科研产出
基于图像的植物病害识别研究进展
《农业研究与应用 》 2024
摘要：植物病害识别是植物病害防控中必不可少的环节和前提条件，研发高精度的病害识别技术已成为病害高效防控中的迫切需求。植物病害图像识别的研究始于20世纪80年代，在农业生产和植物保护方面发挥着重要作用，及时、精确地识别植物病害可以帮助人们鉴别病害种类，并采取相应的防治措施，减轻病害对农作物产量和质量的不良影响。本文在整理和总结现有国内外研究文献的基础上，从图像分割、特征提取、分类识别3个方面重点梳理植物病害图像识别技术。目前关于植物病害图像分割的方法主要从基于阈值、聚类、边缘和深度学习等技术进行分类，可分为固定阈值法和自适应阈值法。固定阈值法是人工根据目标和背景像素直方图的差异尝试不同的值，并选择适宜阈值以实现图像分割。自适应阈值法是基于固定阈值分割的原理，根据特定的规则借助计算机自动迭代获得阈值，最常用的是最大类间方差法（Otsu法），而基于综合粒子群算法（GCLPSO）的阈值分割法的分割效果优于其他同类算法，具有较好的收敛性和稳定性。在植物病害识别研究中，特征提取和分类识别是影响识别率的关键因素。特征提取即描述属性，获得病害信息，找出最有用的辨别特征。分类识别是在图像分割和特征提取的基础上，通过构建分类器实现病害的准确识别。将迁移学习、轻量型网络等方法运用到植物病害识别，研究设计出高识别精度的网络模型将会是智慧植保的未来发展方向。基于图像的植物病害识别能够为病害监测和病害防控提供更加科学、智能的支持，对全球粮食生产和农业可持续发展都具有重要意义。
全文链接
请求原文
面向植物病害识别的卷积神经网络精简结构Distilled-MobileNet模型
《智慧农业(中英文) 》 2021
摘要：卷积神经网络(CNN)的发展带来了大量的网络参数和庞大的模型体积,极大地限制了其在小规模计算资源设备上的应用。为将CNN应用在各种小型设备上,研究了一种基于知识蒸馏的结构化模型压缩方法。该方法首先利用VGG16训练了一个识别率较高的教师模型,再将该模型中的知识通过蒸馏的方法迁移到MobileNet,从而大幅减少了模型的参数量。将知识蒸馏后的Distilled-MobileNet模型应用在14种作物的38种常见病害分类中。进行了知识蒸馏在VGG16、AlexNet、GoogleNet和ResNet 4种不同网络结构上的表现测试,结果表明,当VGG16作为教师模型时,模型准确率提升了97.54%;使用单个病害识别率、平均准确率、模型内存、平均识别时间4个指标对训练好的Distilled-MobileNet模型进行真实环境下准确性评估,经测试,模型的平均准确率达到了97.62%,平均识别时间缩短至0.218 s,仅占VGG16模型的13.20%,模型大小压缩仅为19.83 MB,相比于VGG16缩小了93.60%,使其具备了较高的准确性和实时性要求。本方法模型在压缩内存体积和缩短识别时间上较传统神经网络有了明显提高,为内存和计算资源受限设备上的病害识别提供了新的思路。
关键词： 病害识别 深度学习 模型压缩 知识蒸馏 卷积神经网络
全文链接
请求原文
首页上一页1下一页尾页
