-
题名基于改进残差网络的水稻病虫害识别检测算法
- 1
-
-
作者
周雷
王世平
冯思宇
徐久升
李宁
-
机构
鞍钢资源有限公司鞍山综合服务分公司
沈阳工业大学
-
出处
《南方农机》
2024年第20期30-34,共5页
-
文摘
[目的]解决传统水稻病虫害检测领域面临的人力和时间成本高、误检率高等问题。[方法]文章提出了一种基于改进残差网络的水稻病虫害识别方法,利用自然环境下的水稻叶片病虫害数据集进行实验,构建了ResNet34基准模型进行训练,引入残差连接的神经网络结构,通过跨层传递信息解决了深度网络训练中的困难。[结果]1)模型在训练集上的准确率达到了0.98,测试集的准确率、精确率、召回率、精确率和召回率的调和平均数均达到并收敛于0.97。2)各类病害的检测准确率均在97%以上,褐斑病的检测准确率达到99.113%,是4种病害检测中最高的。[结论]改进后的模型在查准率、查全率和召回率方面取得了较好的平衡,具有较好的泛化能力和实用价值,能够有效解决水稻病害图像特征不明显、识别效果差等诸多问题。
-
关键词
图像处理
机器学习
水稻病虫害识别
残差网络
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于改进深度卷积神经网络的水稻病虫害识别
被引量：13
- 2
-
-
作者
陈浪浪
张艳
-
机构
贵州大学大数据与信息工程学院
贵阳学院农产品无损检测中心
-
出处
《山东农业科学》
北大核心
2023年第5期164-172,共9页
-
基金
国家自然科学基金项目(62141501)。
-
文摘
病虫害影响水稻质量和产量,快速、准确地检测出水稻病虫害有利于及时防治。针对传统图像识别方法存在特征提取繁琐、识别率低以及对田间环境下的作物病虫害识别困难等问题,本文提出一种以DenseNet121为基础网络,结合迁移学习与坐标注意力机制的水稻病虫害识别模型。该模型引入坐标注意力学习图像特征的通道间关系和空间位置的重要性以增强模型的特征提取能力,采用迁移学习策略训练模型以缓解模型在小数据集上的过拟合现象、减小计算资源以及提升模型的识别性能。利用从田间复杂环境收集的水稻病虫害数据集,对该模型与ResNet50、Xception、InceptionV3、InceptionResNetV2及原DenseNet121等卷积神经网络模型的识别效果进行比较,结果表明,该模型能有效识别出水稻常见8种病虫害和健康植株,识别准确率达到98.95%,模型参数量仅为7.23 M,识别效果优于其他模型。这可为田间环境下的其他作物病虫害识别提供参考。
-
关键词
DenseNet121
迁移学习
注意力机制
水稻病虫害识别
-
Keywords
DenseNet121
Transfer learning
Attention mechanism
Identification of rice diseases and pests
-
分类号
S126
[农业科学—农业基础科学]
-
-
题名基于深度学习的水稻病虫害识别小程序的设计
- 3
-
-
作者
蔡佳莹
-
机构
广东海洋大学
-
出处
《信息与电脑》
2022年第24期186-189,共4页
-
文摘
为了解决水稻种植过程中遇到的病虫害问题,建立了基于YOLOv5的水稻病虫害图像识别诊断和大数据预测预警系统,开发了集病虫害识别和农业经验分享等多项功能于一体的小程序,实现对水稻病虫害图像的采集、识别和快速诊断。系统采用IP102数据集和Rice Leaf Disease Image Samples数据集,实现高效准确的稻田病虫害诊断,通过小程序手机端、服务端和深度学习算法相结合,极大凸显了防治技术的优势,保障了广大农民的切身利益,实现农业经济的良性、健康、持续性发展。
-
关键词
水稻病虫害识别
图像识别诊断
预警系统
深度学习
小程序
-
Keywords
identification of rice diseases and insect pests
image recognition diagnostics
early warning system
deep learning
mini program
-
分类号
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于改进残差网络的水稻病虫害识别
- 4
-
-
作者
徐圆圆
-
机构
贵州大学大数据与信息工程学院
-
出处
《贵州科学》
2023年第3期92-96,共5页
-
文摘
针对现有水稻病虫害识别网络对图像细粒度分类效果差问题,提出一种基于改进残差网络的水稻病虫害识别网络。在ResNet34残差网络的基础上将首层的7×7大卷积块替换成三层级联的3×3的小卷积块,增强提取细节特征能力,在第三个卷积块后嵌入CBAM注意力机制模块提高各类病害细微类间差异识别能力,在全连接层前添加Dropout层避免过拟合,并引入一种新的图像数据增强方法应用于模型当中,使得我们的模型能够更好地处理水稻病虫害图像中的复杂细节纹理特征。与基准模型相比,模型准确率提高2.18%,参数量仅为22.17×106,证明了模型的有效性和可行性,为水稻种植高保障性要求提供了有效方案。
-
关键词
图像处理
机器学习
水稻病虫害识别
残差网络
-
Keywords
image processing
machine learning
identification of rice pests and diseases
residual network
-
分类号
S24
[农业科学—农业电气化与自动化]
-
-
题名融合分组注意力机制的水稻病虫害图像识别算法
被引量：7
- 5
-
-
作者
高雨亮
徐向英
章永龙
顾逸枫
张力峰
李斌
-
机构
扬州大学信息工程学院
-
出处
《扬州大学学报（自然科学版）》
CAS
北大核心
2021年第6期53-57,共5页
-
基金
国家自然科学基金资助项目(61472344,61611540347)
教育部农业与农产品安全国际合作联合实验室课题(JILAR-KF202007).
