基于改进YOLOv8的小麦叶片病虫害检测轻量化模型

[目的/意义]针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高质量高效的病虫害检测模型,即YOLOv8-SS (You Only Look Once Version 8-SS),为病虫害的预防与科学化治理提供准确的依据。[方法]基于YOLOv8算法,采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S,在保持检测精度的同时,减少模型的参数数量和计算负载;在此基础上增加小目标检测层和注意力机制SEnet (Squeeze and Excitation Network),对YOLOv8-S进行改进,在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv8-SS小麦叶片病虫害检测模型。[结果与讨论]YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%,对比原模型分别提高10.11%和7.42%。因此,本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性,并增强模型对小目标图像特征的提取能力,从而高效准确地进行病虫害的检测和识别。[结论]本研究使用的方法具有广泛适用性,可应用于大规模农作物病虫害检测的实际场景中。

融合剪枝与知识蒸馏的农业病虫害检测

自动化监测农产品病虫害情况,可以早期发现问题并采取防控措施,减少农作物的损失。一种基于YOLOv7的检测方法以及一种通用的YOLO模型剪枝流程被用于解决农业病虫害检测算法冗杂、计算量大等问题。具体流程是:对农业数据集进行预训练初始化的YOLOv7模型;应用Res Rep剪枝以获得稀疏化的小模型;设计带有中间层知识传递的Neck蒸馏训练策略恢复小模型精度,实现无损剪枝。以包含豆类作物角叶斑点病、草莓花枯病、番茄蜘蛛螨等12类作物病虫害真实图片的数据集为样本,实验结果表明,剪枝后模型的计算量和参数量分别减少了62%和76%,同时平均精度和推理速度分别提升了3.9%和40.4%。研究对提升农业病虫害问题智能检测等新质生产力具有重要的现实参考价值。

基于改进YOLOv5s算法的草莓病虫害检测研究

草莓的生长容易受到多种病虫害的影响,为了快速、准确地检测草莓植株在生长过程中所受病虫害的情况,通过采集草莓生长过程中的图像信息,应用YOLOv5s算法进行分析处理,将CBAM注意力机制集成到YOLOv5s模型中,用以增强模型的感受力和表达能力,通过选择SIOU损失函数替代GIOU损失函数进一步加快模型收敛。研究结果表明,经过改进的算法模型准确率达到了95.2%,召回率提升至97.2%,平均精度均值提高至98.5%。一定程度上满足草莓病虫害的检测。

基于深度学习的农作物病虫害检测算法综述

农作物病虫害对农业产量和品质影响巨大。数字图像处理技术在农作物病虫害识别中发挥重要作用。深度学习在该领域取得显著突破,效果优于传统方法。深度学习方法的特征提取能力更强,能准确捕捉细微特征,提高检测精度和可靠性。深度学习为农业提供了有力支持。本研究综述了基于深度学习的农作物病虫害检测研究,从分类网络、检测网络和分割网络3方面进行了概述,并对每种方法的优缺点进行了总结,同时比较了现有研究的性能。在此基础上,进一步探讨了基于深度学习的农作物病虫害检测算法在实际应用中面临的难题,并提出了相应的解决方案和研究思路。最后,对基于深度学习的农作物病虫害检测技术的未来趋势进行了分析和展望。

基于改进YOLO v4的荔枝病虫害检测模型

为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671 s,模型内存占用量为39.574 MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。

基于X射线图像的树木病虫害检测方法研究

针对现有树木病虫害检测方法精度低、效率慢的问题,基于X射线成像理论、自适应图像聚类分割方法,提出了一种基于X射线图像的树木病虫害改进检测方法。通过采用X射线偏轴旋转检测法提高检测成像质量和图像分割效果,同时针对现有图像分割算法对虫害缺陷树木图像分割效果差的问题,提出一种改进模糊C-均值聚类(improve fuzzy C-means clustering,IFCM)图像分割算法,利用灰度直方图自适应确定初始聚类中心和聚类数目,根据聚类集群完整度和聚类大小优化隶属度函数。实验结果表明,相较现有图像分割算法对虫害缺陷树木图像的分割精度显著提升,平均分割精度达到89.91%,同时欠分割率和过分割率大幅下降,较为完整地分割出了图像中的虫害缺陷区域,实现了对虫害缺陷树木图像的分割检测。

