对显著性图像与原始图像进行通道特征拼接,使拼接后的图像既包含全局特征又包含局部特征.融合多个不同卷积层输出的特征,使特征图包含空间和语义信息.分类实验结果表明:用可分离卷积代替常规卷积后,该文模型参量总数小于关系网络模型参量总数的1/2,提高了分类效率;相对于其他5种模型,该文模型分类准确率最高.

电力电缆隧道结构常见病害分类及防治

隧道病害作为电力电缆隧道运营阶段的主要问题之一,缺乏有针对性的分析和研究。通过总结分析基于已有研究成果及在运营电力隧道调查数据,对常用工法修筑的电力隧道病害进行分类,分析成因,并简要探讨隧道结构病害的预防与治理思路,为相关工程的运营检修、病害防治提供依据。

基于残差网络的混凝土结构病害分类识别研究

针对混凝土结构病害识别类型单一、精度较低的现状,提出了基于残差网络和迁移学习的病害分类识别方法,通过构建多属性病害数据集,利用迁移学习优化残差网络模型,提出混凝土结构健康状态识别的多个任务。首先收集混凝土结构的病害状态图像,依次通过数据清洗、尺寸均一化、数据扩增和多人投票标注,最终得到包含6 680张图像的混凝土结构病害多属性数据集,并依据不同标注属性进行了相应训练集、验证集和测试集的划分;然后利用迁移学习对预训练的ResNet-34网络前3个部分进行参数冻结,后续2个部分的参数进行重新训练,并在模型末端添加新的参数,基于已构建的数据集进行训练;最后在提出的构件类别检测、剥落检测、病害检测和病害类别检测任务中,分别获得84.88%、98.56%、97.18%和85.34%的F1分数。结果表明:通过构建多属性标注的混凝土结构病害数据集训练深度学习模型,可较好地实现多场景特征下的病害识别效果;采用迁移学习技术可从开源数据中获取较好的特征提取效果;改进的ResNet-34网络可克服网络退化问题,并针对混凝土结构病害识别的多个任务获得较好的效果;相对于单一的混凝土结构病害识别,进行病害部位、程度、多类别的系统性检测,可为结构状态评估提供详细信息,更贴合工程实际需要。

公路桥梁病害分类与编码构建方法

为顺应交通信息化的发展趋势,探讨一种适用于国内公路桥梁养护信息化的病害分类标准与编码方式,通过对国内外公路桥梁病害的调研与总结,以及国内外相关桥梁养护规程中病害分类方法的对比与分析,形成以材料相关病害、桥梁构件相关病害、动态病害、附属与设备通用病害为主要划分基准的病害分类方法,同时对各种病害进行层级编码。研究结果旨在提高桥梁养护数据标准化,为公路桥梁养护管理信息化的发展提供数据标准支持。

基于叶绿素荧光成像的温室黄瓜植株病害分类与病情监测

[目的]针对黄瓜植株极易染病且部分病害症状相似的问题,利用叶绿素荧光成像系统研究黄瓜植株不同病害区分及早期病害监测的可行性。[方法]采用叶绿素荧光成像系统采集全植株冠层图像,以褐斑病和炭疽病胁迫下的黄瓜植株为试验材料,分析植株生理状态,建立基于叶绿素荧光参数的病害分类和病情诊断模型。首先通过图像的分割得到病斑区域;然后采集植株氮含量、叶绿素含量与荧光参数,并分析其变化趋势;最后基于叶绿素荧光强度和动力学参数对黄瓜褐斑病和炭疽病进行分类和早期监测,分别采用支持向量机(SVM)算法和极端梯度提升(XGBoost)算法对不同程度病害植株进行分类。[结果]与对照植株相比,染病植株叶绿素含量及氮含量呈逐渐下降趋势,最大光化学量子产量(Fv/Fm)、实际光化学效率(ΦPSⅡ)降低,非光化学淬灭(NPQ)、非光化学淬灭系数(qN)和光化学淬灭系数(qP)上升。对于植株的病害与病情分类,利用XGBoost算法进行分类的结果整体较好。对2种病害单独分类的准确率达到90%以上,对2种病害同时分类准确率达到85%以上,对病情和病害种类同时监测的准确率接近80%。[结论]基于叶绿素荧光成像系统监测黄瓜病情和区分其病害种类是可行的,具有良好的应用前景。