-
文摘
针对传统的水稻病虫害图像识别算法缺乏注意力权重、准确率低下等问题,提出一种基于深度学习的水稻病虫害识别算法.在Inception-ResNetV1卷积模块引入分组注意力(shuffle attention,SA),使得注意力模块参数量大幅降低并提升图像识别的准确度.在自制的水稻病虫害数据集中,病虫害图像识别的准确度高达95.55%,与传统模型ResNet50和Inception-ResNetV1相比,模型参数量分别下降62.7%和32.5%,准确度分别上升1.8%和1.21%.
-
关键词
水稻病虫害识别
Inception-ResNetV1
分组注意力
-
Keywords
rice disease and insect pest identification
Inception-ResNetV1
shuffle attention
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
S41-30
[农业科学—植物保护]
-
-
题名基于坐标注意力机制和残差网络的水稻叶片病虫害识别
被引量：1
- 6
-
-
作者
廖媛珺
杨乐
邵鹏
余小云
-
机构
江西农业大学计算机与信息工程学院
江西省高等学校农业信息技术重点实验室
-
出处
《福建农业学报》
CAS
CSCD
北大核心
2023年第10期1220-1229,共10页
-
基金
国家自然科学基金项目(61862032)
江西省自然科学基金项目(20202BABL202034)。
-
文摘
【目的】针对在自然条件下水稻叶片病虫害的识别效率不高、准确率较低的问题,探索基于ResNet深度学习网络的水稻叶片病虫害识别模型(ResNet50-CA)。【方法】在ResNet-50的残差卷积模块下引入坐标注意力机制(CA),采用LeakyReLU激活函数替代ReLU激活函数,使用3个3×3的卷积核替换ResNet-50模型首层卷积层中的7×7卷积核。【结果】在使用传统卷积神经网络进行水稻叶片病虫害研究发现,ResNet-50能够较好地平衡识别准确率和模型复杂度之间的关系,因此选择在ResNet-50网络模型的基础上加以改进。使用改进后的网络通过微调参数进行水稻叶片病虫害对比性能试验,研究发现在批量样本数为16和学习率为0.0001时,ResNet50-CA获得最高的识别准确率(99.21%),优于传统的深度学习算法。【结论】改进后的网络能够提取出水稻病虫害更加细微的特征信息,从而取得更高的识别准确率,为水稻叶片病虫害识别提供新思路和方法。
-
关键词
深度学习
ResNet50
水稻病虫害识别
坐标注意力机制
-
Keywords
Deep learning network
ResNet50
rice leaf diseases and pest infestations
coordinate attention mechanism
-
分类号
S435
[农业科学—农业昆虫与害虫防治]
-
-
题名从水稻病害识别出发探索农业数据共享新模式
- 7
-
-
作者
张濛濛
王秀娟
康孟珍
华净
王浩宇
王飞跃
-
机构
中国科学院自动化研究所多模态人工智能系统全国重点实验室
中国科学院大学人工智能学院
中国科学院自动化研究所北京市智能化技术与系统工程技术研究中心
澳门科技大学创新工程学院
中国科学院自动化研究所复杂系统管理与控制全国重点实验室
-
出处
《农业大数据学报》
2023年第4期13-23,共11页
-
基金
国家重点研发计划资助项目(No.2021ZD0113701)。
-
文摘
准确高效地识别作物病害类型,有助于农户及时采取有效的针对性预防措施,从而降低因病虫害导致的减产风险和经济损失。然而,在其他领域能达到SOTA效果的识别模型,在农业领域特别是水稻病害识别的应用中,却面临目前已有的水稻病害数据量不足、种类不丰富以及数据质量不高等问题。本研究采用多种经典卷积神经网络,并利用迁移学习的方法在两个不同的数据集上进行训练。验证了除模型结构带来的优化外,训练数据集本身对于训练结果也具有重要影响。但目前农业领域开源数据较少,几乎没有综合性的数据开源平台可供利用。这一现象与高质量农业数据获取难度大且成本高、大多数从业人员教育水平相对较低、分布式训练系统不成熟、数据安全问题得不到保障等因素密切相关。针对农业领域训练中高质量数据缺乏的问题,在本文中提出了基于联邦学习框架构建农业数据共享平台的新思路。
-
关键词
水稻病虫害识别
卷积神经网络
分布式训练
联邦学习
开源数据共享平台
-
Keywords
rice disease identification
convolutional neural networks
distributed training
federated learning
open-source data sharing platform
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
TP391.41
[自动化与计算机技术—计算机应用技术]
S435.11
[农业科学—农业昆虫与害虫防治]
-
