基于改进ResNet101的黄瓜害虫识别方法研究

1

作者 黄英来 王奇 +2 位作者 何少聪 林振群 牛达伟 《江苏农业科学》 北大核心 2025年第5期203-212,共10页

为提高黄瓜害虫的识别准确率,解决害虫吸食黄瓜汁液影响黄瓜产量的问题,提出一种基于ResNet101改进的黄瓜害虫识别模型QJSEC-ResNet101。该模型所采取的改进策略为(1)采用学习率余弦退火策略,使模型在训练过程中能够动态调整学习率;(2)... 为提高黄瓜害虫的识别准确率,解决害虫吸食黄瓜汁液影响黄瓜产量的问题,提出一种基于ResNet101改进的黄瓜害虫识别模型QJSEC-ResNet101。该模型所采取的改进策略为(1)采用学习率余弦退火策略,使模型在训练过程中能够动态调整学习率;(2)利用迁移学习技术,将预训练模型的权重参数迁移到ResNet101中,从而进一步提升模型的性能;(3)为降低模型的计算复杂度并提升其轻量化程度,将原始的7×7大卷积替换为3个3×3小卷积;(3)将激活函数ReLU修改为SeLU改变神经元不学习的问题;(4)加入ECA注意力机制和CBAM注意力机制提升模型的识别效果。为增强数据的多样性,采用24种数据扩充方式对黄瓜害虫初始图像数据集进行扩充,这不仅丰富了数据集,也能使模型更好地进行特征识别和特征提取。最后,在模型的不同位置加入了ECA和CBAM等2种注意力机制,同时剪去layer中的Bottleneck模块,通过设计19种添加方案进行对比试验,选取了最优的添加方式。将改进后的模型通过pyqt界面实现,可以让使用者操作起来更加的得心应手,更加便捷。试验结果表明,QJSEC-ResNet101模型在复杂背景下对黄瓜害虫识别的准确率达到了99.39%,相较于传统模型提高了1.80百分点。同时,该模型的训练时间也大幅缩短,近乎减少了一半。因此,QJSEC-ResNet101模型为农业领域的黄瓜害虫识别提供了高效且准确的方法,具有重要的应用价值。 展开更多

关键词 黄瓜害虫识别 残差网络 余弦退火 迁移学习 注意力机制

在线阅读 下载PDF 职称材料

基于YOLO v8-STSF的多类别害虫识别算法与监测系统研究 被引量：1

2

作者 王兴旺 查海涅 +5 位作者 卢浩男 王禹彬 吴东昇 王旭峰 胡灿 陈学永 《农业机械学报》 北大核心 2025年第6期228-236,共9页

水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种... 水稻害虫危害十分巨大,不仅对水稻造成直接的生理破坏,还传播病害,严重时导致稻田绝收,造成难以估量的损失。水稻害虫精准识别与实时监测是减少农业损失的关键,针对虫情测报灯图像中害虫密集、体态差异细微及小目标漏检等问题,提出一种基于YOLO v8-STSF模型的水稻害虫智能识别方法。通过引入Swin Transformer模块增强骨干网络的多尺度特征提取能力,结合分布移位卷积(DSConv)优化颈部网络特征融合,并采用Focal EIoU损失函数提升密集小目标定位精度。构建了包含多类水稻害虫的7000幅图像数据集进行识别验证,YOLO v8-STSF模型在测试集上的精确率为95.45%、召回率为90.45%、F1值为90.03%,较原YOLO v8模型分别提升2.13、0.33、3.09个百分点,在PC端的推理速度为32 f/s,满足实时需求。同时以Web端监测系统为基础,设计基于Android移动端的虫情监测系统,在田间测试中系统平均响应时间为1.38 s,识别准确率为96.34%,漏检率为3.86%。研究结果可为水稻害虫精准防控提供高效技术支持,推动农业病虫害监测智能化发展。 展开更多

