亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識(shí)別

        2023-06-30 14:58:40戴久竣馬肄恒吳堅(jiān)班兆軍
        江蘇農(nóng)業(yè)科學(xué) 2023年5期

        戴久竣 馬肄恒 吳堅(jiān) 班兆軍

        摘要:葡萄病害是導(dǎo)致葡萄嚴(yán)重減產(chǎn)的主要因素,大多數(shù)病害癥狀都反映在葡萄的葉片上,但是人工針對(duì)葉片的識(shí)別費(fèi)時(shí)且效率低。本研究提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識(shí)別模型。該研究在ResNet50的基礎(chǔ)上采用金字塔卷積網(wǎng)絡(luò),通過(guò)其包含不同大小和不同深度的卷積核來(lái)處理輸入,然后以特征融合來(lái)獲得不同程度的病害特征細(xì)節(jié)。在金字塔網(wǎng)絡(luò)結(jié)構(gòu)上采用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)的卷積層,能夠加快模型收斂速度,有效提升模型精度。結(jié)果表明,改進(jìn)后的殘差網(wǎng)絡(luò)模型與AlexNet、MobileNetV2、ResNet50/101、VGG16模型相比,在準(zhǔn)確性方面具有顯著優(yōu)勢(shì)。與原模型相比較,識(shí)別準(zhǔn)確率提高3.18百分比,改進(jìn)模型對(duì)病害識(shí)別準(zhǔn)確率高達(dá)98.20%??梢詾樽R(shí)別葡萄葉片病害提供參考。

        關(guān)鍵詞:葡萄病害;殘差網(wǎng)絡(luò);金字塔卷積;深度超參數(shù)化卷積層

        中圖分類號(hào):TP391.41文獻(xiàn)標(biāo)志碼:A

        文章編號(hào):1002-1302(2023)05-0208-08

        葡萄是我國(guó)最常見的水果之一,它含有多種維生素、類胡蘿卜素和多酚,對(duì)人類健康有許多益處,如抗癌、抗氧化和光保護(hù)[1]。根據(jù)聯(lián)合國(guó)糧食及農(nóng)業(yè)組織的調(diào)查數(shù)據(jù),2021年我國(guó)葡萄產(chǎn)量達(dá)到 1 443.9萬(wàn)t,但是每年有多達(dá)40%的葡萄因病害而壞死,所以葡萄病害是全球葡萄產(chǎn)量下降的主要原因。因此,建立一種高準(zhǔn)確率的葡萄葉片病害識(shí)別方法,將有助于提高葡萄生產(chǎn)管理水平,提供良好的生長(zhǎng)環(huán)境使其產(chǎn)量有效提升。

        隨著計(jì)算機(jī)視覺[2-4]、機(jī)器學(xué)習(xí)[5-7]和深度學(xué)習(xí)[8-10]等技術(shù)的發(fā)展,這些技術(shù)已被廣泛應(yīng)用于作物病害檢測(cè)[11-13]。傳統(tǒng)的機(jī)器學(xué)習(xí)方法主要集中在色調(diào)、形狀、紋路等低層圖像特征以及支持向量機(jī)等傳統(tǒng)機(jī)器學(xué)習(xí)算法上。多位學(xué)者基于全局閾值算法來(lái)分割葡萄葉片的病害部分,并將其輸入機(jī)器學(xué)習(xí)分類器[14-16]。但是,傳統(tǒng)的機(jī)器學(xué)習(xí)算法不能有效地處理圖像的空間信息。與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比,深度學(xué)習(xí)方法在特征提取方面表現(xiàn)更好,通??梢垣@得更好的性能。卷積神經(jīng)網(wǎng)絡(luò)是一種高性能的深度學(xué)習(xí)網(wǎng)絡(luò),它提供端到端的通道,自動(dòng)學(xué)習(xí)在圖像中的表達(dá)層次特征[17-20]?;谏疃染W(wǎng)絡(luò)的病害識(shí)別不僅更加有效,而且避免了繁瑣的特征選擇過(guò)程。

        目前,基于卷積神經(jīng)網(wǎng)絡(luò)的模型已被廣泛應(yīng)用于作物的早期病害檢測(cè)和后續(xù)病害管理。Tahir等采用InceptionV3模型結(jié)合遷移學(xué)習(xí)方法對(duì)蘋果葉片病害識(shí)別進(jìn)行研究,在PlantVillage數(shù)據(jù)集上的平均準(zhǔn)確率達(dá)到97%[21]。Zhang等提出了一個(gè)改進(jìn)的殘差模型,用于對(duì)醫(yī)學(xué)X射線圖像中的多種病癥進(jìn)行圖像分類,最后多次試驗(yàn)評(píng)估表明,所提出模型的準(zhǔn)確率在不同的數(shù)據(jù)集上分別達(dá)到了87.71%和81.8%[22]。Zu等提出了一種基于改進(jìn)的ResNeXt-50模型與遷移學(xué)習(xí)相結(jié)合的香菇感染枝條識(shí)別方法,試驗(yàn)結(jié)果表明,改進(jìn)模型識(shí)別準(zhǔn)確率可以達(dá)到94.27%[23]。龍滿生等將AlexNet和GoogleNet網(wǎng)絡(luò)與遷移學(xué)習(xí)策略相結(jié)合,對(duì)油茶病害進(jìn)行了識(shí)別[24]。余小東等采用遷移學(xué)習(xí)方式并結(jié)合深度學(xué)習(xí)提出了一種基于ResNet50的模型,獲得病蟲害分類模型,最終其識(shí)別率達(dá)到91.51%[25]。Liu等基于VGG16和Inception-ResNetv2的遷移學(xué)習(xí)網(wǎng)絡(luò)設(shè)計(jì)了害蟲圖像識(shí)別模型。最終識(shí)別準(zhǔn)確率為97.71%[26]。Krishnamoorthy等將一個(gè)預(yù)訓(xùn)練的深度卷積神經(jīng)網(wǎng)絡(luò)Inception-ResNetv2和遷移學(xué)習(xí)方法結(jié)合用于識(shí)別水稻葉片病害,該模型的參數(shù)針對(duì)分類任務(wù)進(jìn)行了優(yōu)化,最終獲得了95.67%的準(zhǔn)確率[27]。許景輝等提出基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)的玉米病害圖像識(shí)別模型,最終識(shí)別準(zhǔn)確率達(dá)到95.33%[28]。