《古建筑木结构病害分类与图示》标准列入国家文物局2020年度第一批文物保护行业标准制修订计划

2020年10月26日,国家文物局办公室通知,同意《水下考古工作规程》等9个项目列入2020年度第一批文物保护行业标准制修订计划,其中以中国林科院木材工业研究所为主持单位的《古建筑木结构病害分类与图示》列入其中。《古建筑木结构病害分类与图示》标准是在中国林科院中央公益性科研院所基金关于古建筑木结构保护重点项目前期研究和文物保护各单位的勘察实践基础上积淀的成果体现,在文物保护各单位的支持和配合下得到立项。参加标准起草的单位还有中国文物保护基金会、中国文化遗产研究院以及北京、浙江、山西、陕西、广州和四川等地方文物保护单位。下一步,标准制定小组将按照国家文物局的要求,认真开展工作,确保标准项目顺利实施。

基于改进MaxViT的辣椒病害识别分类方法

为实现复杂环境下辣椒病害的精准识别和分类,设计了一种适用于辣椒病害识别分类的方法。以辣椒在生长过程中常见的6种病害为分类研究的对象,使用数据增强的方法扩充数据集,提出一种基于MaxViT改进的MaxViT-DF模型,将MaxViT模型中的普通卷积替换为可变形卷积,使模型在提取特征时能更贴近复杂环境下的识别目标;同时在MaxViT模型施加注意力时引入特征融合模块,提高模型的全局感知能力。结果显示,改进的MaxViT-DF模型识别分类准确率达到98.10%,对6种辣椒病害的分类精度均高于95%。与ResNet-34、EfficientNetv2和VGG-16等模型相比,改进模型在收敛速度和分类精度上具有明显优势。以上结果表明,MaxViT-DF模型能够对不同种类的辣椒常见病害进行有效的分类识别。

玉米典型叶部病害高光谱识别及其烈度分类

[目的/意义]近年来,玉米叶部病害发生日趋加重且呈现混发现象,严重威胁玉米产量和品质。但目前鲜有研究对叶部病害种类识别及其烈度分类进行结合,无法满足实际场景中玉米不同病害及不同烈度混发下的病害防控需求。[方法]提出一种基于高光谱技术实现玉米典型叶部病害种类识别及其烈度分类的方法,通过挖掘玉米大斑病、小斑病和南方锈病3种叶部病害的光谱特性,优选敏感特征构建基于病害发展全阶段(包含病害所有烈度)和病害单一烈度下的病害种类识别模型;进一步地,针对玉米叶部单一病害构建烈度分类模型,以期实现对不同叶部病害的全过程识别与病害烈度分类。[结果和讨论]3种玉米叶部病害在550~680 nm的可见光、740~760 nm的红边、760~1000 nm的近红外和1300~1800 nm的短波红外处其光谱变化显著。基于此提取的光谱特征能够有效捕捉病害特异性信息。基于病害发展全阶段构建的病害种类识别模型最优总体精度(Overall accuracy,OA)达77.51%,Macro F_(1)达0.77;而基于病害单一烈度下的病害种类识别模型精度随着病害烈度的增加而升高。在病害发展阶段处于重度烈度时,病害种类识别模型最优精度达95.06%,Macro F_(1)达0.94。此外,研究构建的3种玉米叶部病害烈度分类模型最优精度均超过70%,其中大斑病烈度分类效果最好(OA=86.25%,Macro F_(1)=0.85)。[结论]基于高光谱数据能够有效实现玉米典型叶部病害种类识别及其烈度分类,为大范围作物病害监测提供研究基础及理论依据,助力精准防控与绿色农业。

基于深度学习的钢桥桥面铺装病害识别与量化方法

受反复的交通荷载、温度变化、风载等的影响,钢桥桥面铺装的应力状态复杂,加上柔性的桥面铺装与刚性钢桥结构力学相容性问题,钢桥桥面铺装易出现早期病害。为了识别、分类和量化钢桥桥面铺装典型病害,文中提出一种基于深度摄像头Kinect V2和深度学习的桥面铺装病害识别方法。先通过传感器采集桥面铺装病害图像,创建带标识的数据库,并将其转化为训练集,然后利用YOLOv5对训练集的原始数据进行训练、验证与测试,获得桥面铺装病害识别、分类和量化结果。结果表明,基于深度学习,利用随机采样一致性(RANSAC)可以实现RGB-D传感器在不同工作距离上的平面拟合,达到对桥面铺装病害的高效识别,各类病害的识别误差均可控制在10%以内;与人工识别方法相比,利用简单图像采集设备和机器学习的智能识别方法能以较低的成本在不影响交通的条件下完成钢桥桥面铺装病害识别与量化,计算效率更高,可大大节省人工和时间成本,且能保证识别结果在一定精度范围内。