基于卷积神经网络的农作物病虫害检测综述

农作物在生长过程中,作物的茎、叶和果实每时每刻都可能遭受病虫害的侵袭,因此实时检测作物病虫害情况并采取相应措施,有助于保证农业粮食生产的稳定,对于智慧农业发展有着重要意义。在近几年里,卷积神经网络(CNN)技术凭借其自动提取特征的客观性与高效性成为农作物检测领域的热点。该文首先介绍典型卷积神经网络的结构,从卷积神经网络在作物病虫害分类与病虫害目标检测2个方面的应用回顾该领域的发展现状,最后提出未来发展方向。

基于深度学习的月季多叶片病虫害检测研究

月季病虫害严重影响月季产量和观赏性,将目标检测算法应用到月季病虫害检测中有利于提高月季病虫害检测效率,对实现月季智能化种植培育起到重要支撑作用。针对实际种植场景中复杂背景对病虫害检测的影响,以及病虫害形状大小特点,提出两阶段月季病虫害检测方法TSDDP,首先添加调优后的Inception模块改进YOLOv3模型特征提取与融合能力对自然环境下拍摄的月季多叶片图像进行叶片检测,去除复杂背景中存在的影响因素,然后通过K-means聚类Anchor box优化Faster R-CNN以满足月季病虫害目标检测需求,基于叶片检测结果对叶片病虫害进行检测。通过比较YOLOv3、Faster R-CNN和TSDDP对自然环境下的月季多叶片病虫害检测效果,试验结果表明TSDDP的检测精度和定位准确度均高于其他算法,最终病虫害平均检测精度达到82.26%,有效减少复杂背景造成误检的同时改善小尺度病虫害的检测和定位效果。

基于改进YOLOv3模型的玉米叶片病虫害检测与识别研究

[目的]本文针对传统农作物叶片病虫害识别模型YOLOv3存在的检测实时性与鲁棒性差以及漏检率高的问题,提出了一种改进的玉米叶片病虫害检测模型——YOLOv3-Corn。[方法]该模型采用Darknet-53作为特征提取网络,将网络输出的8倍特征图与新加入的4倍下采样特征图进行拼接,建立了104104尺度的检测层;在前期构建的包含6个类别玉米常见病虫害数据集中,利用K-means++聚类算法选取12个先验框并分别匹配到4个不同尺度的检测层中进行目标识别。[结果]在YOLOv3系列模型中,YOLOv3-Corn模型的检测精度均值(mAP)、召回率(Recall)达到了93.31%和93.08%,与YOLOv3模型相比分别提高了4.03%和9.78%。在非YOLO系列模型中,YOLOv3-Corn模型平衡了Faster R-CNN模型的检测速度不足和RetinaNet模型的召回率、精确度不足的问题。[结论]在保证提取相同特征参数、检测时效性好的前提下,YOLOv3-Corn模型有效提高了识别精度。

基于人工智能的葡萄病虫害检测系统研究

葡萄是深受欢迎的水果经济作物,在苏州等江南地区也有广泛的种植。葡萄种植受到多种疾病和害虫的影响,建立病虫害识别的新方法和快速方法将使监测和制定虫害防治措施更加有效。随着深度卷积神经网络(DCNN)和迁移学习在各个领域的成功应用,它在农作物病害实时检测领域也有了新的发展。本文研究开发一个基于人工智能的葡萄病虫害检测系统,使用深度卷积神经网络来帮助葡萄种植者防治病虫害。

