基于MA-ConvNext网络和分步关系知识蒸馏的苹果叶片病害识别

针对复杂环境下苹果叶片病害图像背景杂乱、病斑大小不一,以及现有模型参数多、计算量大的问题,提出基于注意力和多尺度特征融合的苹果叶片病害识别网络(MA-ConvNext).通过引入多尺度空间通道重组块(MSCB)和融合三分支注意力机制的特征提取模块(TAFB),有效提取苹果叶片病害图像不同尺度的特征,增强模型对叶片病斑的关注.采用分步关系知识蒸馏方法,将“教师”网络(MA-ConvNext)和“中间”网络(DenseNet121)融合,指导“学生”网络(EfficientNet-B0)训练,实现模型轻量化.实验结果表明,MA-ConvNext网络识别准确率为99.38%,较ResNet50、MobileNet-V3和EfficientNet-V2网络分别提高了3.98个百分点、7.55个百分点和4.27个百分点.经过分步关系知识蒸馏后,识别准确率较蒸馏前提高了1.76个百分点,并且具有更小的网络规模和参数量,分别为1.56×10^(7)、5.29×10^(6).所提方法能为后续精准农业的病虫害检测提供新思路和技术支持.

基于改进EfficientNetV2的苹果叶片病害识别模型

斑点落叶病、褐斑病、灰斑病、花叶病和锈病是常见的5种苹果树叶部病害,严重影响苹果产量。针对实际生产中叶片病害识别准确率不高以及现有模型参数量大难以迁移到移动设备的问题,本研究基于Ef-ficientNetV2-b0模型,经过改进后提出了轻量级的EGV2-CA网络。该网络在保留EfficientNetV2-b0主干网络的基础上,一是引入GhostNetV2网络中的核心Ghost Module,并选用original分支替换第一层卷积结构,可以进一步优化网络的计算效率,减少冗余计算,从而在提高模型速度和可移植性的同时保持较高的识别准确率;二是将EfficientNetV2-b0模型中Fused-MBConv模块的SE注意力机制替换为更高效的坐标注意力(CA)机制,通过将空间信息编码为坐标信息以更好地捕捉和表达空间上的细粒度特征。实验结果显示,相较于原始网络,EGV2-CA网络的识别精确率提高2.94个百分点,召回率提高2.53个百分点,F1得分提高2.67个百分点,Top-1准确率提高2.47个百分点,而参数量仅为48.9 M,可迁移至移动设备上使用,为真实场景下苹果叶片病害的快速、准确识别提供了一种有效的解决方案。

基于YOLOv5的轻量化苹果叶片病害检测

为提高苹果叶片病害识别在实际应用中的精确率,提出了一种基于YOLOv5的苹果叶片病害识别模型。为保证模型在实际果园移动设备上的流畅运行,在YOLOv5中引入Ghost模块和Ghost BottleNeck结构进行轻量化。更换损失函数为Alpha-IOU损失函数,提升模型的检测精度。在苹果叶片病害数据集上进行验证,与原始YOLOv5算法相比,基于改进YOLOv5算法的mAP@0.5提高了1.3%,mAP@0.5:0.95提高了1.4%,参数量下降了5.2 GFLOPs。结果表明,提出的改进YOLOv5算法更能满足实际情况中对苹果叶片病害检测的要求。

基于轻量化GMNC-YOLO的苹果叶片病害检测方法

针对苹果叶片病害识别中受人为主观因素影响大、传统卷积神经网络识别精度低、网络模型参数量过大等问题,文章提出了一种轻量化GMNC-YOLO检测算法对苹果叶片病害进行检测。该算法以YOLOv5s为基础模型,使用Ghost卷积进行特征提取,以实现网络轻量化;采用MobileOne模块替换Neck的C3模块,结合NAM与CBAM设计新的注意力机制模块NCB,以充分挖掘叶片图像中的信息,并提高模型检测精度。实验结果表明,相较于YOLOv5s,改进后的苹果叶片病害检测方法的平均精度提高了3.0%,参数量、FLOPs及权重文件大小分别降低约29.8%、32.5%和26.8%;与当前主流算法对比,GMNC-YOLO具有一定的先进性。

基于改进YOLOv5s对苹果叶片病害的检测识别

苹果是一种备受欢迎且营养丰富的水果,市场需求也在持续增长。然而,苹果叶片病害严重威胁着苹果的产量和质量。准确、快速地识别病害对苹果产业的发展尤为重要,因此,本文利用YOLOv5s模型构建了一个改进的病害检测识别模型,通过引入SE注意力机制、Res2Net和解耦检测头结构,改进了模型的注意力、感受野和检测效果。探索了在苹果叶片病害检测中提高准确性和性能的方法。构建出YOLOv5s-SRD模型,准确率、召回率、平均检测精度分别达到84.8%、83.3%、86.0%,相比原模型分别提高了1.3%、1.5%、1.8%,提升效果显著,模型检测效果较好。有助于苹果叶片病害的检测识别,从而提高苹果产量。