关键词 多类别害虫 害虫识别 YOLO v8-STSF 监测系统 ANDROID

在线阅读 下载PDF 职称材料

基于DCP-ShuffleNetV2的轻量级森林害虫识别方法

3

作者 高天赐 王克俭 +3 位作者 陈晨 韩宪忠 王超 李会平 《中国农机化学报》 北大核心 2025年第1期190-197,共8页

针对现有害虫识别模型复杂度高、计算量和参数量巨大的问题,提出一种基于DCP-ShuffleNetV2的轻量级森林害虫识别模型。该模型主要从特征提取、特征融合、轻量化方面进行改进。首先通过引入金字塔分割注意力模块PSA提取多尺度的空间信息... 针对现有害虫识别模型复杂度高、计算量和参数量巨大的问题,提出一种基于DCP-ShuffleNetV2的轻量级森林害虫识别模型。该模型主要从特征提取、特征融合、轻量化方面进行改进。首先通过引入金字塔分割注意力模块PSA提取多尺度的空间信息和跨通道依赖关系,有效地学习上下文信息;其次将基准网络模型ShuffleNetV2的Stage模块修改为CSP结构,增强特征融合能力;将模型的普通卷积替换为动态卷积,压缩模型参数量和计算量。试验以雄安新区“千年秀林”害虫为研究对象,构建30类常见害虫数据集。结果表明,改进后的DCP-ShuffleNetV2模型在自制的Forest30数据集上的害虫识别准确率是92.43%,模型参数量、计算量和内存大小分别是0.13 M、24.53 M和9.53 MB,相比于基准网络模型,识别准确率提升3.11%,参数量、计算量和内存大小分别减少62.83%、42.48%和15.13%。与目前常用的分类模型相比,识别准确率平均提高5.39%,模型参数量、计算量和内存大小平均减小14.32 M、1 035.80 M和35.98 MB。 展开更多

关键词 害虫识别 DCP-ShuffleNetV2 注意力机制 CSP结构 特征提取

在线阅读 下载PDF 职称材料

融入GhostNet和CBAM的YOLOv8水稻害虫识别算法

4

作者 程盟盟 郑泽林 +1 位作者 马泽亮 吴小华 《中国农机化学报》 北大核心 2025年第11期125-132,共8页

水稻生产常受到各种害虫的威胁,导致产量和质量下降。由于水稻田环境复杂,存在光照变化、遮挡、背景干扰等问题,给害虫识别带来挑战。为此,提出一种基于YOLOv8的水稻害虫识别算法,融入轻量级网络GhostNet和卷积块注意力机制(CBAM),以提... 水稻生产常受到各种害虫的威胁,导致产量和质量下降。由于水稻田环境复杂,存在光照变化、遮挡、背景干扰等问题,给害虫识别带来挑战。为此,提出一种基于YOLOv8的水稻害虫识别算法,融入轻量级网络GhostNet和卷积块注意力机制(CBAM),以提升识别精度与计算效率。首先,通过GhostNet架构替换传统卷积层,在保持高性能的同时显著降低模型的计算负担。其次,嵌入CBAM注意力机制,使得算法能够自动调整对输入特征的关注度,优先处理关键害虫特征,进一步提升模型的鲁棒性。试验结果表明,该算法在水稻害虫数据集上的平均精度均值达到95.6%,相比于原始YOLOv8模型提升1.8%。该方法在提升识别精度的同时,保持良好的计算效率,适用于实际应用中害虫检测任务,为农作物的病虫害识别提供参考,推动智慧农业的技术创新。 展开更多

关键词 水稻害虫识别 CBAM注意力机制 轻量级网络 智慧农业

在线阅读 下载PDF 职称材料

水稻储藏中害虫识别与智能监测系统的开发与应用

5

作者 周龙 李姚昌 +2 位作者 刘琳琳 刘凯 郭仁勇 《北方水稻》 2025年第5期194-196,共3页

在水稻储藏中,害虫防控是保障粮食安全和提高储藏质量的关键环节。智能监测系统的引入,可以实现对储藏环境的实时监控与害虫精准识别,提升防控效率。该系统集成温湿度、气体传感器与高清摄像头于一体,结合图像处理、声音识别等技术,可... 在水稻储藏中,害虫防控是保障粮食安全和提高储藏质量的关键环节。智能监测系统的引入,可以实现对储藏环境的实时监控与害虫精准识别,提升防控效率。该系统集成温湿度、气体传感器与高清摄像头于一体,结合图像处理、声音识别等技术,可以进行全面数据采集和智能化分析。针对不同地区和储藏环境的需求,系统灵活的硬件配置与个性化的软件功能能确保其在各类储藏条件下的高效运行。通过技术培训、资金支持与市场推广,智能监测系统的应用可广泛推广至不同规模的储藏设施中,进而推动水稻储藏管理的现代化。 展开更多