干旱区土遗址病害的分类研究

我国西北干旱区分布大量的土遗址,在分析干旱区土遗址病害的基础上,建立了按病害成因、病害表现形式和形成机理分类的土遗址病害3级分类体系和定义。将土遗址的病害分为两大类即自然破坏和人为破坏。自然破坏有5个亚类14个病害表现形式,包括片状剥蚀:雨蚀剥离病害、风蚀剥离病害和裂隙剥离病害;淘蚀:酥碱、风力淘蚀和流水淘蚀;裂隙(缝):卸荷裂隙、构造缝、变形裂隙、建筑工艺裂缝;冲沟:裂隙型冲沟和径流型冲沟;生物破坏:动物病害和植物病害。人为破坏有两种即历史破坏和近现代破坏。

朔黄重载铁路路基病害的分类及其成灾机理研究

在大量路基病害相关文献的查阅、分析整理的基础上,结合朔黄重载铁路路基病害现场调查数据,对其存在的主要路基病害进行了分类,并对各类病害的一般特征和表现形式、产生条件及成灾机理进行了系统分析,为既有重载铁路路基病害的预防和整治措施提供理论依据和参考。

城市道路地下病害成因及基于综合探测的工程分类探讨

根据城市道路地下病害体探测技术的要求和特点,提出基于地下病害体综合探测的工程分类,即分为道路脱空、路基空洞、土体疏松、富水异常和水囊五大类病害,其中疏松病害体和富水病害体根据发育程度又分为严重、中等和轻微,为类似工程探测和成果对比提供规范性依据。

轻量型Yolov7-TSA网络在茶叶病害检测识别中的研究与应用

针对现有茶叶病害识别方法准确率低、模型运行速度慢和缺乏检测功能等问题,提出一种新的Yolov7-TSA(Yolov7-Tiny-SiLU-Attention)轻量型网络架构对茶叶病害检测和分类。将Yolov7-T网络中的LeakReLU激活函数替换为SiLU激活函数,以提升检测精度,并防止过拟合。同时,通过融合坐标注意力机制进一步提升对目标轮廓和空间位置的特征感知能力。在含8种茶叶病害(含健康茶叶)的数据集上试验。结果表明,Yolov7-TSA网络对茶叶病害的识别准确率达到了94.2%,与Yolov7-T、Yolov7网络相比,分别提升了3.2、1.2个百分点。另外,Yolov7-TSA网络在参数量、浮点运算数、模型大小和单张图片推理时间方面表现出了显著的效果,与Yolov7网络相比,其分别降低了83%、87%、83%和34%。该网络模型实现了对茶叶病害的检测与分类,同时平衡了识别准确率和实时性能。

古旧家具病害的分类及价值辩证分析

古旧家具受环境的影响,其存在状态逐渐劣化,产生各类病害。本文从家具材料的劣化机理出发,对古旧家具各类病害进行分类,同时对病害的价值进行辩证分析。研究表明,古旧家具所处环境复杂多变,受到多种自然或人为因素的影响,并逐渐改变其物理和化学性能,进而产生病害。不同材料在不同环境下的劣化机理不同,产生的病害亦不同。通过辩证分析出这些病害在考古学、文物保护学及文物学等方面具有不同的价值。研究结果有助于分析古旧家具病害的成因及类型,明晰病症,在科学化程序化的基础上,制定更加高效可行的古旧家具修护和保护措施。

馆藏皮影文物的病害分类及分级方法初探

为了对馆藏皮影文物进行科学的保护,借鉴'全国馆藏文物腐蚀损失调查'项目的相关成果,以成都中国皮影博物馆馆藏皮影文物为例,初步研究了馆藏皮影文物的病害分类及分级方法,在此基础上对部分馆藏皮影文物进行了病害调查。结果表明:馆藏皮影文物存在残缺、皱缩、卷曲、动物病害、微生物病害、脆化、污渍、粘连、断裂、裂隙、折痕、颜料褪色及脱落等多种病害;参照馆藏纸质及丝织品文物腐蚀程度判定方法,将馆藏皮影病害程度分为'基本完好''轻度病害''中度病害'和'重度病害'四级;抽样调查显示,成都中国皮影博物馆96.72%的馆藏皮影文物存在不同程度的病害。初步研究和调查结果为科学开展馆藏皮影文物保护工作奠定了基础,也为其后续保护技术研究指明了方向。