检索结果-维普期刊中文期刊服务平台

基于RDN-YOLO的自然环境下水稻病害识别模型研究被引量：7: 1; 作者廖娟刘凯旋 +3 位作者杨玉青严从宽张爱芳朱德泉《农业机械学报》 EI CAS CSCD 北大核心 2024年第8期233-242,共10页; 针对自然环境下水稻病害识别准确度易受复杂背景干扰、病害类间差异小难以准确识别等问题,以提高水稻病害识别精度并进行模型的有效轻量化为前提,提出了一种水稻病害识别网络模型(RiceDiseaseNet,RDN-YOLO)。以YOLO v5为基本框架,在主... 展开更多; 关键词水稻病害识别 YOLO v5 跨阶段部分网络融合模块空间深度转换卷积轻量化; 在线阅读下载PDF 职称材料

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究被引量：17: 2; 作者袁培森欧阳柳江 +1 位作者翟肇裕田永超《农业机械学报》 EI CAS CSCD 北大核心 2024年第1期253-262,共10页; 为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上... 展开更多; 关键词水稻病害识别迁移学习高效通道注意力机制 MobileNetV3Small 移动端部署; 在线阅读下载PDF 职称材料

基于SPSO+SVM的水稻叶部病害识别方法研究被引量：9: 3; 作者陈宇路阳 +2 位作者蔡娣姜峰杨化龙《上海农业学报》 2021年第6期136-142,共7页; 为实现田间条件下水稻稻瘟病、纹枯病、白叶枯病3种常见水稻叶部病害的快速识别和诊断,提出了一种基于交换粒子群优化算法(SPSO)和支持向量机(SVM)的水稻病害诊断方法。首先在田间采集300幅水稻叶部病害图像,利用中值滤波方法和方向梯... 展开更多; 关键词水稻病害识别支持向量机交换粒子群优化算法方向梯度直方图; 在线阅读下载PDF 职称材料

融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类被引量：6: 4; 作者杨非凡徐伟诚 +1 位作者陈盛德兰玉彬《江苏农业科学》北大核心 2023年第14期198-204,共7页; 快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义,为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题,融合Focal Loss与4种典型卷积神经网络结构对7种水稻病... 展开更多; 关键词水稻病害识别卷积神经网络 Focal Loss ResNet MobileNetV2 VGG16; 在线阅读下载PDF 职称材料