基于改进ResNet-50与迁移学习的苹果叶片病害的图像识别

为解决下述问题,在自然场景中获取的苹果叶病害图像大多包含复杂的背景,同时,由于拍摄要求不那么严格,疾病特征更有可能出现在图像中的任意位置,所有这些因素都会影响卷积神经网络的识别精度,且随着网络加深其性能提升困难。提出了一种基于改进ResNet-50的苹果叶片病害识别方法。首先引入SE(squeeze-and-excitation)注意力机制,改进残差模块,在一定程度上去除复杂背景等干扰信息,另一方面降低模型对特征定位的过度敏感度,使模型能够学习更重要的疾病特征,减少复杂背景等信息的干扰,然后加入Dropout层抑制过拟合改进模型结构,最后采用迁移学习的训练方式加快模型的收敛速度。在苹果叶病数据集上的实验结果表明,改进模型的准确率达到98.35%,较ResNet-50提高5%。与其他一些传统的卷积神经网络相比,该模型收敛速度更快,具有更高的识别精度,能够较好地识别苹果叶片病害,适用于自然场景下获取的苹果叶病图像等优点,具有较强的实用性。

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Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2的72.14%精度和Transformer网络PVT的52.72%精度均有较大提升,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。

基于改进Faster R_CNN的苹果叶片病害检测模型

在实际条件下,苹果叶片病害图像背景复杂且病斑较小,难以进行实时检测。针对该问题,提出一种改进的Faster R_CNN模型。通过特征金字塔网络将具有细节信息的浅层特征和具有语义信息的深层特征融合,以提取丰富的苹果叶片病害特征。同时采用精确感兴趣区域池化,避免感兴趣区域池化中2次量化操作对病斑较小的苹果叶片病害造成像素偏差。实验结果表明,该模型能对自然条件下5种苹果叶片病害进行有效检测,平均精度均值达82.48%,与Faster R_CNN、YOLOv3和Mask R_CNN模型相比,其平均精度均值分别提高了6.01、14.12和5.06个百分点。

基于DTS-ResNet的苹果叶片病害识别方法

针对苹果叶片病害识别中传统卷积神经网络识别精度较低、收敛速度较慢等问题,提出了一种基于DTS-ResNet(ResNet based on dual transfer learning and squeeze-and-excitation block)的苹果叶片病害识别方法。该方法以ResNet为基础模型,将注意力机制与残差模块相结合作为骨干网络以强化网络对重要特征信息的提取能力、提高识别准确率,并采用双迁移学习的训练方式加快模型的收敛速度。实验结果表明,所提出的方法的识别准确率达到98.73%,能够较好地识别苹果叶片病害。相较于一些传统的卷积神经网络,该模型收敛速度更快,拟合效果更好,且具有更高的识别精度。

基于SSD的苹果叶片病害检测方法

本文使用深度学习目标检测SSD算法对三种常见的苹果叶片病虫害——褐斑病、花叶病、铁锈病进行识别检测,实验结果显示该种方法的综合检测性能达到79.63%mAP,为苹果叶片病害的早期诊断提供了一种高性能的解决方案。

一种基于改进ResNet18神经网络的苹果叶片病害识别方法

为有效提升苹果叶片病害识别的精度和效率,实现病害的及时防治进而提高苹果产量,本研究提出一种基于改进ResNet18神经网络的苹果叶片病害识别方法,可在提升模型识别性能的同时减少参数量和模型尺寸。首先,改进ResNet模型的残差结构,以减少参数量,实现模型轻量化;其次,引入坐标注意力(CA)机制并进行迁移学习,进一步提升模型的泛化性能。将改进ResNet18模型与原始ResNet18神经网络进行对比实验,结果发现,改进模型的准确率提升了1.53个百分点,但模型参数量减少为原始模型的50.84%。表明本研究提出的改进ResNet18模型可有效识别苹果叶片病害,且方便移动端搭载。