关键词 水稻储藏 害虫识别 智能监测系统

在线阅读 下载PDF 职称材料

基于改进YOLO v5的水稻害虫识别方法

6

作者 何泽珅 黄操军 +3 位作者 许善祥 袁鑫宇 高学文 赵清 《江苏农业科学》 北大核心 2025年第5期223-230,共8页

在水稻生长过程中,及时识别害虫种类在虫情监测环节至关重要。由于害虫种类繁多,人工识别效率低且主观性强,传统的水稻害虫识别模型易受环境因素影响,因此提高水稻害虫识别的准确性是亟待解决的问题。以水稻试验田中获取的害虫图像为对... 在水稻生长过程中,及时识别害虫种类在虫情监测环节至关重要。由于害虫种类繁多,人工识别效率低且主观性强,传统的水稻害虫识别模型易受环境因素影响,因此提高水稻害虫识别的准确性是亟待解决的问题。以水稻试验田中获取的害虫图像为对象,提出了一种基于MSRCP算法的图像增强和改进YOLO v5网络的水稻害虫识别模型。在图像预处理部分,采用MSRCP算法和双边滤波算法来增强因光照不均而受到影响的害虫图像。在改进YOLO v5网络部分,在骨干网络中引入了SE注意力机制,增强模型对害虫特征的理解能力,从而提升模型对各个通道害虫特征的辨别能力;引入α-IoU损失函数优化检测边界框,提高模型精度;并采用迁移学习策略训练模型,提升模型的学习效率和鲁棒性。通过消融试验可知,改进后的模型在水稻害虫图像识别上的精确率为95.17%,召回率为86.34%,平均精度均值为91.30%,较原YOLO v5模型分别提高了6.09、5.04、7.10百分点。与其他模型相比,改进后的模型平均精度均值较Faster R-CNN、原YOLO v5模型、YOLO v7分别提高了21.45、7.10、3.06百分点。改进算法明显优于其他算法,能更好地适应水稻害虫的特殊形态和农田复杂环境,对水稻害虫的防控具有重要意义。 展开更多

关键词 农田复杂环境 YOLO v5模型 害虫种类识别 害虫防治 深度学习

在线阅读 下载PDF 职称材料

神经网络在储粮害虫识别中的应用 被引量：39

7

作者 邱道尹 张成花 +2 位作者 张红涛 沈宪章 岳永娟 《农业工程学报》 EI CAS CSCD 北大核心 2003年第1期142-144,共3页

重点研究了基于图像识别的储粮害虫自动检测系统中的粮虫分类环节。对分割后的储粮害虫二值化图像 ,从 10多个形态特征中选择出 5个有效的特征 ;将 GA和 BP算法相结合来训练神经网络 ,克服了传统 BP算法收敛速度慢、易陷入局部极小等缺... 重点研究了基于图像识别的储粮害虫自动检测系统中的粮虫分类环节。对分割后的储粮害虫二值化图像 ,从 10多个形态特征中选择出 5个有效的特征 ;将 GA和 BP算法相结合来训练神经网络 ,克服了传统 BP算法收敛速度慢、易陷入局部极小等缺陷 ,对 4类害虫的 2 0个样本的识别率达到 10 0 % 。 展开更多