题名基于RDN-YOLO的自然环境下水稻病害识别模型研究被引量：7: 1; 作者廖娟刘凯旋杨玉青严从宽张爱芳朱德泉; 机构安徽农业大学工学院安徽省农业科学院植物保护与农产品质量安全研究所; 出处《农业机械学报》 EI CAS CSCD 北大核心 2024年第8期233-242,共10页; 基金国家重点研发计划项目(2022YFD2001801-3) 国家自然科学基金项目(32201665)。; 文摘针对自然环境下水稻病害识别准确度易受复杂背景干扰、病害类间差异小难以准确识别等问题,以提高水稻病害识别精度并进行模型的有效轻量化为前提,提出了一种水稻病害识别网络模型(RiceDiseaseNet,RDN-YOLO)。以YOLO v5为基本框架,在主干网络的特征提取阶段嵌入跨阶段部分网络融合模块(C2f),增强模型对病害特征的感知能力,并引入空间深度转换卷积(SPDConv),扩展模型的感受野,进一步提升模型对小病斑特征提取能力;在颈部网络嵌入SPDConv结构,并利用轻量级卷积GsConv替换部分标准卷积,提高颈部网络对病害部位的定位和类别信息预测的准确性及推理速度;以穗瘟病、叶瘟病、胡麻斑病、稻曲病和白枯病5种常见水稻病害为研究对象,在自然环境下采集水稻病害图像,制作水稻病害数据集,进行模型训练与测试。实验结果表明,本文模型病害检测精确率高达94.2%,平均精度均值达93.5%,模型参数量为8.1 MB;与YOLO v5、Faster R-CNN、YOLO v7、YOLO v8模型相比,模型参数量略大于YOLO v5,但平均精度均值最高约高12.2个百分点,在一定程度上减轻模型复杂度的同时获得良好的水稻病害识别效果。; 关键词水稻病害识别 YOLO v5 跨阶段部分网络融合模块空间深度转换卷积轻量化; Keywords rice disease recognition YOLO v5 C2f SPDConv lightweight; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于MobileNetV3Small-ECA的水稻病害轻量级识别研究被引量：17: 2; 作者袁培森欧阳柳江翟肇裕田永超; 机构南京农业大学人工智能学院南京农业大学农学院; 出处《农业机械学报》 EI CAS CSCD 北大核心 2024年第1期253-262,共10页; 基金国家自然科学基金项目(61502236) 江苏省农业科技自主创新资金项目(CX(21)3059)。; 文摘为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。; 关键词水稻病害识别迁移学习高效通道注意力机制 MobileNetV3Small 移动端部署; Keywords rice disease identification transfer learning ECA attention mechanism MobileNetV3Small mobile deployment; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于SPSO+SVM的水稻叶部病害识别方法研究被引量：9: 3; 作者陈宇路阳蔡娣姜峰杨化龙; 机构黑龙江八一农垦大学电气与信息学院鸡西市公安局; 出处《上海农业学报》 2021年第6期136-142,共7页; 基金中国博士后科学基金(2016M591560) 黑龙江省自然科学基金重点项目(ZD2019F001) +2 种基金黑龙江省博士后科研启动金资助项目(LBH-Q17134)。; 文摘为实现田间条件下水稻稻瘟病、纹枯病、白叶枯病3种常见水稻叶部病害的快速识别和诊断,提出了一种基于交换粒子群优化算法(SPSO)和支持向量机(SVM)的水稻病害诊断方法。首先在田间采集300幅水稻叶部病害图像,利用中值滤波方法和方向梯度直方图,得到3种病害3780维特征向量;然后建立病害识别支持向量机模型,使用交换粒子群优化算法(SPSO)优化支持向量机径向基函数(RBF)的参数γ和惩罚因子c。结果表明:该方法优于单独使用支持向量机或粒子群(PSO)算法优化的支持向量机模型,3种水稻叶部病害平均识别准确率达到93.2%。该方法可用于上述3种水稻叶部病害的识别。; 关键词水稻病害识别支持向量机交换粒子群优化算法方向梯度直方图; Keywords Disease recognition of rice Support vector machines Switching particle swarm optimization algorithm Histograms of oriented gradient; 分类号 S435.111 [农业科学—农业昆虫与害虫防治] TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类被引量：6: 4; 作者杨非凡徐伟诚陈盛德兰玉彬; 机构华南农业大学电子工程学院(人工智能学院)/国家精准农业航空施药技术国际联合研究中心; 出处《江苏农业科学》北大核心 2023年第14期198-204,共7页; 基金华南农业大学-碧桂园校地校企合作项目广东省引进领军人才项目(编号:2016LJ06G689) +2 种基金岭南现代农业实验室科研项目(编号:NT2021009)。; 文摘快速高效地识别水稻病害的种类并及时采取有效的防治措施对避免水稻减产具有重要意义,为解决人工识别水稻病害效率低、识别精度不高、深度学习样本不平衡导致识别准确率不高等问题,融合Focal Loss与4种典型卷积神经网络结构对7种水稻病害进行分类识别。利用TensorFlow的Keras深度学习框架搭建卷积神经网络的图像识别分类系统,使用Focal Loss损失函数解决数据集不平衡导致识别准确率低的问题,采用ResNet50、ResNet101、MobileNetV2、VGG16作为特征提取骨干,对7种水稻病害进行识别。通过imgaug库增强数据,将13543张水稻病害图像按照9∶1的比例划分为训练集和验证集并参与训练模型,将1404张水稻病害图像作为测试集来验证模型的准确性。结果表明,所搭建的数据集中ResNet50、ResNet101、MobileNetV2、VGG16的识别准确率分别为98.06%、94.26%、92.47%、97.83%。可见,在融合Focal Loss损失函数的情况下,ResNet50作为特征提取骨干训练出的模型在水稻病害图像分类中拥有最高的准确率,该成果可在实际生产中实现水稻病害的自动分类识别,有助于水稻病害的防治工作。; 关键词水稻病害识别卷积神经网络 Focal Loss ResNet MobileNetV2 VGG16; 分类号 TP391.41 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	基于RDN-YOLO的自然环境下水稻病害识别模型研究	廖娟刘凯旋杨玉青严从宽张爱芳朱德泉	《农业机械学报》 EI CAS CSCD 北大核心	2024	7	在线阅读下载PDF 职称材料
2	基于MobileNetV3Small-ECA的水稻病害轻量级识别研究	袁培森欧阳柳江翟肇裕田永超	《农业机械学报》 EI CAS CSCD 北大核心	2024	17	在线阅读下载PDF 职称材料
3	基于SPSO+SVM的水稻叶部病害识别方法研究	陈宇路阳蔡娣姜峰杨化龙	《上海农业学报》	2021	9	在线阅读下载PDF 职称材料
4	融合Focal Loss与典型卷积神经网络结构的水稻病害图像分类	杨非凡徐伟诚陈盛德兰玉彬	《江苏农业科学》北大核心	2023	6	在线阅读下载PDF 职称材料