检索结果-维普期刊中文期刊服务平台

基于改进GoogLeNet的玉米叶片病害识别及其可解释性研究: 1; 作者牛潘婷张宝林 +1 位作者潘丽杰郭建鹏《中国农机化学报》北大核心 2025年第1期204-212,共9页; 为加强农作物病害的识别,减少病害发生的频率与强度,提高农作物产量与品质,基于迁移学习构建5种深度学习网络,对玉米叶片锈病、大小斑病和灰斑病进行识别分类研究。通过对比AlexNet、VGG19、ResNet50、GoogLeNet和MobileNetV2深度学习网... 展开更多; 关键词深度学习玉米叶片病害迁移学习可解释性图像处理; 在线阅读下载PDF 职称材料

基于改进EfficientNet v2模型的玉米叶片病害识别: 2; 作者谢琬崔艳荣《江苏农业科学》北大核心 2025年第9期207-215,共9页; 针对真实环境下玉米叶片病害识别准确率不高、传统模型难以适应复杂背景等问题,提出一种改进轻量化模型EfficientNet v2的识别方法。首先,收集患有玉米细菌性枯萎病、普通锈病、玉米灰斑病3种病害的玉米叶片和玉米健康叶片,通过4种数据... 展开更多; 关键词玉米叶片病害 EfficientNet v2 SimAM注意力模块通道混洗操作空洞卷积图像识别; 在线阅读下载PDF 职称材料

基于改进YOLOv8模型的玉米叶片病害检测: 3; 作者郝巧红冯庆贺 +1 位作者江铭凯芮永生《南方农机》 2025年第S1期12-15,共4页; 【目的】提高玉米叶片病害检测精度,保障玉米健康生长。【方法】针对玉米生长过程中遇到的病害,提出一种改进的YOLOv8网络模型进行玉米叶片病害检测。首先,在数据准备过程中,通过增加噪声、旋转和平移对原始数据集进行数据增强;其次,在... 展开更多; 关键词玉米叶片病害注意力机制 CBAM-SE-YOLOv8; 在线阅读下载PDF 职称材料

基于改进和声搜索算法的玉米叶片病害图像分割算法被引量：7: 4; 作者刘立群王联国 +1 位作者火久元郭小燕《计算机应用与软件》 CSCD 2016年第4期183-186,共4页; 针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进和声搜索算法的玉米叶片病害图像分割算法。算法将玉米叶片病害图像编码处理,选取图像的类间方差作为改进和声搜索算法的适应度值,通过改进和声搜索算... 展开更多; 关键词最大类间方差法改进和声搜索算法玉米叶片病害图像病斑分割最优分割阈值; 在线阅读下载PDF 职称材料

玉米叶片病害彩色图像识别的降维和聚类方法被引量：11: 5; 作者朱景福李雪《江苏农业科学》北大核心 2016年第7期350-354,共5页; 应用流形学习算法研究玉米叶片病害图像的识别。首先分别利用PCA、LLE、LE算法对玉米病害灰度图像和彩色图像进行降维,以得到高维空间中的低维特征,然后采用K-means算法进行聚类分析。结果表明:LLE算法作为玉米病害灰度图像识别的特征... 展开更多; 关键词降维聚类玉米叶片病害识别; 在线阅读下载PDF 职称材料

改进残差网络在玉米叶片病害图像的分类研究被引量：30: 6; 作者黄英来艾昕《计算机工程与应用》 CSCD 北大核心 2021年第23期178-184,共7页; 针对传统的玉米叶片病害图像识别方法正确率不高、速度慢等问题,提出一种基于改进深度残差网络模型的玉米叶片图像识别算法。提出的改进策略有:将传统的ResNet-50模型第一层卷积层中7×7卷积核替换为3个3×3的卷积核;使用LeakyR... 展开更多; 关键词玉米叶片病害图像识别深度学习残差网络迁移学习; 在线阅读下载PDF 职称材料