关键词 害虫识别 应用 储粮害虫 图像识别 神经网络 BP算法 遗传算法

在线阅读 下载PDF 职称材料

基于模板匹配的多目标水稻灯诱害虫识别方法的研究 被引量：12

8

作者 吕军 姚青 +4 位作者 刘庆杰 薛杰 陈宏明 杨保军 唐健 《中国水稻科学》 CAS CSCD 北大核心 2012年第5期619-623,共5页

水稻灯诱害虫的识别与计数在水稻田间害虫监测中是非常重要的。由于水稻害虫被黑光灯诱集后姿态各异,存在虫体残缺现象,增加了图像自动识别的难度。在获取水稻灯诱害虫非粘连图像基础上,利用模板匹配和K折交叉验证方法进行多目标水稻灯... 水稻灯诱害虫的识别与计数在水稻田间害虫监测中是非常重要的。由于水稻害虫被黑光灯诱集后姿态各异,存在虫体残缺现象,增加了图像自动识别的难度。在获取水稻灯诱害虫非粘连图像基础上,利用模板匹配和K折交叉验证方法进行多目标水稻灯诱害虫的识别。首先,提取每个水稻害虫图像中包括颜色、形态和纹理共156个特征参数;然后,利用主成分分析法进行数据降维,选取前6个主成分作为害虫特征参数;最后,根据每种灯诱害虫的姿态确定模板数,通过模糊C均值获得聚类中心作为模板参数,分别利用单模板和多模板匹配方法进行水稻害虫的识别。结果表明,针对姿态各异且有虫体残缺的多目标水稻灯诱害虫,多模板和单模板匹配法的识别率分别为83.1%和59.9%。 展开更多

关键词 水稻灯诱害虫 害虫识别 图像处理 特征提取 模板匹配

在线阅读 下载PDF 职称材料

基于改进YOLO v7的农田复杂环境下害虫识别算法研究 被引量：22

9

作者 赵辉 黄镖 +1 位作者 王红君 岳有军 《农业机械学报》 EI CAS CSCD 北大核心 2023年第10期246-254,共9页

为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模... 为使巡检机器人能够对体积小且密集、形态多变、数量多且分布不均的害虫进行高效精准识别,提出了一种基于改进YOLO v7的害虫识别方法。该方法将CSP Bottleneck与基于移位窗口Transformer(Swin Transformer)自注意力机制相结合,提高了模型获取密集害虫目标位置信息的能力;在路径聚合部分增加第4检测支路,提高模型对小目标的检测性能;将卷积注意力模块(CBAM)集成到YOLO v7模型中,使模型更加关注害虫区域,抑制背景等一般特征信息,提高被遮挡害虫的识别精确率;使用Focal EIoU Loss损失函数减少正负样本不平衡对检测结果的影响,提高识别精度。采用基于实际农田环境建立的数据集的实验结果表明,改进后算法的精确率、召回率及平均精度均值分别为91.6%、82.9%和88.2%,较原模型提升2.5、1.2、3个百分点。与其它主流模型的对比实验结果表明,本文方法对害虫的实际检测效果更优,对解决农田复杂环境下害虫的精准识别问题具有参考价值。 展开更多

关键词 农田复杂环境 害虫识别 目标检测 深度学习 YOLO v7 Swin Transformer

在线阅读 下载PDF 职称材料

基于改进Mask R-CNN的苹果园害虫识别方法 被引量：14

10

作者 王金星 马博 +3 位作者 王震 刘双喜 慕君林 王云飞 《农业机械学报》 EI CAS CSCD 北大核心 2023年第6期253-263,360,共12页

针对基础卷积神经网络识别苹果园害虫易受背景干扰及重要特征表达能力不强问题,提出一种基于改进Mask R-CNN的苹果园害虫识别方法。首先,基于Haar特征方法对多点采集得到的苹果园害虫图像进行迭代初分割,提取害虫单体图像样本,并对该样... 针对基础卷积神经网络识别苹果园害虫易受背景干扰及重要特征表达能力不强问题,提出一种基于改进Mask R-CNN的苹果园害虫识别方法。首先,基于Haar特征方法对多点采集得到的苹果园害虫图像进行迭代初分割,提取害虫单体图像样本,并对该样本进行多途径扩增,得到用于深度学习的扩增样本数据集。其次,对Mask R-CNN中的特征提取网络进行优化,采用嵌入注意力机制模块CBAM的ResNeXt网络作为改进模型的Backbone,增加模型对害虫空间及语义信息的提取,有效避免背景对模型性能的影响;同时引入Boundary损失函数,避免害虫掩膜边缘缺失及定位不准确问题。最后,以原始Mask R-CNN模型作为对照模型,平均精度均值作为评价指标进行试验。结果表明,改进Mask R-CNN模型平均精度均值达到96.52%,相比于原始Mask R-CNN模型,提高4.21个百分点,改进Mask R-CNN可精准有效识别苹果园害虫,为苹果园病虫害绿色防控提供技术支持。 展开更多