基于改进轻量化网络MobileViT的苹果叶片病虫害识别方法

针对苹果叶片病害识别准确率低以及现有模型难以适应真实复杂场景等问题,提出一种改进的轻量化网络——MobileViT_filter_FCN,以提高对苹果叶片病害的识别准确率,并使得模型可以适应户外的复杂光照及遮挡环境。首先收集5类常见苹果叶片病害(如落叶病、褐斑病等)的图像样本,并利用多种数据增强技术对样本数据进行预处理(如水平翻转、垂直翻转等),以增加样本数据的多样性并提高模型的泛化能力;接着利用傅里叶变换技术设计一个可学习的滤波器层Filter layer,替换原始MobileViT模型中的多头注意力结构,以降低图片中的噪声影响并提高模型性能;最后,在修改后的MobileViT模型基础上,利用深度卷积层和残差结构设计一种FCN结构,结合该结构增强模型对病害图像的特征学习能力,进一步提高模型性能。试验结果表明,改进后的MobileViT_filter模型对苹果叶片病害的平均识别准确率达到97.73%,较原模型提高0.95百分点;在该基础上加入FCN结构后,平均识别准确率达到98.03%,较原模型提高1.25百分点,同时参数量减少2.6 M。

基于改进K中值聚类的苹果病害叶片分割方法

针对复杂背景下的苹果病害叶片分割问题,提出一种基于改进的K均值聚类的苹果病害叶片病斑分割方法。首先将原始叶片图像由RGB(R为红,G为绿,B为蓝)颜色空间转换到Lab(L为亮度,a为从洋红色至绿色的范围,b为从黄色至蓝色的范围)颜色空间,然后在Lab颜色空间中利用ab二维数据空间的颜色差异,以欧式距离度量像素间的相似度,使用K均值对图像进行聚类,利用数学形态学中的开闭交替滤波方法对聚类后的灰度图像进行校正,最后得到图像病斑。对3种常见苹果病害叶片图像进行分割,并与其他分割方法进行比较。结果表明,该方法效果好,其误分率为8.41%。

基于二维子空间的苹果病害识别方法

如何准确、实时得到苹果病害信息是苹果病害管理的一个重要研究内容。根据苹果叶片症状准确、快速地诊断苹果病害是预防和控制苹果病害的基础。由于苹果同类病害叶片及其病斑图像的形状、颜色和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于苹果叶部病害识别。为此,提出了一种基于二维子空间学习维数约简(2DSLDR)的苹果病害识别方法。该方法将高维空间的观测样本点映射到低维子空间,使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的分类特征。该方法直接作用于叶片图像,不需要计算逆矩阵,从而克服了经典植物病害识别方法中特征提取与选择的难题,避免了经典子空间判别分析中的小样本问题,提高了识别效果。采用该方法对三种常见苹果叶部病害进行识别实验,并与其他苹果病害识别和监督流形学习方法进行比较。实验结果表明,2DSLDR对苹果叶部病害识别是有效可行的,识别精度高达90%以上。

一种基于模糊C均值聚类的多阈值苹果病害图像分割方法

针对苹果病害叶片的图像分割问题,以斑点落叶病、花叶病和褐斑病为研究对象,提出一种基于模糊C均值聚类的多阈值分割算法。首先,将苹果病害叶片图像进行滤波;然后,利用模糊C均值进行病斑图像的聚类,再滤除病斑图像中的非病斑像素,根据分类结果获得分割阈值;最后,利用多阈值算法对苹果病害叶片图像进行分割,得到病斑图像。通过与其他分割方法进行比较表明,本方法分割出来的苹果病斑,分割准确率达到94%以上,分割效果明显。

基于自适应学习局部二值模式的苹果叶部病斑分割与检测

为了准确、快速地检测作物叶部病害,提出一种基于自适应学习局部二值模式(adaptive learning local binary pattern,简称ALLBP)的苹果叶部病斑分割与检测方法。首先利用ALLBP获取正常叶片图像和病害叶片图像的特征差异,并确定病斑判断阈值,然后将待识别的叶片图像分割为大小相同的子块,再提取同样的特征与阈值进行比较,以判定各子块中是否有病斑。结果表明,该方法能够有效检测苹果病斑的分布特性,与局部二值模式(local binary pattern,简称LBP)和中心对称局部二值模式(center-symmetric local binary pattern,简称CS-LBP)相比,该方法具有更少的特征维数和更高的正确识别率。

基于判别局部保持投影的苹果叶部病害识别方法

通过维数约简实现特征提取是图像识别的一个重要步骤。由于同一种作物病害叶片和病斑图像的高度复杂性,在各种不同拍摄角度、位置和光照等条件下得到的图像之间差异较大,使得很多经典的维数约简和特征提取算法不能有效地用于作物叶部病害识别。本文在判别局部保持投影(Discriminant Locality Preserving Projections,DLPP)的基础上,提出一种基于DLPP的苹果叶部病害识别方法。首先利用GrabCut算法对采集的病害叶部图像进行背景分割,然后利用分水岭算法对去背景图像进行分割,得到病斑图像;再利用DLPP将病斑图像投影到低维判别空间,得到分类特征;最后利用K-最近邻分类器进行病害类别识别。在实际苹果病害叶片图像数据库上的实验结果表明,该方法是有效可行的。