基于红外热成像和改进YOLO v5的作物病害早期识别

为实现作物病害早期识别,本文提出一种基于红外热成像和改进YOLO v5的作物病害早期检测模型,以CSPD-arknet为主干特征提取网络,YOLO v5 stride-2卷积替换为SPD-Conv模块,分别为主干网络中的5个stride-2卷积层和Neck中的2个stride-2卷积层,可以提高其准确性,同时保持相同级别的参数大小,并向下阶段输出3个不同尺度的特征层;为增强建模通道之间的相互依赖性,自适应地重新校准通道特征响应,引入SE机制提升特征提取能力;为减少模型计算量,提高模型速度,引入SPPF。经测试,改进后YOLO v5网络检测性能最佳,mAP为95.7%,相比YOLO v3、YOLO v4、SSD和YOLO v5网络分别提高4.7、8.8、19.0、3.5个百分点。改进后模型相比改进前对不同温度梯度下的作物病害检测也有提高,5个梯度mAP分别为91.0%、91.6%、90.4%、92.6%和94.0%,分别高于改进前3.6、1.5、7.2、0.6、0.9个百分点。改进YOLO v5网络内存占用量为13.755 MB,低于改进前基础模型3.687 MB。结果表明,改进YOLO v5可以准确快速地实现病害早期检测。

改进注意力机制的多叉树网络多作物早期病害识别方法

在作物染病早期,及时获取作物病害信息,判别染病原因和严重程度,从而对症下药,能够及时防治病害扩散造成的作物产量下降。针对传统深度学习网络对作物早期病害识别方法准确率低的问题,基于病害特征图像各通道包含的信息量不同,及多层感知机(Multilayer Perceptron,MLP)能逼近任意函数的特点,提出了一种改进注意力机制的多叉树网络作物早期病害识别方法,将注意力机制融合残差网络对病害特征重校准(SMLP_Res);同时结合多叉树结构对具有较高特征提取能力的SMLP_ResNet(Squeeze-Multi-Layer Perceptron ResNet)网络进行扩展,构建的多叉树SMLP_ResNet网络模型可以简化多作物早期病害识别任务,有效提取早期病害特征。实验中使用Plant Village和AI Challenger 2018两种数据集对18层的ResNet,SE_ResNet,SMLP_ResNet这3种网络模型,以及同等结构的多叉树结构模型进行训练,验证了SMLP_Res和多叉树结构对作物病害识别模型的影响。通过实验分析得到18层的ResNet,SE_ResNet,SMLP_ResNet这3种网络模型在病害特征较明显的Plant Village数据集上病害识别的准确率均达到99%以上,但在早期病害数据集AI Challenger 2018上的准确率均不超过87%,SMLP_ResNet因加入了SMLP_Res模块,故对作物病害数据特征提取较为充分,检测结果较好。多叉树结构的3种早期病害识别模型,在AI Challenger 2018数据集上识别准确率均有明显提升,多叉树SMLP_ResNe较其余两种模型具有较好的性能,其中樱桃早期病害识别准确率为99.13%,检测结果最佳。文中提出的多叉树SMLP_ResNet作物早期病害识别模型,能够简化识别任务,抑制噪声传输,达到了较高的准确率。

基于多维随机森林的番茄灰霉病高光谱图像早期检测

植物病害的自动早期检测对于作物精确保护至关重要。提出了一种基于多维光谱序列(multi-dimensional spectral series,MDSS)和加权随机森林(weighted random forest,WRF)的番茄灰霉病早期诊断与鉴别方法。目的是利用叶片多个观测维度的光谱曲线整体变化趋势建立作物病害检测模型,以期在肉眼明显可见叶面病斑前对作物病害实现诊断。将健康叶片接种灰霉病菌第3天作为叶片成功染病第1天。试验首先采集番茄健康叶片和染病叶片7天内每天的高光谱图像,提取感兴趣区域并计算平均光谱作为初始光谱数据,经筛选共得到(156×7)组有效样本。将样本数据按时间顺序拆分成分别包含1~7个维度的光谱数据形成多维原始光谱序列,为增加维度间差异性,相邻原始光谱序列相减构成多维关联光谱序列。分别采用符号聚合近似估计(symbolic aggregate approximation,SAX)和符号傅里叶近似估计(symbolic Fourier approximation,SFA)两种符号化方法将光谱序列离散成局部辨别性特征。基于多维光谱序列的局部辨别性特征建立加权随机森林(MDSS-SAX-SFA-WRF)分类模型,实现病害早期检测。相应地,基于单维光谱序列(single-dimensional spectral series,SDSS)的番茄灰霉病识别模型被作为基准模型与MDSS-SAX-SFA-WRF模型比较。试验结果显示,MDSS-SAX-SFA-WRF检测模型在包含2至7个光谱序列维度的56个测试样本数据中均获得90%以上识别准确率,在包含5个光谱序列维度测试集中得到最高99%的识别准确率,较SDSS-SAX-SFA-MRF检测模型在染病第5天的识别率高8.2个百分点。另外受随机干扰的影响,SDSS-SAX-SFA-MRF模型准确率在染病5~7 d出现大幅度回落至最低84%,MDSS-SAX-SFA-WRF模型识别率在肉眼可见病斑阶段依然保持超过98%的较高检测水准,未过度回落。因此,提出的基于多维光谱曲线整体变化趋势和加权随机森林(MDSS-SAX-SFA-WRF)的分类模型能够有效实现番茄灰霉病早期检测,并具有较强的鲁棒性,为染病初期的番茄灰霉病鉴别提供新思路。