病害识别

摘要： 本文基于计算机视觉,采用PyTorch框架,Resnet50迁移学习,余弦退火学利率衰减算法,对数据集进行训练获得高识别率、高效率的模型;用MYSQL数据库和Pyside2搭建前端界面实现玉米四种病害八种状态的病害识别系统。测试表明:该系统对收集到的西藏高原地区玉米种植的4种病害及病害程度的识别准确率达到81%以上,可实现用户上传病害图片或使用摄像头进行实时识别病害,并显示出该病害的相关简介和防止方法等一系列信息。该系统能够满足农业在识别防治玉米病害方面的需求。

摘要： 针对目前有机黄瓜智能大棚监控系统缺乏病害检测与报警的问题,提出一种将人工智能技术与基于NB-IoT和STM32嵌入式系统的物联网技术相结合的系统设计。首先利用STM32嵌入式系统实现对大棚大气环境、土壤环境、自动灌溉等检测与控制;然后通过深度学习和卷积神经网络实现对有机黄瓜的靶斑病、角斑病、炭疽病及细菌性叶枯病的检测与识别,并将模型接入树莓派;最后运用NB-IoT技术连接阿里云平台实现远程监测和控制。结果表明系统可实现对有机黄瓜生长的大棚环境及病虫害的智能监控、检测与控制,有效地促进了大棚内有机黄瓜的智能生长。

摘要： 针对在黄瓜种植过程中,不能及时观察出病害种类以及不合理地使用药物防治而导致减产或死亡的问题,提出了基于卷积神经网络的黄瓜病害识别方法。通过使用手机拍照的方法采集带有病害特征的样本图片,进行图像增强处理,制作了黄瓜叶面病害数据集,并研究AlexNet、VGG-16和ResNet50三种不同深度网络模型的病害识别效果,通过设计不同方案进行模型训练,找出训练效果最优的网络模型并进行病害图片检测。结果表明,系统能够满足预期的黄瓜病害识别要求,具有较高的识别准确率。

摘要： 使用卷积神经网络对作物病害图片进行识别分类需要较长模型训练时间,采用迁移学习的方法可有效提高识别效率。首先探究迁移学习冻结全部网络层、冻结部分网络层和不冻结网络层时的识别效果,然后使用InceptionV3模型和Xception模型分别对玉米健康叶片、尾孢叶斑病、纹枯病以及锈病进行识别与分类。试验结果表明:迁移学习不冻结网络层时分类效果最好,准确率可达97.42%;冻结部分网络层次之,InceptionV3模型在可训练参数量为70%左右时识别效果较好,准确率可达92.04%;Xception模型在可训练参数量为80%时效果最好,准确率可达94.62%;冻结全部网络层时准确率相对较低,准确率为87.10%。整体来看,Xception模型比InceptionV3模型更适用于玉米叶片病害的识别。

摘要： 苹果生长过程中容易受到病害影响而减产,造成经济损失。大型卷积神经网络可准确识别出苹果病害,但移动设备有限的计算资源限制了该类网络在其上的具体应用。轻量级卷积神经网络可运行在移动端,并能够实现病害的实时识别,但其识别精度往往不如前者。为解决该问题,在轻量级卷积神经网络ShuffleNet V2基础上,通过调整基本残差单元结构和网络宽度,同时引入卷积块注意模块(convolutional block attention module,CBAM),提出了改进型ShuffleNet#苹果叶部病害诊断模型。以苹果疮痂病、黑腐病、锈病、健康叶片为研究对象,收集简单和复杂背景图像各2000张,通过数据增广将其扩充至40000张,构建苹果叶部病害图像数据集,应用该数据集,对苹果叶部病害诊断模型进行训练和测试。以识别准确率、模型复杂度、平均推理时间等为判别标准,并与多个现有卷积神经网络模型进行比较。结果表明:改进后的模型能有效地识别出上述2种不同背景的4类图像,在测试集上识别准确率达到98.95%,移动端单张图像的平均推理时间为39.38ms。相较于大型的ResNet101网络,该模型在准确率上仅降低0.05%,但平均推理时间缩减87.94%,在识别速度和精度上获得了较好的平衡。基于该模型,开发了一款面向Android移动端的苹果叶部病害识别应用,测试结果表明,该应用能够满足果园内上述3种病害和健康叶片的实时识别需求,可为设计高效、轻量的病害诊断模型提供思路和参考。