关键词 苹果园 害虫识别 深度学习 注意力机制 损失函数 Mask R-CNN

在线阅读 下载PDF 职称材料

基于改进ShuffleNet V2的轻量化农作物害虫识别模型 被引量：27

11

作者 彭红星 徐慧明 刘华鼐 《农业工程学报》 EI CAS CSCD 北大核心 2022年第11期161-170,共10页

及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF(... 及时准确地识别害虫是有效防治的重要前提。针对现有基于卷积神经网络的害虫识别模型实时性差、识别率低、结构复杂不易部署等问题,提出基于改进ShuffleNet V2的农作物害虫识别模型。首先,在ShuffleNet V2中引入多尺度特征融合模块LMFF(Lightweight Multi-scale Feature Fusion),加强模型对不同尺度害虫的特征提取能力;其次,在ECA(Efficient Channel Attention)注意力机制中增加并行路径,并通过可学习参数自适应更新不同路径的权重,提出AECA(Adaptive and Efficient Channel Attention)注意力机制,将AECA注意力机制嵌入到ShuffleNet V2中,提高模型的跨通道交互能力;然后,使用SiLU(Sigmoid Weighted Liner Unit)替换ReLU激活函数,增强模型的泛化能力;最后,通过调整输出通道数和核心模块的堆叠次数重新设计ShuffleNet V2的整体架构,降低模型的计算量和参数量,从而提出轻量化的农作物害虫识别模型SNPF(ShuffleNet for Pest Field)。试验结果表明,SNPF模型在自建害虫数据集上的平均识别准确率和F1分数为79.49%和78.54%,较改进前分别提高了4.00个百分点和3.09个百分点,而参数量和浮点运算量为3.74 M和0.48 G,较改进前分别下降了30.60%和18.60%。SNPF模型对单张害虫图像的平均推理时间为11.9 ms,与ResNet 50、GoogLeNet、EfficientNet B1等模型相比,SNPF模型的识别精度更高,并且识别时间分别减少了57.04%、50.21%和40.50%。该研究提出的SNPF模型能够较好地识别农作物害虫、并且具有识别速度快和轻量化的特点,可以为农作物害虫的防治提供帮助。 展开更多

关键词 农作物 害虫识别 ShuffleNet V2 多尺度特征融合 ECA注意力机制 轻量化模型

在线阅读 下载PDF 职称材料

基于改进残差网络的水稻害虫识别 被引量：4

12

作者 雷建云 陈楚 +2 位作者 郑禄 帖军 赵捷 《江苏农业科学》 北大核心 2022年第14期190-198,共9页

水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残... 水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残差网络的全连接层,首先通过4个残差块得到特征图,将特征图进行胶囊化编码,其次进行层间路由,以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别,并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明,提出的改进残差网络模型的准确率达到77.12%。模型满足水稻害虫图像识别的需求,具有一定的识别准确率及较强的鲁棒性,可为实际农业场景下水稻害虫识别提供可行的方案。 展开更多

关键词 害虫识别 残差网络 胶囊网络 动态路由 水稻

在线阅读 下载PDF 职称材料

基于计算机视觉的害虫识别技术研究进展 被引量：10

13

作者 陈月华 杨方 《农机化研究》 北大核心 2008年第1期209-211,共3页

害虫自动识别技术是实现农业现代化的关键。机器视觉技术在害虫识别上的应用促进了害虫自动识别技术的发展。为此,针对国内外在农业害虫识别领域的研究现状,全面、系统地分析了基于机器视觉技术的害虫识别研究进展及应用情况;同时,阐述... 害虫自动识别技术是实现农业现代化的关键。机器视觉技术在害虫识别上的应用促进了害虫自动识别技术的发展。为此,针对国内外在农业害虫识别领域的研究现状,全面、系统地分析了基于机器视觉技术的害虫识别研究进展及应用情况;同时,阐述了利用数学形态学法、二叉树法、人工神经网络等方法识别害虫的理论依据、研究情况及关键问题,指出了实现自动识别的前景及难点,以期促进该项技术在我国的应用。 展开更多

