期刊文献+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
共找到10篇文章
< 1 >
每页显示 20 50 100
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
显示方式：
基于改进YOLO v8的苹果叶部病害检测方法
1
作者 曾林涛 马嘉昕 +1 位作者 丁羽 许晓东 《江苏农业科学》 北大核心 2025年第5期147-156,共10页
针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根... 针对苹果叶部病害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高效的病害检测模型,为病害的预防与科学化治理提供准确的依据。基于YOLO v8算法,在主干网络(backbone)末端,加入注意力机制Shuffle Attention(SA),根据样本分布特点进行数据增强,引入Mixup、Mosaic、Random等数据增强方法增加特征表达能力,在提高检测性能的同时,不显著增加计算复杂度;在neck末端,使C2f模块与可变形卷积神经网络模块(Deformable Conv V2)相结合,以提升复杂背景下的检测性能,从而提高检测准确度,有效提高模型性能;为克服CIoU损失函数的局限性,采用MPDIoU损失函数,解决CIoU在特定场景下的限制。结果表明,相较于原始YOLO v8算法,本研究算法的平均准确率提升3.5百分点,mAP@0.5∶0.95提升4.6百分点,精确率提升3.6百分点,说明改进的算法在苹果叶部病害检测方面取得有效成果。 展开更多
关键词 YOLO v8 苹果叶部病害 目标检测 Shuffle Attention C2f_DCNV2 MPDIoU
在线阅读 下载PDF
基于卷积神经网络的苹果叶部病害图像识别研究 被引量：2
2
作者 郭宏杰 马睿 +2 位作者 王佳 赵威 马德新 《中国农机化学报》 北大核心 2024年第5期239-245,共7页
为解决苹果叶部病害识别效率低、精度低的问题,展开苹果叶片病害识别模型的研究。通过收集并整理网络公共数据集,获取苹果黑腐病、苹果黑星病、苹果锈病和苹果健康叶部四类图像,随机选取1 200张图像建立数据集,采用数据增强的手段对数... 为解决苹果叶部病害识别效率低、精度低的问题,展开苹果叶片病害识别模型的研究。通过收集并整理网络公共数据集,获取苹果黑腐病、苹果黑星病、苹果锈病和苹果健康叶部四类图像,随机选取1 200张图像建立数据集,采用数据增强的手段对数据进行预处理,提高模型的鲁棒性,降低其他因素对模型识别的影响。将迁移学习与卷积神经网络相结合,在InceptionV3、Xception、NasNetmobile、Inception-ResNetV2这4种预训练模型的基础上,弃用全连接层,通过全局平均池化层来完成特征整合工作,同时对模型采取微调,对比各模型的识别效果。通过微调前后8种模型训练对比结果表明,微调后的Inception-ResNetV2模型在测试集上能达到98.83%的准确率,可以准确、快速地识别出病害类型,为相关病害识别提供参考。 展开更多
关键词 苹果叶部病害 迁移学习 卷积神经网络 图像识别
在线阅读 下载PDF
基于改进卷积神经网络的苹果叶部病害识别 被引量：27
3
作者 鲍文霞 吴刚 +2 位作者 胡根生 张东彦 黄林生 《安徽大学学报（自然科学版）》 CAS 北大核心 2021年第1期53-59,共7页
针对苹果病害叶片图像病斑区域较小导致的传统卷积神经网络不能准确快速识别的问题,提出基于改进卷积神经网络的苹果叶部病害识别的网络模型.首先,将VGG16网络模型从ImageNet数据集上学习到的先验知识迁移到苹果病害叶片数据集上;然后,... 针对苹果病害叶片图像病斑区域较小导致的传统卷积神经网络不能准确快速识别的问题,提出基于改进卷积神经网络的苹果叶部病害识别的网络模型.首先,将VGG16网络模型从ImageNet数据集上学习到的先验知识迁移到苹果病害叶片数据集上;然后,在瓶颈层后采用选择性核(selective kernel,简称SK)卷积模块;最后,使用全局平均池化代替全连接层.实验结果表明:与其他传统网络模型相比,该模型能更准确快速捕获苹果病害叶片上微小的病斑. 展开更多