基于多尺度特征度量元学习的玉米叶片病害识别模型研究被引量：10: 7; 作者惠巧娟孙婕《江苏农业科学》北大核心 2023年第9期199-206,共8页; 传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大,基于此,提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先,利用Vgg-16、Swin Transformer网络,将玉米叶片病害图片映射到全局和局部特征空间;然... 展开更多; 关键词玉米叶片病害识别多尺度特征度量元学习全局和局部特征 Swin Transformer; 在线阅读下载PDF 职称材料

题名基于改进GoogLeNet的玉米叶片病害识别及其可解释性研究: 1; 作者牛潘婷张宝林潘丽杰郭建鹏; 机构内蒙古师范大学化学与环境科学学院内蒙古自治区环境化学重点实验室内蒙古节水农业工程研究中心; 出处《中国农机化学报》北大核心 2025年第1期204-212,共9页; 基金内蒙古自然科学基金项目(2022LHMS03009) 内蒙古自治区科技重大专项课题(2021ZD0003—1) 内蒙古师范大学基本科研业务费专项资金(2022JBTD009)。; 文摘为加强农作物病害的识别,减少病害发生的频率与强度,提高农作物产量与品质,基于迁移学习构建5种深度学习网络,对玉米叶片锈病、大小斑病和灰斑病进行识别分类研究。通过对比AlexNet、VGG19、ResNet50、GoogLeNet和MobileNetV2深度学习网络,GoogLeNet的识别准确率最高,达到96.3%,模型收敛效果最好。通过进一步优化GoogLeNet模型架构,在inception模块中插入卷积注意力模块CBAM,使用LeakyReLU激活函数替换ReLU函数,改进后网络通道注意力增强,测试集的识别准确率达到99.0%,识别准确率提高2.7%。采用CAM和LIME算法对模型的可解释性分析,改进后网络的可解释性增强,更好地关注叶片病害部分。; 关键词深度学习玉米叶片病害迁移学习可解释性图像处理; Keywords deep learning maize leaf disease transfer learning explainability image processing; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术] S435.131 [农业科学—农业昆虫与害虫防治]; 在线阅读下载PDF 职称材料

题名基于改进EfficientNet v2模型的玉米叶片病害识别: 2; 作者谢琬崔艳荣; 机构长江大学计算机科学学院; 出处《江苏农业科学》北大核心 2025年第9期207-215,共9页; 基金国家自然科学基金(编号:62077018)。; 文摘针对真实环境下玉米叶片病害识别准确率不高、传统模型难以适应复杂背景等问题,提出一种改进轻量化模型EfficientNet v2的识别方法。首先,收集患有玉米细菌性枯萎病、普通锈病、玉米灰斑病3种病害的玉米叶片和玉米健康叶片,通过4种数据扩充方法进行数据增强,提升模型识别和泛化能力;其次,以EfficientNet v2模型为基础,在Fused-MBConv模块中引入无参数注意力模块SimAM,不增加模型计算负担的同时提高对病害的识别能力;再次,为了增加组间通信,在模型中每1层的MBConv模块和Fused-MBConv模块中引入通道混洗操作,促进不同通道之间的信息流动和融合;最后,将模型中stem层中的传统卷积替换为空洞卷积,增大感受野,使模型在初始阶段就捕捉到更多有用的信息,有助于提升网络的整体特征提取能力。相比原模型,改进后的EfficientNet v2在Top-1准确率提高了1.52百分点,平均精确率提高了1.62百分点,平均召回率提高了1.68百分点,平均F_(1)分数提高了1.65百分点,参数量仅为20.2 M,在保持轻量化的同时提高了对3类常见玉米叶片病害以及健康叶片的识别效果。; 关键词玉米叶片病害 EfficientNet v2 SimAM注意力模块通道混洗操作空洞卷积图像识别; 分类号 S126 [农业科学—农业基础科学] 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