应用于番茄病虫害检测的HOG特征与LBP特征的结合

植物病虫害是农业部门面临的主要挑战,准确和快速地检测植物病虫害有助于发现早期治疗方法,同时大幅减少经济损失.基于机器学习的目标检测方法能够很大程度地提高物体检测和识别系统的准确性.提出了一种基于机器学习的番茄病虫害检测方法,通过提取有病虫害和无病虫害的番茄样本的HOG特征和LBP特征,然后结合SVM分类器训练样本得到检测模型.HOG特征能够较好地描述番茄叶的边缘特征,LBP特征能够较好地描述番茄叶的纹理特征,两个特征在一定程度上互补.实验结果表明,基于HOG与LBP特征结合检测有病虫害的番茄叶取得了较好的效果,该方法在全球AI挑战赛中农作物病害的番茄数据集取得了99.49%的检测率.

基于视觉分类的农作物病虫害检测系统

针对种植农作物病虫害预防和治理中出现的问题,在传统的深度学习算法中进行创新改造,开发出了新型的基于视觉分类算法的农作物病虫害检测系统;将成果算法部署到云服务器中,搭乘无人机进行农作物病害的自动化监测,开发出相应的手机APP及计算机网页端,收集采集的农作物病虫害信息,分析处理后发送到手机APP及计算机网页端上,并针对不同的病害提出不同的解决方案。

计算机视觉技术在农作物病虫害检测中的运用研究

现代农业发展更趋集约化、信息化,这为计算机视觉技术的运用提供了空间。以计算机视觉技术在农作物病虫害检测中的运用优势为切入点,在此基础上分析其具体运用方法,包括建设信息作业系统、强调信息采集、运用可视化技术、重视信息复用等内容。最后就该技术在农作物病虫害检测中的未来运用进行展望,一方面客观呈现技术优势、特点,另一方面为其发挥价值提供必要参考。

基于视觉加强注意力模型的植物病虫害检测

【目的】植物病虫害准确检测是病虫害精准化防治的关键,笔者构建准确高效的植物病虫害监测模型,为病虫害的早期诊断与预警提供重要依据。【方法】针对现有植物病虫害检测模型泛化能力弱、小目标漏检率高等问题,提出一种基于视觉加强注意力改进的植物病虫害检测模型——YOLOv 5-VE(vision enhancement)。为方便检测实验样本中的小目标采用Mosaic 9数据增强方法;设计出基于视觉注意力的特征加强模块CBAM(convolutional block attention module);为确定不同目标重叠在一起和被遮挡的定位损失引入边界框定位损失函数DIoU。【结果】YOLOv 5-VE模型在实验数据集上的识别精度和检测平均准确率达到65.87%和73.49%,比原模型提高了1.07%和8.25%,在型号为1 080 Ti的GPU上检测速度可达35帧/s。【结论】该方法可以在背景复杂的野外场景快速有效地检测和识别种类多样的病害和虫害,可以提高检测的鲁棒性能,提升模型对病虫害目标的特征提取能力,降低野外复杂场景对检测带来的干扰,表现出良好的应用潜力,可广泛运用于大规模的植物病虫害检测。

基于优化CBAM改进YOLOv5的农作物病虫害识别

针对多种农作物病虫害图像,在自然环境下因虫害种类繁多,小目标特征相似的技术问题,导致检测困难难以达到令人满意的精度.本文提出了一种自然背景下加强局部特征和全局特征信息融合的害虫检测识别模型YOLOv5-EB,在公开的大规模害虫数据集IP102上进行实验,结果表明该研究比YOLOv5模型精确度提高了5个百分点.引入一维卷积替换CBAM中通道注意力的MLP操作,优化了通道注意力经过全局处理后容易忽略通道内信息交互的问题;其次使用6×6卷积替换Focus操作,来增强提取害虫特征的能力.实验结果表明,对害虫进行检测时,YOLOv5-EB的平均精度值达到了87%,与Faster R-CNN、EfficientDet、YOLOv3、YOLOv4、YOLOv5模型相比,不仅有效提高了作物害虫图像的识别性能,而且有效提高了检测速度.研究表明,YOLOv5-EB算法满足对多种农作物病虫害目标检测的准确性和实时性要求.