关键词 苹果叶部病害 图像识别 VGG16 SK卷积 迁移学习 全局平均池化
在线阅读 下载PDF
基于改进ResNet18的苹果叶部病害多分类算法研究 被引量：29
4
作者 姜红花 杨祥海 +3 位作者 丁睿柔 王东伟 毛文华 乔永亮 《农业机械学报》 EI CAS CSCD 北大核心 2023年第4期295-303,共9页
针对传统苹果叶部病害分类方法精准性差、效率低等问题,提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支,强化网络对叶部病害区域的特征提取能力,提高病害的识别精... 针对传统苹果叶部病害分类方法精准性差、效率低等问题,提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支,强化网络对叶部病害区域的特征提取能力,提高病害的识别精度和实时性。为更好地引导网络学习到零散分布的病害斑点的特征,引入特征图随机裁剪分支,不仅实现有限样本空间的扩充,还进一步优化网络结构,提高训练速度。试验以苹果5类常见的叶部病害(黑星病、黑腐病、雪松锈病、灰斑病、白粉病)为主要研究对象,并与主流分类算法模型进行对比。试验结果表明,所提ResNet18 CBAM RC1模型病害分类准确率可达98.25%,高于ResNet18(93.19%)和VGG16(96.13%),能够有效提取叶片病害特征,增强对多类病害的识别,提高识别准确率。此外,模型内存占用量仅为37.44 MB,单幅图像推理时间为9.11 ms,可满足嵌入式设备上果园病害识别的实时性要求。 展开更多
关键词 苹果叶部病害 ResNet18 注意力机制 随机裁剪 深度学习
在线阅读 下载PDF
基于支持向量机的苹果叶部病害识别方法研究 被引量：8
5
作者 王建玺 宁菲菲 鲁书喜 《山东农业科学》 2015年第7期122-125,141,共5页
为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹... 为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。 展开更多
关键词 苹果叶部病害 小波滤波算法 最大类间方差法 边界跟踪算法 支持向量机(SVM) 模式识别
在线阅读 下载PDF
基于多注意力机制的苹果叶部病害检测方法 被引量：10
6
作者 龙阳 肖小玲 《江苏农业科学》 北大核心 2023年第23期178-186,共9页
针对苹果叶部病害在复杂环境下出现的多尺度病斑识别和定位不准确等难题,并提高对小目标病害特征的识别能力,提出了一种基于改进YOLO v5s的苹果叶部病害检测算法。首先,在骨干网络中采用ConvNeXtBlock模块替换传统的CSP模块,以增强对病... 针对苹果叶部病害在复杂环境下出现的多尺度病斑识别和定位不准确等难题,并提高对小目标病害特征的识别能力,提出了一种基于改进YOLO v5s的苹果叶部病害检测算法。首先,在骨干网络中采用ConvNeXtBlock模块替换传统的CSP模块,以增强对病害特征的提取能力。同时,为了更准确地检测小目标病害特征,引入自注意力和卷积集成的ACmix注意力机制,使得改进后的骨干网络在复杂环境下也能更准确地检测到苹果叶部病害。在颈部网络中,采用通道和空间混合的CBAM注意力机制以及SK注意力机制,以进一步提高模型对多尺度病害特征的精确定位和提取能力,并赋予了模型更强的语义信息理解能力,使其能够更好地适应不同尺寸和复杂度的病害状况。试验结果表明,与传统的YOLO v5s相比,改进后的算法精确率提高了12.2百分点,召回率提高了12.0百分点,mAP@0.5提高了12.72百分点,平均精度达到94.03%,具有较好的识别精度,误检和漏检概率显著减少。本研究的改进算法在苹果叶部病害检测方面取得了显著成果。该算法不仅提高了对多尺度病害特征的识别和定位能力,在复杂环境下也能更准确地检测到小目标病害特征。这一算法的应用潜力不仅限于苹果叶部病害,还可推广至其他农作物病害检测领域,对于提高农业病害防控水平具有重要意义。 展开更多