题名基于改进YOLOv8模型的玉米叶片病害检测: 3; 作者郝巧红冯庆贺江铭凯芮永生; 机构河南工学院智能工程学院; 出处《南方农机》 2025年第S1期12-15,共4页; 基金 2024年河南省国际科技合作项目(242102520036) 2023年河南省重点研发与推广专项(科技攻关)项目(232102210094) 河南工学院高层次人才科研启动基金(KQ2417)。; 文摘【目的】提高玉米叶片病害检测精度,保障玉米健康生长。【方法】针对玉米生长过程中遇到的病害,提出一种改进的YOLOv8网络模型进行玉米叶片病害检测。首先,在数据准备过程中,通过增加噪声、旋转和平移对原始数据集进行数据增强;其次,在原始YOLOv8网络模型中加入CBAM和SE注意力模块,构建出改进的YOLOv8网络模型CBAM-SE-YOLOv8;最后,将改进模型的检测结果与原始模型检测结果进行对比分析。【结果】CBAM-SE-YOLOv8网络模型对玉米叶片灰斑病的检测精度可达98.3%,相较于原始YOLOv8模型,该模型能更加精准地识别玉米病害。【结论】CBAM-SE-YOLOv8网络模型在智慧农业生产领域具有较大应用价值,能够有效提升玉米病害预警的准确性,从而降低玉米病害的发生风险与危害程度,保障玉米的产量与质量。; 关键词玉米叶片病害注意力机制 CBAM-SE-YOLOv8; 分类号 S435.13 [农业科学—农业昆虫与害虫防治] TP391.4 [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

题名基于改进和声搜索算法的玉米叶片病害图像分割算法被引量：7: 4; 作者刘立群王联国火久元郭小燕; 机构甘肃农业大学信息科学技术学院兰州交通大学电子与信息工程学院; 出处《计算机应用与软件》 CSCD 2016年第4期183-186,共4页; 基金国家自然科学基金项目(61063028) 甘肃省科技计划资助项目(145RJYA288) +6 种基金 1208RJZA133) 兰州交通大学青年科学基金项目(2013032); 文摘针对最大类间方差法在图像分割时存在造成噪声干扰和过分割的缺点,提出一种基于改进和声搜索算法的玉米叶片病害图像分割算法。算法将玉米叶片病害图像编码处理,选取图像的类间方差作为改进和声搜索算法的适应度值,通过改进和声搜索算法寻找最优的分割阈值,利用该最优阈值使用经典最大类间方差法对玉米叶片病害图像进行分割。选取强光、中光、弱光条件下三幅玉米叶片病害图像进行分割实验,结果表明采用基于改进和声搜索算法的玉米叶片病害图像分割算法较最大类间方差法和基于混合蛙跳算法的图像阈值分割算法均具有较好的图像阈值寻优能力,可有效提高玉米叶片病害图像中病斑分割的效果。; 关键词最大类间方差法改进和声搜索算法玉米叶片病害图像病斑分割最优分割阈值; Keywords OTSU Improved harmony search algorithm Maize leaf disease image Disease spot segmentation Optimal segmentation threshold; 分类号 TP301.6 [自动化与计算机技术—计算机系统结构]; 在线阅读下载PDF 职称材料

题名玉米叶片病害彩色图像识别的降维和聚类方法被引量：11: 5; 作者朱景福李雪; 机构黑龙江八一农垦大学信息技术学院黑龙江八一农垦大学农业工程博士后流动站; 出处《江苏农业科学》北大核心 2016年第7期350-354,共5页; 基金黑龙江省自然科学基金面上项目(编号:F201428) 黑龙江省教育厅面上项目(编号:12541596) 黑龙江八一农垦大学校级博士启动基金(编号:XDB2009-17); 文摘应用流形学习算法研究玉米叶片病害图像的识别。首先分别利用PCA、LLE、LE算法对玉米病害灰度图像和彩色图像进行降维,以得到高维空间中的低维特征,然后采用K-means算法进行聚类分析。结果表明:LLE算法作为玉米病害灰度图像识别的特征提取算法,识别率为76.5%;对玉米病害彩色图像进行识别,识别率达到99.5%以上。研究最终提出1种在RGB彩色空间用流形学习算法进行玉米叶片病害彩色图像识别的方法。; 关键词降维聚类玉米叶片病害识别; 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