摘要： 针对番茄和茄子2类茄科蔬菜的病害,基于SE-Inception和胶囊网络构建了一个具有抗噪性的茄科病害识别网络,称为胶囊SE-Inception。该网络主要分为特征提取和胶囊网络2部分。其特征提取部分采用了批处理归一化层(BN)加速网络收敛;利用SE-Inception结构和多尺度特征提取模块来提高模型的精度。胶囊网络部分采用了路由迭代次数为2,维度为16的胶囊进行处理。基于自建的茄科病害数据集开展实验,其包含白粉虱、白粉病、黄曲病和棉疫病4种病害类别和健康叶片;为减少过拟合,对数据进行了增广处理。实验结果表明胶囊SE-Inception网络针对常见的高斯、椒盐和模糊噪声具有较好的抗噪性;其仅需较少的数据就可以达到较高的识别精度,在相同数据量下,胶囊SE-Inception网络的识别精度高于常见轻量级模型。

摘要： 轨道结构作为承载列车载荷的关键部件,一旦出现病害将直接影响列车的行驶安全。针对这一问题,文中提出了一种基于支持向量机的轨道结构病害识别方法。该方法利用时域统计和离散小波变换对轨道结构不同工况,例如正常状态、轨枕空吊、道床板结下轨枕振动加速度数据进行联合特征提取,降低了数据的维度,为病害识别提供了可能。该方法还利用支持向量机算法对特征向量进行识别,并采用网格搜索方法对支持向量机参数进行选优,识别准确率在85%左右。实验结果表明,所提方法可以对不同程度的轨枕空吊及道床板结病害进行较好地识别,为轨道结构故障在线预警提供技术基础。

摘要： 基于可见光谱的农作物病害自动化识别和诊断是一个具有挑战性的研究领域,但现有基于卷积神经网络进行病害识别的研究往往利用深层网络牺牲模型参数量来提高对单一农作物病害识别的准确率,从而造成硬件资源的浪费。为提高农作物病害识别的准确率且避免深层网络的使用,该研究将注意力机制引入农作物病害识别领域,提出了一种基于可见光谱和改进注意力机制的浅层农作物病害识别模型,设计了新的注意力模块SMLP和农作物病害识别模型SMLP_ResNet。利用卷积层代替全连接层设计参数量较少的残差网络(ResNet),然后利用SMLP、归一化结构(BatchNormalization)和残差模块(Res_block)得到改进的残差模块单元(SMLP_Res),其中SMLP由全局池化和多层感知机组成,建立各通道间依赖关系。多层感知机使用三层网络结构,将全局特征的通道维度提升至两倍,然后对其通道维度进行两次降维,恢复至原始维度,减少了全局特征损失。SMLP_Res可对通道中的病害特征重校准,减少对识别任务无效的冗余信息,最后构建农作物病害识别模型SMLP_ResNet,在减少模型层数同时提高其识别率。使用两个不同难度的多种植物和病害混合的公开数据集AIChallenger2018和PlantVillage验证本文模型。实验结果表明,SMLP_ResNet模型在18、50和101层时达到了较高的识别率,其中SMLP_ResNet18模型效果最佳,在两个数据集中的病害识别率分别为86.93%和99.32%。SMLP_ResNet18的准确率不仅高于改进前的ResNet18和SENet18网络,还高于其他研究者提出的模型的准确率,且模型权重大小为48.6MB,仅约为AlexNet网络权重的五分之一,能够在模型参数量较小的情况下实现较高的病害识别率。从Grad-CAM生成的热力图中可看出SMLP_ResNet18相比于其他模型更关注于叶片病害部位的特征,其背景信息以及叶片健康部位的权值较小。该研究所提出的SMLP_ResNet18模型实现了浅层网络下的高精度识别,提高了对叶片病害区域的辨识度,减少了背景等冗余特征的影响,适用于面向多种农作物不同病害下的高精度识别。