关键词 苹果叶部病害 YOLO v5s ConvNeXtBlock ACmix CBAM SK 注意力机制
在线阅读 下载PDF
基于改进YOLOv4算法的苹果叶部病害缺陷检测研究 被引量：17
7
作者 王权顺 吕蕾 +2 位作者 黄德丰 付思琴 余华云 《中国农机化学报》 北大核心 2022年第11期182-187,共6页
针对苹果叶部病害缺陷检测效率低下、误检率高、实时性差等问题,以苹果叶部的灰斑病、黑星病、锈病、斑点落叶病作为研究对象,提出一种基于改进YOLOv4算法的苹果叶部病害缺陷检测算法。首先通过数据扩增对数据集扩充提升鲁棒性,算法通... 针对苹果叶部病害缺陷检测效率低下、误检率高、实时性差等问题,以苹果叶部的灰斑病、黑星病、锈病、斑点落叶病作为研究对象,提出一种基于改进YOLOv4算法的苹果叶部病害缺陷检测算法。首先通过数据扩增对数据集扩充提升鲁棒性,算法通过二分K均值聚类算法确定锚框以解决预设锚框不适用苹果叶部病害的问题,引入DenseNet121作为特征提取网络,提升对苹果叶部病害缺陷的检测性能,并且减小模型大小,降低存储开销。将模型与YOLOv4模型进行对比验证,试验结果表明,改进后的YOLOv4模型平均精度均值(mAP)达到97.52%,与改进前相比提升0.89%,模型大小为62.71 MB,与改进前相比减小182.82 MB,检测速度为26.33 FPS,与改进前相比提升6.78 FPS。能够满足实际生活中对苹果叶部病害检测的需求。 展开更多
关键词 苹果叶部病害 缺陷检测 YOLOv4 二分K均值聚类 DenseNet121
在线阅读 下载PDF
双分支网络的苹果叶部病害识别 被引量：7
8
作者 陆仲达 张春达 +2 位作者 张佳奇 王子菲 许军华 《计算机科学与探索》 CSCD 北大核心 2022年第4期917-926,共10页
由于复杂背景环境和病斑相似性的影响,苹果叶部病害特征间存在细微的类间差异以及较大的类内差距,给苹果叶部病害识别造成极大困难。针对以上问题,提出了一种新型双分支网络的苹果叶部病害识别方法(DBNet)。DBNet的双分支网络结构由多... 由于复杂背景环境和病斑相似性的影响,苹果叶部病害特征间存在细微的类间差异以及较大的类内差距,给苹果叶部病害识别造成极大困难。针对以上问题,提出了一种新型双分支网络的苹果叶部病害识别方法(DBNet)。DBNet的双分支网络结构由多尺度联合分支(MS)以及多维度注意力分支(DA)构成。首先多尺度联合分支通过不同类型卷积核和跨层连接融合不同尺度层级间的病害特征,用于缓解复杂背景环境带来的不利影响。同时多维度注意力分支通过融合宽、高、通道三个不同维度的注意力,使网络关注病斑间的微小差异,并随着网络层数的加深自动改变三个维度注意力所占比重,该分支用于缓解部分病斑相似性带来的不利影响。最终DBNet将双分支网络提取到的多尺度特征和多维度特征进行融合。并在苹果叶部病害数据集上,与AlexNet、VGG-16、ResNet-50、B-CNN等模型进行实验对比,结果显示所提方法能够有效地提升识别精度。 展开更多
关键词 苹果叶部病害 双分支网络 卷积神经网络(CNN) 多尺度信息 注意力机制
在线阅读 下载PDF
Dynamic-YOLOX:复杂背景下的苹果叶片病害检测模型 被引量：9
9
作者 盛帅 段先华 +1 位作者 胡维康 曹伟杰 《计算机科学与探索》 CSCD 北大核心 2024年第8期2118-2129,共12页