基于YOLO的番茄病虫害识别算法

番茄植株在生长过程中感染各种病虫害,从而导致番茄的产量降低和种植户的利润损失。当前番茄病虫害检测主要通过农业专家人工进行,这种人工检测方法既昂贵又耗时。目前利用计算机视觉和深度学习达到病虫害自动分类识别的方法大多都是在受控环境下进行的,对病虫害所处背景环境的要求较高,同时不能实现病虫害的定位。针对这些问题,基于深度学习的思想,提出了一种基于YOLO卷积神经网络的番茄病虫害检测算法,同时建立了一个专家标注病虫害信息的真实自然环境下的番茄病虫害图像数据库,将本试验的番茄病虫害检测算法在此数据库上进行测试,对8类番茄病虫害的检测平均精度高达85.09%。结果表明,该算法能够有效地提升番茄病虫害检测的精度和速度,得到番茄病虫害的精准定位,优于Faster R-CNN和SSD等农业病虫害检测方法。

病虫害综合信息网入侵检测系统研究

农业生产中难免会遇到病虫害的影响,如果处理不当将会在很大程度上影响农业生产。病虫害综合信息网是一个为中国农业生产提供病虫害防治措施的综合网站,农户可依据网站上的信息准确并快速治理病虫害,确保病虫害网站的信息安全就显得尤为重要。入侵检测系统是维护病虫害网站安全的一个有力工具。主要介绍现代入侵检测系统的组成,主要功能以及存在的缺陷,并针对病虫害综合信息网的特点,以模式匹配方式为例,介绍了入侵检测系统的应用。

机器视觉技术在农作物病虫害的研究与应用

本文重点讨论了机器视觉技术在农作物病虫害的研究与应用,其中包括农作物的病虫害的检测,以及病虫害的防治,并总结了机器视觉技术在在病虫害研究中存在的不足及未来发展方向。

基于改进的YOLOv4-GhostNet水稻病虫害识别方法

针对水稻病虫害检测精度低、速度慢、模型复杂度高、部署困难等问题,改进了YOLOv4目标检测算法,结合轻量化GhostNet网络,提出了一种基于改进的YOLOv4-GhostNet水稻病虫害识别方法:1)利用幻象模块代替普通卷积结构,替换主干特征提取网络CSPDarkNet53,构建GhostNet模块进行图像的特征提取;2)改进YOLOv4网络的加强特征提取部分PANet结构;3)结合迁移学习与YOLOv4网络训练技巧。通过试验将YOLOv4及其MobileNet系列轻量化网络与Faster-RCNN系列网络和SSD系列网络进行对比,结果表明,改进的YOLOv4-GhostNet模型平均准确率达到79.38%,检测速度可达1 s 34.51帧,模型权重大小缩减为42.45 MB,在保持检测精度达到较高水平的同时模型参数量大幅度降低,适用于部署在计算能力不足的嵌入式设备上。

基于光谱技术的水稻稻纵卷叶螟受害区域检测

利用光谱技术探索了水稻稻纵卷叶螟虫害的检测。通过分析田间水稻稻纵卷叶螟受害区和对照区冠层反射光谱和一阶微分光谱特征差异发现，可见光区（400-700nm），550nm附近中度受害水稻冠层反射率明显低于对照冠层反射率值，重度受害水稻冠层反射率则高于对照区冠层反射率；水稻受害时，叶片受损及干枯导致叶绿素含量降低，对红光波段（600-700nm）的吸收减小。近红外区（750-770nm）范围内，受害水稻冠层反射光谱曲线均不同程度出现“尖峰”波动，且光谱曲线红边拐点发生“蓝移”。通过构建样本总体修正曲线，提供了直观判别广域水稻是否受稻纵卷叶螟虫害侵扰的依据。进一步探讨稻纵卷叶螟受害区定性检测参数发现，利用NIR-NDVI特征可以有效地区分对照区和受害区区域，经验证，准确率达70％。