摘要： 针对基于卷积神经网络的植物叶片病害识别方法存在网络参数众多、计算量大且复杂的问题,结合植物叶片病害特征,提出了一种基于轻量级残差网络(Scale-Down ResNet)的植物叶片病害识别方法。网络基于Residual Network(ResNet),通过缩减网络卷积核数目和轻量级残差模块(SD-BLOCK),在大幅减少网络参数、降低计算复杂度的同时保持了低识别错误率,然后加入Squeeze-and-Excitation模块进一步降低识别错误率。在PlantVillage数据集上的实验表明,在网络参数量8×10^(4),计算量MFLOPs为55的情况下,模型识别错误率为0.55%。当参数量达到2.8×10^(5),计算量MFLOPs为176时,模型识别错误率为0.32%,低于ResNet-18,并且参数量约为其1/39,计算量约为其1/10。相比MobileNet V3和ShuffleNet V2,所提网络模型更为轻量,识别错误率更低。同时网络在自建苹果叶片病害数据集上获得了1.52%的低识别错误率。

摘要： 本文以水稻稻瘟病图像为研究对象,提出一种基于深度学习的水稻稻瘟病识别方法。基于Tensor Flow开源框架,使用TensorFlow-Keras建立起深度学习模型,通过对水稻的常见健康状态、稻瘟病的图片集学习获取模型特征,最终获得的模型可以用于检测判断。深度学习模型采用ReLU作为激活函数,并对模型中的超参数学习率进行网格搜索,获取更合适的模型超参数。对改进后的模型进行测试,测试验证率达78%。本研究提出的方法可有效识别水稻稻瘟病,为水稻病害防治提供了有效的技术支持。

摘要： 本文通过对湖西大堤、淮北大堤等重要堤防上众多穿堤涵洞的病害进行实地调查、病害识别和分析研究,提出了对大中型涵洞采取赋分安全评价、对小型涵洞采取简化打分进行安全评价办法,通过对安淮涵防洪、结构、渗流等安全指标的评价和各评估指标重要性排序，验证了大中型涵洞安全评价技术的实用性，对后陈涵过流能力、启闭台高程和防渗长度三个主要指标的核算验证小型涵洞安全评价方法的有效性。

摘要： 为了提高黄瓜叶部病害检测与染病程度的分级的准确率和效率，本文综合运用图像处理技术、人工神经网络技术，实现黄瓜叶部病害检测与染病程度分级，并主要对发病率高且危害严重的黄瓜霜霉病、白粉病和病毒病进行了试验研究。首先，通过接种方法获得了纯正的黄瓜病害样本，在自然条件下，跟踪采集了染病植株各个发病阶段的样本图像。利用图像处理的去除噪声、图像分割，图像增强等多种基本图像处理的方法对黄瓜叶部病害图像进行了处理，综合运用二次分割的方法将黄瓜病斑从图像中分离出来，为了减少由光照变化产生的干扰，经比较提出了在YUV颜色模型下选取V分量进行病斑分割，经形态学滤波运算后得到病斑区域。其次，对黄瓜叶部病害图像进行了特征分析，通过提取三种特征包括22个特征参数，采用BP算法训练的多层前向人工神经网络对黄瓜病害进行分类，同时，通过精确计算病斑面积与整个叶片面积的比值，得出病害的染病级别。本文中黄瓜叶部病害检测方法、特征提取方法以及染病分级方法的采用，使该计算机视觉系统节省了时间，提高了精度。实验证明，检测系统的黄瓜叶部病害平均识别精度为95.31%，并能够快速准确地对黄瓜叶片病害的染病程度进行分级。

摘要： 针对目前人工处理铁路路基探地雷达检测数据存在的效率低、误判多及标准不一等亟待解决的问题,提出一种基于支持向量机的铁路路基病害智能识别方法.通过分析各种路基病害及特殊构筑物的雷达图像特征,将雷达图像进行二维离散,构建由二维能量、方差及直方图统计特征构成的特征向量.提取典型路基病害及构筑物图像样本的特征值,建立支持向量机识别模型.应用训练好的识别模型对京广线雷达检测数据进行测试,对比了不同核函数的识别效果.结果表明,该模型总体识别精度达85％以上,其中径向基核函数的识别精度最高.