关键词 计算机应用 害虫识别 综述 机器视觉 研究进展

在线阅读 下载PDF 职称材料

基于改进YOLO v5s的水稻害虫识别研究 被引量：10

14

作者 王泰华 郭亚州 +1 位作者 张家乐 张晨阳 《农业机械学报》 EI CAS CSCD 北大核心 2024年第11期39-48,共10页

水稻害虫识别时,受稻田环境影响易出现目标被遮挡、与背景颜色相似、多目标相邻等问题导致识别精度降低。为此本文提出了一种基于改进YOLO v5s的水稻害虫识别模型YOLO v5s-Coordslimneck,通过替换主干网络中的普通卷积为CoordConv,增强... 水稻害虫识别时,受稻田环境影响易出现目标被遮挡、与背景颜色相似、多目标相邻等问题导致识别精度降低。为此本文提出了一种基于改进YOLO v5s的水稻害虫识别模型YOLO v5s-Coordslimneck,通过替换主干网络中的普通卷积为CoordConv,增强了模型对目标位置信息的获取能力;引入CBAM注意力机制,提升了模型对目标区域的关注度;采用Slim-neck减少了计算量并增强了特征处理能力;引入Soft-NMS算法优化相邻目标边框筛选,减少漏检。实验结果表明,改进后的YOLO v5s模型在水稻害虫数据集上的平均精度均值达到94.3%,相比原模型提升3.8个百分点,比其他主流模型YOLO v3、YOLO R-CSP、YOLO v7、YOLO v8s提升1.5、12.7、13.6、1.9个百分点。消融实验进一步验证了改进模型中各个组件的有效性。热力图分析也体现了改进模型能够更好地学习害虫特征。综上,本文提出的改进YOLO v5s模型在提高水稻害虫检测精度方面取得了显著成效,为防控水稻虫害提供了一种精确的识别方法。 展开更多

关键词 水稻 害虫识别 CBAM Slim-neck YOLO v5s

在线阅读 下载PDF 职称材料

基于TPH-YOLOv5和小样本学习的害虫识别方法 被引量：10

15

作者 朱香元 聂轰 周旭 《计算机科学》 CSCD 北大核心 2022年第12期257-263,共7页

深度卷积目标检测算法可自动识别农田害虫,实现对害虫的监测和预警,确保农业稳产、增产,在智慧农业中有着重要的应用。针对小目标害虫漏检率高和小样本害虫识别精度低的问题,首先,设计有针对性的小目标和小样本害虫数据增强方法,采用复... 深度卷积目标检测算法可自动识别农田害虫,实现对害虫的监测和预警,确保农业稳产、增产,在智慧农业中有着重要的应用。针对小目标害虫漏检率高和小样本害虫识别精度低的问题,首先,设计有针对性的小目标和小样本害虫数据增强方法,采用复制粘贴、裁剪、过采样等技术,保证样本规模及位置多样性特性,进而提升其对训练损失的贡献度;其次,构建基于微调的二阶段小样本学习策略,兼顾分阶段学习基类和新类害虫特征,确保在识别新类害虫的同时,不降低基类害虫的识别能力,以满足不断更新害虫数据的实际农业应用场景需求;最后,引入TPH-YOLOv5作为害虫识别算法。在28类害虫图像数据集上进行实验,结果表明,所提方法具有较高的学习效率和识别正确率,其精度、召回率、平均精度均值分别为87.6%,84.9%和85.7%。 展开更多

关键词 深度学习 害虫识别 注意力机制 小样本学习 TPH-YOLOv5 数据增强

在线阅读 下载PDF 职称材料

基于YOLO的水稻常见害虫识别方法——以YOLO-BiCa为例 被引量：1

16

作者 陈思羽 黄丹 +1 位作者 杨莎 匡迎春 《农业与技术》 2024年第9期62-67,共6页

针对害虫体积小、种类繁多,且农田环境复杂等识别难题,提出一种基于YOLOv5的水稻害虫识别改进模型——YOLO-BiCa。引入BiFormer优化骨干网络,增强小目标的特征提取能力,同时精简网络结构,降低模型复杂度;在检测头融入坐标注意力机制(Coo... 针对害虫体积小、种类繁多,且农田环境复杂等识别难题,提出一种基于YOLOv5的水稻害虫识别改进模型——YOLO-BiCa。引入BiFormer优化骨干网络,增强小目标的特征提取能力,同时精简网络结构,降低模型复杂度;在检测头融入坐标注意力机制(Coordinate Attention,CA),其通过结合通道信息和位置信息,提高模型的特征表达能力和性能,同时保持了轻量级和灵活性;在自建的水稻害虫数据集上进行试验。结果表明:YOLO-BiCa的mAP、Precison、Recall分别为86.2%、86.4%、81.3%。较原YOLOv5算法提高了4.5%、11.5%、2.5%。同时也比较了SSD、Faster RCNN等目前主流的目标检测算法,结果均有较大提升。YOLO-BiCa在提高检测精度的同时,模型参数量减少50%,有效实现了模型的轻量化与性能的平衡,为水稻害虫识别提供新的思路和方案。 展开更多