题名改进残差网络在玉米叶片病害图像的分类研究被引量：30: 6; 作者黄英来艾昕; 机构东北林业大学信息与计算机工程学院; 出处《计算机工程与应用》 CSCD 北大核心 2021年第23期178-184,共7页; 基金国家自然科学基金(31670717) 中央高校基本科研业务费专项基金(2572018BH03)。; 文摘针对传统的玉米叶片病害图像识别方法正确率不高、速度慢等问题,提出一种基于改进深度残差网络模型的玉米叶片图像识别算法。提出的改进策略有:将传统的ResNet-50模型第一层卷积层中7×7卷积核替换为3个3×3的卷积核;使用LeakyReLU激活函数替代ReLU激活函数;改变残差块中批标准化层、激活函数与卷积层的排列顺序。进行数据预处理,将训练集与测试集的比例划分为4∶1,采用数据增强的方式对训练集进行扩充,将改进的ResNet-50模型经过迁移学习得到在ImageNet上预训练好的权重参数。实验结果表明,改进的网络在玉米叶片病害图像分类中得到了98.3%的正确率,与其他网络模型相比准确率大幅提升,鲁棒性进一步增强,可为玉米叶片病害的识别提供参考。; 关键词玉米叶片病害图像识别深度学习残差网络迁移学习; Keywords corn leaf disease image recognition deep learning residual network transfer learning; 分类号 TP391.4 [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

题名基于多尺度特征度量元学习的玉米叶片病害识别模型研究被引量：10: 7; 作者惠巧娟孙婕; 机构银川科技学院信息工程学院宁夏回族自治区种子工作站; 出处《江苏农业科学》北大核心 2023年第9期199-206,共8页; 基金宁夏高等学校科学研究项目(编号:NGY2020114) 宁夏种业提升工程农作物新品种展示示范项目。; 文摘传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大,基于此,提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先,利用Vgg-16、Swin Transformer网络,将玉米叶片病害图片映射到全局和局部特征空间;然后,利用多尺度特征融合网络,实现全局和局部特征的深度融合,强化特征的分类能力;最后,利用无参数元学习网络,实现待测玉米叶片病害图片与特征集之间的度量,根据度量结果,实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试,所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销;相比其他经典玉米叶片病害识别模型,具有更强的鲁棒性和泛化性能。; 关键词玉米叶片病害识别多尺度特征度量元学习全局和局部特征 Swin Transformer; 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	基于改进GoogLeNet的玉米叶片病害识别及其可解释性研究	牛潘婷张宝林潘丽杰郭建鹏	《中国农机化学报》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于改进EfficientNet v2模型的玉米叶片病害识别	谢琬崔艳荣	《江苏农业科学》北大核心	2025	0	在线阅读下载PDF 职称材料
3	基于改进YOLOv8模型的玉米叶片病害检测	郝巧红冯庆贺江铭凯芮永生	《南方农机》	2025	0	在线阅读下载PDF 职称材料
4	基于改进和声搜索算法的玉米叶片病害图像分割算法	刘立群王联国火久元郭小燕	《计算机应用与软件》 CSCD	2016	7	在线阅读下载PDF 职称材料
5	玉米叶片病害彩色图像识别的降维和聚类方法	朱景福李雪	《江苏农业科学》北大核心	2016	11	在线阅读下载PDF 职称材料
6	改进残差网络在玉米叶片病害图像的分类研究	黄英来艾昕	《计算机工程与应用》 CSCD 北大核心	2021	30	在线阅读下载PDF 职称材料
7	基于多尺度特征度量元学习的玉米叶片病害识别模型研究	惠巧娟孙婕	《江苏农业科学》北大核心	2023	10	在线阅读下载PDF 职称材料