摘要： 针对目前人工处理铁路路基探地雷达检测数据存在的效率低、误判多及标准不一等亟待解决的问题,提出一种基于支持向量机的铁路路基病害智能识别方法.通过分析各种路基病害及特殊构筑物的雷达图像特征,将雷达图像进行二维离散,构建由二维能量、方差及直方图统计特征构成的特征向量.提取典型路基病害及构筑物图像样本的特征值,建立支持向量机识别模型.应用训练好的识别模型对京广线雷达检测数据进行测试,对比了不同核函数的识别效果.结果表明,该模型总体识别精度达85％以上,其中径向基核函数的识别精度最高.

摘要： 针对目前人工处理铁路路基探地雷达检测数据存在的效率低、误判多及标准不一等亟待解决的问题,提出一种基于支持向量机的铁路路基病害智能识别方法.通过分析各种路基病害及特殊构筑物的雷达图像特征,将雷达图像进行二维离散,构建由二维能量、方差及直方图统计特征构成的特征向量.提取典型路基病害及构筑物图像样本的特征值,建立支持向量机识别模型.应用训练好的识别模型对京广线雷达检测数据进行测试,对比了不同核函数的识别效果.结果表明,该模型总体识别精度达85％以上,其中径向基核函数的识别精度最高.

摘要： 针对目前人工处理铁路路基探地雷达检测数据存在的效率低、误判多及标准不一等亟待解决的问题,提出一种基于支持向量机的铁路路基病害智能识别方法.通过分析各种路基病害及特殊构筑物的雷达图像特征,将雷达图像进行二维离散,构建由二维能量、方差及直方图统计特征构成的特征向量.提取典型路基病害及构筑物图像样本的特征值,建立支持向量机识别模型.应用训练好的识别模型对京广线雷达检测数据进行测试,对比了不同核函数的识别效果.结果表明,该模型总体识别精度达85％以上,其中径向基核函数的识别精度最高.

摘要： 针对目前人工处理铁路路基探地雷达检测数据存在的效率低、误判多及标准不一等亟待解决的问题,提出一种基于支持向量机的铁路路基病害智能识别方法.通过分析各种路基病害及特殊构筑物的雷达图像特征,将雷达图像进行二维离散,构建由二维能量、方差及直方图统计特征构成的特征向量.提取典型路基病害及构筑物图像样本的特征值,建立支持向量机识别模型.应用训练好的识别模型对京广线雷达检测数据进行测试,对比了不同核函数的识别效果.结果表明,该模型总体识别精度达85％以上,其中径向基核函数的识别精度最高.

摘要： 黄瓜红粉病是黄瓜新发生的病害,2001年11月在永年县小龙马乡何营村少数棚室黄瓜上首次发生,发病棚率1.5％,病棚内黄瓜病株率2.5％～11.5％;2002年11月～2003年4月调查,该病在小龙马乡何营村、蔬菜园区、小郑庄村、大郑庄村等黄瓜棚室中都有发生,病棚率在5％,病棚内黄瓜病株率9.8％～70％,病叶率30％～89％,病指8～53.6;2003年8月6～10日调查,黄瓜红粉病在部分露地黄瓜上发生,病株率10％～100％,病叶率4.5％～26.7％,病指0.5～7.5,发病面积占黄瓜种植面积的15％;2003年8月28～31日调查,越冬茬黄瓜苗床上也能发生该病,病株率35％～60％,病叶率13.5％～26.7％,病指2.6～7.5.黄瓜红粉病在露地黄瓜和黄瓜苗床上发生的现象,在现有资料、文献中未见报道.本文研究黄瓜红粉病的识别与防治，病原与发病条件，防治方法。