针对目前苹果叶片数据集的叶片病害种类不全以及图片背景单一等问题,构建了复杂背景下包括苹果叶部六种常见病害的苹果叶片病害数据集。针对目前主流苹果叶片病害检测模型检测精度不高、模型复杂和不满足实时监测等问题,提出了一种基于Y... 针对目前苹果叶片数据集的叶片病害种类不全以及图片背景单一等问题,构建了复杂背景下包括苹果叶部六种常见病害的苹果叶片病害数据集。针对目前主流苹果叶片病害检测模型检测精度不高、模型复杂和不满足实时监测等问题,提出了一种基于YOLOX-S(you only look once X-S)改进得到的复杂背景下的苹果叶片病害自适应检测模型Dynamic-YOLOX。设计并使用ECA-SPPFCSPC模块(efficient channel attention cross-stage partial fast spatial pyramid pooling module)更换YOLOX-S模型主干网络尾部Dark5中的空间金字塔池化(SPP)以及跨阶段局部网络(CSPNet)模块来增强模型关注深层语义特征、抑制无用信息的能力,并减少硬件内存开销。设计了动态跨阶段局部网络(ODCSP)模块,并用其更换YOLOX-S模型主干网络中Dark2、Dark3、Dark4部分以及颈部网络中所有的CSPNet模块,使得模型在面对不同输入特征时有更强的自适应性,在减少模型的参数量和计算量的同时提高了模型的平均检测精度。引入Varifocal Loss更换模型中分类置信度损失的BCEWithLogits Loss来提升模型对苹果叶片中密集小目标病害的检测精度。在自制数据集上Dynamic-YOLOX相对原始YOLOX-S模型的mAP提升了4.54个百分点,达到84.63%,同时模型的参数量和计算量分别下降了11.97%和13.45%,检测速度达到44.07 FPS。对比主流苹果叶片病害检测模型,Dynamic-YOLOX具有一定优越性。 展开更多
关键词 苹果叶部病害 目标检测 YOLOX 动态跨阶段局部网络(ODCSP) Varifocal Loss
在线阅读 下载PDF
基于二维子空间的苹果病害识别方法 被引量：9
10
作者 师韵 黄文准 张善文 《计算机工程与应用》 CSCD 北大核心 2017年第22期180-184,共5页
如何准确、实时得到苹果病害信息是苹果病害管理的一个重要研究内容。根据苹果叶片症状准确、快速地诊断苹果病害是预防和控制苹果病害的基础。由于苹果同类病害叶片及其病斑图像的形状、颜色和纹理之间的差异很大,使得很多经典的模式... 如何准确、实时得到苹果病害信息是苹果病害管理的一个重要研究内容。根据苹果叶片症状准确、快速地诊断苹果病害是预防和控制苹果病害的基础。由于苹果同类病害叶片及其病斑图像的形状、颜色和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于苹果叶部病害识别。为此,提出了一种基于二维子空间学习维数约简(2DSLDR)的苹果病害识别方法。该方法将高维空间的观测样本点映射到低维子空间,使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的分类特征。该方法直接作用于叶片图像,不需要计算逆矩阵,从而克服了经典植物病害识别方法中特征提取与选择的难题,避免了经典子空间判别分析中的小样本问题,提高了识别效果。采用该方法对三种常见苹果叶部病害进行识别实验,并与其他苹果病害识别和监督流形学习方法进行比较。实验结果表明,2DSLDR对苹果叶部病害识别是有效可行的,识别精度高达90%以上。 展开更多
关键词 苹果叶部病害识别 苹果病害叶片图像 最近邻分类器 二维子空间学习维数约简
在线阅读 下载PDF
已选择0条
导出题录 引用分析
参考文献
引证文献
 统计分析
检索结果
已选文献
上一页 1 下一页 到第 页
关于我们 | 版权声明 | 联系我们 | 帮助中心| 意见反馈
主办单位：上海市教育委员会
技术支持：重庆维普资讯有限公司
渝公网安备 50019002500403号
使用帮助 返回顶部