为了开展低成本、通用、灵活的农作物病害识别,提出了一种基于渐进式学习和增强原型度量的小样本农作物病害识别网络(Few-shot crop disease recognition network based on progressive learning and enhanced prototype metric,FPE-Net...为了开展低成本、通用、灵活的农作物病害识别,提出了一种基于渐进式学习和增强原型度量的小样本农作物病害识别网络(Few-shot crop disease recognition network based on progressive learning and enhanced prototype metric,FPE-Net)。首先,利用设计的增强原型度量模块,计算能够准确表示类别中心的增强原型,并充分利用增强原型中的丰富类别信息对农作物病害进行识别;其次,采用设计的渐进式学习策略对模型进行训练,以帮助模型更好地适应农作物病害识别任务,提升模型小样本农作物病害识别精度。在自制小样本农作物病害数据集FSCD-Base、FSCD-Complex以及FSCD-Base到FSCD-Complex的跨域设置上,FPE-Net的5-way 1-shot平均识别准确率分别达到70.65%、53.47%和49.58%,5-way 5-shot平均识别准确率分别达到83.02%、66.15%和64.21%。实验结果表明,本文提出的FPE-Net明显优于其他小样本农作物病害识别模型,在训练样本不足的情况下能够更准确识别农作物病害。展开更多
现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息...现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement,MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95.31%。展开更多
无人机三维路径规划是一个比较复杂的全局优化问题,其目标是在考虑威胁和约束的条件下,获得最优或接近最优的飞行路径。针对鲸鱼算法在进行无人机三维航迹规划时,存在容易陷入局部最优、收敛速度较慢、收敛精度不够高等问题,提出了一种...无人机三维路径规划是一个比较复杂的全局优化问题,其目标是在考虑威胁和约束的条件下,获得最优或接近最优的飞行路径。针对鲸鱼算法在进行无人机三维航迹规划时,存在容易陷入局部最优、收敛速度较慢、收敛精度不够高等问题,提出了一种基于莱维飞行(Lévy flight)的鲸鱼优化算法(Levy Flight Based on Whale Optimization Algorithm, LWOA),用于解决无人机三维路径规划问题。该算法在迭代过程中加入了Levy飞行对最优解进行随机扰动;引入了信息交流机制,通过当前全局最优解和个体记忆最优解以及邻域最优解来更新个体的位置,能够更好地权衡局部收敛和全局开发。仿真结果表明,所提路径规划算法可以有效避开威胁区,收敛速度更快,收敛精度更高,且更不易陷入局部最优解。当迭代次数为300次、种群个数为50时,LWOA算法求得的成本函数值是PSO算法的91.1%,是GWO算法的92.1%,是WOA算法的95.9%,航迹代价更小。展开更多
文摘为了开展低成本、通用、灵活的农作物病害识别,提出了一种基于渐进式学习和增强原型度量的小样本农作物病害识别网络(Few-shot crop disease recognition network based on progressive learning and enhanced prototype metric,FPE-Net)。首先,利用设计的增强原型度量模块,计算能够准确表示类别中心的增强原型,并充分利用增强原型中的丰富类别信息对农作物病害进行识别;其次,采用设计的渐进式学习策略对模型进行训练,以帮助模型更好地适应农作物病害识别任务,提升模型小样本农作物病害识别精度。在自制小样本农作物病害数据集FSCD-Base、FSCD-Complex以及FSCD-Base到FSCD-Complex的跨域设置上,FPE-Net的5-way 1-shot平均识别准确率分别达到70.65%、53.47%和49.58%,5-way 5-shot平均识别准确率分别达到83.02%、66.15%和64.21%。实验结果表明,本文提出的FPE-Net明显优于其他小样本农作物病害识别模型,在训练样本不足的情况下能够更准确识别农作物病害。
文摘现有基于深度学习的农作物病害识别方法对网络浅层、中层、深层特征中包含的判别信息挖掘不够,且提取的农作物病害图像显著性特征大多不足,为了更加有效地提取农作物病害图像中的判别特征,提高农作物病害识别精度,提出一种基于多层信息融合和显著性特征增强的农作物病害识别网络(Crop disease recognition network based on multi-layer information fusion and saliency feature enhancement,MISF-Net)。MISF-Net主要由ConvNext主干网络、多层信息融合模块、显著性特征增强模块组成。其中,ConvNext主干网络主要用于提取农作物病害图像的特征;多层信息融合模块主要用于提取和融合主干网络浅层、中层、深层特征中的判别信息;显著性特征增强模块主要用于增强农作物病害图像中的显著性判别特征。在农作物病害数据集AI challenger 2018及自制数据集RCP-Crops上的实验结果表明,MISF-Net的农作物病害识别准确率分别达到87.84%、95.41%,F1值分别达到87.72%、95.31%。
文摘无人机三维路径规划是一个比较复杂的全局优化问题,其目标是在考虑威胁和约束的条件下,获得最优或接近最优的飞行路径。针对鲸鱼算法在进行无人机三维航迹规划时,存在容易陷入局部最优、收敛速度较慢、收敛精度不够高等问题,提出了一种基于莱维飞行(Lévy flight)的鲸鱼优化算法(Levy Flight Based on Whale Optimization Algorithm, LWOA),用于解决无人机三维路径规划问题。该算法在迭代过程中加入了Levy飞行对最优解进行随机扰动;引入了信息交流机制,通过当前全局最优解和个体记忆最优解以及邻域最优解来更新个体的位置,能够更好地权衡局部收敛和全局开发。仿真结果表明,所提路径规划算法可以有效避开威胁区,收敛速度更快,收敛精度更高,且更不易陷入局部最优解。当迭代次数为300次、种群个数为50时,LWOA算法求得的成本函数值是PSO算法的91.1%,是GWO算法的92.1%,是WOA算法的95.9%,航迹代价更小。