摘要： 黄瓜红粉病是黄瓜新发生的病害,2001年11月在永年县小龙马乡何营村少数棚室黄瓜上首次发生,发病棚率1.5％,病棚内黄瓜病株率2.5％～11.5％;2002年11月～2003年4月调查,该病在小龙马乡何营村、蔬菜园区、小郑庄村、大郑庄村等黄瓜棚室中都有发生,病棚率在5％,病棚内黄瓜病株率9.8％～70％,病叶率30％～89％,病指8～53.6;2003年8月6～10日调查,黄瓜红粉病在部分露地黄瓜上发生,病株率10％～100％,病叶率4.5％～26.7％,病指0.5～7.5,发病面积占黄瓜种植面积的15％;2003年8月28～31日调查,越冬茬黄瓜苗床上也能发生该病,病株率35％～60％,病叶率13.5％～26.7％,病指2.6～7.5.黄瓜红粉病在露地黄瓜和黄瓜苗床上发生的现象,在现有资料、文献中未见报道.本文研究黄瓜红粉病的识别与防治，病原与发病条件，防治方法。

摘要： 黄瓜红粉病是黄瓜新发生的病害,2001年11月在永年县小龙马乡何营村少数棚室黄瓜上首次发生,发病棚率1.5％,病棚内黄瓜病株率2.5％～11.5％;2002年11月～2003年4月调查,该病在小龙马乡何营村、蔬菜园区、小郑庄村、大郑庄村等黄瓜棚室中都有发生,病棚率在5％,病棚内黄瓜病株率9.8％～70％,病叶率30％～89％,病指8～53.6;2003年8月6～10日调查,黄瓜红粉病在部分露地黄瓜上发生,病株率10％～100％,病叶率4.5％～26.7％,病指0.5～7.5,发病面积占黄瓜种植面积的15％;2003年8月28～31日调查,越冬茬黄瓜苗床上也能发生该病,病株率35％～60％,病叶率13.5％～26.7％,病指2.6～7.5.黄瓜红粉病在露地黄瓜和黄瓜苗床上发生的现象,在现有资料、文献中未见报道.本文研究黄瓜红粉病的识别与防治，病原与发病条件，防治方法。

摘要： 本发明公开了一种无损识别地坪病害和快速微损修复地坪病害的方法，该方法包括以下步骤：使用探地雷达探测地坪的病害区域，使用圆锥动力触探装置检测病害区域地基的承载力；结合所述病害区域地基的承载力，在所述地坪的所述病害区域上开设注浆孔，并通过所述注浆孔对所述病害区域使用聚氨酯进行注浆；使用探地雷达以及所述圆锥动力触探装置对注浆后的所述病害区域进行检测，检测结果符合要求后封堵所述注浆孔。本发明的优点是，对地坪病害处地基进行了有效加固，避免了二次空鼓的产生，且反应产生巨大的膨胀作用力，能对地坪因空鼓产生的变形或沉降进行有效抬升修复。

摘要： 本发明公开了一种无损识别地坪病害和快速微损修复地坪病害的方法，该方法包括以下步骤：使用探地雷达探测地坪的病害区域，使用圆锥动力触探装置检测病害区域地基的承载力；结合所述病害区域地基的承载力，在所述地坪的所述病害区域上开设注浆孔，并通过所述注浆孔对所述病害区域使用聚氨酯进行注浆；使用探地雷达以及所述圆锥动力触探装置对注浆后的所述病害区域进行检测，检测结果符合要求后封堵所述注浆孔。本发明的优点是，对地坪病害处地基进行了有效加固，避免了二次空鼓的产生，且反应产生巨大的膨胀作用力，能对地坪因空鼓产生的变形或沉降进行有效抬升修复。

摘要： 本发明属于病虫害检测技术领域，公开了一种识别系统、计算机可读存储介质，收集辣椒叶片、果实和根茎相关的图片，并对图片进行标签划分，构建得到数据集；通过随机分割将整个数据库分为训练集和验证集，并对图像进行数据增强操作处理；将深度学习和迁移学习相结合搭建辣椒病虫害识别模型网络结构，构建新的卷积网络模型；利用数据集中的训练集对模型进行训练，改进网络模型中的各项参数，得到最优的网络模型；将训练好的模型载入手机APP，得到移动应用程序，识别未分类的辣椒病虫害图像，得到待识别图像的识别结果。本发明有很高的可移植性，能使得整套流程中的病虫害识别部分得以最优实现。

摘要： 本发明实施例公开了一种训练大田作物病害识别模型及大田作物病害识别的方法。该训练大田作物病害识别模型的方法，包括：获取原始大田作物病害图像；基于原始大田作物病害图像、加权dropout算法及预设的Resnet网络进行模型训练，得到大田作物病害识别模型。根据本发明实施例，能够训练出泛化能力强的大田作物病害识别模型，进而更加准确地识别大田作物病害。