关键词 水稻 害虫识别 目标检测 YOLOv5 注意力机制

在线阅读 下载PDF 职称材料

豆科蔬菜主要害虫识别与防治

17

作者 石宝才 宫亚军 +1 位作者 路虹 宋婧祎 《中国蔬菜》 北大核心 2008年第3期56-58,I0005,共4页

关键词 害虫识别 豆科蔬菜 马铃薯瓢虫 豌豆彩潜蝇 美洲斑潜蝇 南美斑潜蝇 温室白粉虱

在线阅读 下载PDF 职称材料

蔬菜害虫识别与防治10月谈

18

作者 司升云 吴仁锋 刘小明 《长江蔬菜》 2002年第10期26-27,共2页

关键词 蔬菜 害虫识别 防治 10月

在线阅读 下载PDF 职称材料

基于改进EfficientNet模型的作物害虫识别 被引量：52

19

作者 甘雨 郭庆文 +3 位作者 王春桃 梁炜健 肖德琴 吴惠粦 《农业工程学报》 EI CAS CSCD 北大核心 2022年第1期203-211,共9页

精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫... 精准识别作物害虫是控制虫害发生态势的重要基础。针对现有害虫识别准确率较低、基于卷积神经网络的害虫识别结构较复杂且计算成本较高、害虫识别模型泛化能力低及难以部署等问题,该研究提出了一种基于改进EfficientNet模型的作物害虫智能识别模型。该模型通过引入坐标注意力(Coordinate Attention,CA)机制而改进EfficientNet主体结构,引入数据增强的组合训练策略及Adam优化算法来提高模型的泛化能力,并采用迁移学习策略来训练改进的EfficientNet模型,从而提出了一个高性能轻量化的作物害虫识别模型CA-EfficientNet。在公开的大规模作物害虫数据集IP102上展开试验,结果表明该研究提出的CA-EfficientNet模型识别准确率达到69.45%,较改进前提高了4.01个百分点;与现有同类最优算法(GAEnsemble)的性能相比,识别准确率高出2.32个百分点。改进后的CA-EfficientNet模型参数量为5.38 M,较改进前仅增加了0.09 M;相比于经典分类网络VGG、ResNet-50、GoogleNet等,其参数量仅是这些网络模型参数量的3.89%、22.72%和52.63%。试验结果表明,所提方法有效提高了作物害虫图像的识别准确率,较大幅度地减少了模型参数量,在保持轻量化计算的基础上获得了明显优于同类最优算法的准确率。 展开更多

关键词 作物 害虫识别 EfficientNet 坐标注意力机制 ADAM IP102数据集

在线阅读 下载PDF 职称材料

基于改进YOLOv7的水稻害虫识别方法 被引量：28

20

作者 郑果 姜玉松 沈永林 《华中农业大学学报》 CAS CSCD 北大核心 2023年第3期143-151,共9页

为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战... 为解决水稻害虫体型小且不同类型害虫外观差异小、同类型害虫不同生长过程中外观差异大导致水稻害虫难以识别的问题,将卷积块注意力和特征金字塔模块引入图像识别网络YOLOv7。以湖北省鄂州市水稻种植基地为样本采集点,构建一个具有挑战性的大规模水稻虫害数据集;根据样本分布特点进行数据增强,引入随机噪声、Mixup、Cutout等数据增强方法,使深度学习模型从更深的维度学习害虫判别力视觉特征;将MobileNetv3作为主干网络,对YOLOv7网络进行改进,并构建基于特征金字塔的多尺度神经网络模型,提升小个体害虫的识别精度。试验结果显示,基于改进YOLOv7的水稻虫害检测平均准确率为85.46%,超越YOLOv7、EfficientNet-B0等网络。改进YOLOv7模型大小为20.6 M,检测速度为92.2帧/s,检测速度是原始YOLOv7算法的5倍以上。结果表明,该方法能用于实现水稻虫害远程实时自动化识别。 展开更多

关键词 智慧农业 害虫识别 深度学习 卷积神经网络 空间注意力 图像视觉 虫害监测

在线阅读 下载PDF 职称材料