基于Swin-TDL算法的果园环境下葡萄病害检测方法

为在果园复杂环境因素下准确检测葡萄病害,提出一种基于Swin Transformer的葡萄病害检测模型Swin-TDL。采用Kmeans++聚类算法计算模型输入图像的锚框以提高检测精度;以Swin Transformer网络作为Swin-TDL的骨干网络更准确地获取目标特征信息;特征金字塔网络和路径聚合网络用于融合骨干网络中不同深度的特征层信息以增强检测目标的语义信息和定位信息;使用SIoU损失函数作为边界回归预测损失函数用于提高训练的速度和模型推理的准确性;使用Soft-NMS对目标边界框后处理以提高遮挡及重叠目标的检出率。在田间葡萄病害数据集中进行模型训练和性能测试,结果表明,Swin-TDL模型的平均精度均值为92.7%,平均检测时间为15.3 ms,综合性能优于对比检测算法,可以为葡萄植保装备研究提供参考。

基于Logistic算法与遥感影像的棉花虫害监测研究

【目的】借助多光谱遥感影像和Logistic算法,实现对棉田虫害的田间监测。【方法】以患虫害棉花区域为研究对象,利用无人机获取棉田多光谱遥感影像,并对影像进行预处理;结合受虫害棉花光谱特征,利用虫害敏感波段反射率与植被指数构建Logistic回归模型,开展棉花虫害识别监测研究。【结果】由土壤调节植被指数(Soil adjusted vegetation index,SAVI)模型和归一化植被指数(Normalized vegetation index,NDVI)模型构建的棉蚜虫、棉红蜘蛛、棉铃虫识别模型为最优模型,其训练样本准确率达到93.7%,测试样本准确率达到90.5%,召回率为96.6%,F1值为93.5%,对棉蚜虫、棉红蜘蛛和棉铃虫的识别模型决定系数分别为0.942、0.851和0.663。【结论】该模型可满足棉田中棉蚜虫、棉红蜘蛛和棉铃虫3种虫害的发生区域识别,且可基本满足棉田精准植保作业相关要求。

基于改进YOLOv3的葡萄叶部病虫害检测方法

为了满足果园植保设备对于病害检测模型实时性、识别精度和轻量化的需求,提出了一种基于改进YOLOv3模型的葡萄叶部病害检测模型YOLO-SL.首先,引入轻量级网络ShuffleNetv2的组成模块优化YOLOv3原有的特征提取网络,以降低网络模型参数,然后在优化后的特征提取网络中融合了CBAM注意力机制,并在YOLOv3网络模型的特征金字塔结构中增加了一层小目标特征检测层,以提升检测模型识别精度.最后,在经过数据增强的数据集上进行了不同检测模型的对比试验,试验结果表明YOLO-SL模型平均检测精度可达90.4%,平均检测时间降低到32.2 ms,权重大小降低为原YOLOv3模型的18.3%,可以为葡萄叶部病害检测技术在实际工作环境中的应用提供参考.