摘要： 本发明实施例公开了一种训练大田作物病害识别模型及大田作物病害识别的方法。该训练大田作物病害识别模型的方法，包括：获取原始大田作物病害图像；基于原始大田作物病害图像、加权dropout算法及预设的Resnet网络进行模型训练，得到大田作物病害识别模型。根据本发明实施例，能够训练出泛化能力强的大田作物病害识别模型，进而更加准确地识别大田作物病害。

摘要： 本发明公开了一种作物叶片病害图像生成模型训练方法、作物叶片病害识别方法、电子设备及存储介质，属于图像增强技术领域。基于层级式SwinT网络作为叶片区域提取模块的特征提取网络，设计多阶段重叠式嵌入和分层级特征下采样模块优化SwinT的图像嵌入方式和渐进式层级结构，根据重构特征图生成显著图并提取叶片区域。将叶片区域提取模块集成到图像生成模型，通过设计背景损失函数引导图像生成模型仅在叶片区域生成病斑，实现叶片病害图像数据集的有效增强。本发明能够提升生成作物叶片病害图像的生成效率与质量，显著提高作物叶片病害识别模型的准确率和鲁棒性，具有计算代价低、所需的训练数据量小、收敛快速且稳定等特点。

摘要： 本发明适用于图像数据处理技术领域，提供了一种基于图像处理的绿色叶片病害特征优化及病害识别方法，包括如下步骤：采用标准差自适应的高斯滤波降噪声算法对图像进行预处理，得到预处理图像；利用超绿特征的最大类间方差法，将预处理图像的背景部分去除，完成图像分割，提取出病斑图像；对病斑图像进行特征提取，并利用蚁群算法对特征的空间进行降维优化，得到优化特征组合；选用GA‑BP神经网络(利用遗传算法进行权阈值优化的BP神经网络)作为分类器进行病害分类识别。借此，本发明能够利用图像处理技术准确识别叶片病斑种类，省时省力，能够在农业种植领域大范围推广使用，有助于提高农作物的产量和农产品的质量，降低劳动强度。

摘要： 基于深度卷积神经网络和病害图像的冬枣病害识别方法，先将物联网采集的原始冬枣病害果实RGB彩色图像转化成YUV颜色模型，再进行预处理；然后提取包含病害图像的病斑的一个感兴趣区域矩形，利用K‑均值聚类算法分割得到YUV彩色病斑图像；构建一个三通道分层卷积神经网络模型，利用训练数据训练该模型，最后将待识别的冬枣病害图像输入训练后的模型，进行病害类别识别；本发明能够应用于基于物联网的大棚冬枣病害监控系统中，能够得到较高的病害识别结果。

摘要： 本申请公开了一种基于图像识别的叶片病害识别方法及系统，用以解决目前对叶片病害的识别成本较低、效率较低、准确性不足的问题。该方法采集待处理的原始叶片图像；基于图像清晰度，对原始叶片图像进行筛选；对筛选后的原始叶片图像进行预处理，得到叶片区域图像；根据预训练的基于卷积神经网络的叶片病害识别模型，对叶片区域图像进行分类，识别确定叶片区域图像对应的叶片的病害种类。本方法通过图像自动识别的方式对叶片健康状况进行监测，精确率较高，能准确判断叶片病害情况，且提高的监测效率，降低了人工成本。

摘要： 本发明公开了一种基于小样本学习的茶叶典型病害图像识别系统及方法，所述系统包括图像采集系统，用于获取待识别茶叶病害图像；图像预识别系统，用于将待识别茶叶病害图像分为若干级别；图像识别对比系统，用于根据其所在同级别内的茶叶典型病害特征样本对所述病害特征信息进行病害识别，获得所述待识别茶叶的病害。本发明与传统识别对比方式相比，大幅度提升了对比识别效率，将茶叶病害图像分级，便于后续识别对比时，只需要与相对应分级的典型茶叶病害图像进行识别对比，无需与大量典型茶叶病害图像依次进行识别对比。