        根據(jù)以上研究,卷積神經(jīng)網(wǎng)絡(luò)在病害識(shí)別方面取得了較好的結(jié)果,但是大多數(shù)面向應(yīng)用的圖像識(shí)別算法都基于流行的遷移學(xué)習(xí)方法來(lái)進(jìn)行試驗(yàn),對(duì)于算法的改進(jìn)很少,導(dǎo)致模型有局限性。因此,本研究提出一種基于改進(jìn)殘差網(wǎng)絡(luò)的葡萄葉片病害識(shí)別模型。以ResNet50為基礎(chǔ)模型引入金字塔卷積網(wǎng)絡(luò),再此結(jié)構(gòu)上使用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)卷積層,進(jìn)而確保了多尺度特征的高效提取和額外參數(shù)增加,使模型的收斂速度和識(shí)別性能得到提升。

        1 試驗(yàn)數(shù)據(jù)

        1.1 圖像數(shù)據(jù)

        本研究從2個(gè)不同的數(shù)據(jù)集中收集各類病害和健康類葡萄的不同圖像。本研究中用于評(píng)估性能的第1個(gè)數(shù)據(jù)集是來(lái)源于浙江農(nóng)業(yè)科學(xué)研究院的葡萄體系研究平臺(tái),其包含白粉病、霉霜病2類病害,部分病害圖像是研究員在養(yǎng)殖基地拍攝后上傳到平臺(tái)的。第2個(gè)數(shù)據(jù)集是在Plant Village數(shù)據(jù)庫(kù)和Digipathos網(wǎng)站上挑選合適的黑腐病、葉斑病和健康葉3類葉片,每1幅圖像都只有1種病害,葉片如圖1部分示例所示。將源于2個(gè)數(shù)據(jù)集的葡萄葉片圖像整合共同構(gòu)成數(shù)量為1 205幅的數(shù)據(jù)集。

        1.2 圖像數(shù)據(jù)預(yù)處理與增強(qiáng)

        深度學(xué)習(xí)模型的性能取決于所用數(shù)據(jù)的數(shù)量和質(zhì)量。本研究準(zhǔn)備的葡萄葉片病害數(shù)據(jù)集與訓(xùn)練模型所需的數(shù)據(jù)量相比很小,這可能會(huì)導(dǎo)致過(guò)擬合;在這種情況下,1個(gè)模型對(duì)訓(xùn)練數(shù)據(jù)表現(xiàn)良好,但在用未見過(guò)的數(shù)據(jù)進(jìn)行測(cè)試時(shí)卻不能泛化。為了解決該問(wèn)題,需要將原始數(shù)據(jù)進(jìn)行預(yù)處理操作,處理方法包括數(shù)據(jù)增強(qiáng)、局部裁剪等。如圖2所示,數(shù)據(jù)增強(qiáng)采用多種圖像增強(qiáng)技術(shù)(旋轉(zhuǎn)、翻轉(zhuǎn)、平移、亮度變化和增加噪聲等)。圖像局部裁剪是將原始數(shù)據(jù)圖像的較小病害區(qū)域進(jìn)行裁剪,這樣可以讓模型訓(xùn)練時(shí)更好地進(jìn)行特征提取,如圖3所示。

        通過(guò)以上方法,最終將原始數(shù)據(jù)擴(kuò)充為原來(lái)的6倍,最終數(shù)據(jù)集為7 230幅。

        2 葡萄葉片病害識(shí)別模型

        2.1 卷積神經(jīng)網(wǎng)絡(luò)選取

        卷積神經(jīng)網(wǎng)絡(luò)是一種用于計(jì)算機(jī)視覺應(yīng)用程序的當(dāng)代技術(shù),其中神經(jīng)網(wǎng)絡(luò)通過(guò)學(xué)習(xí)內(nèi)部特征表示并泛化常見圖像問(wèn)題中的特征來(lái)保持層次結(jié)構(gòu)。卷積神經(jīng)網(wǎng)絡(luò)的核心是卷積,它學(xué)習(xí)用于視覺識(shí)別的濾波器。本研究選取4類常見病害和1類健康葉片圖像為樣本,由于每類病害的病斑紋理、形狀和色彩在葉片不同的位置等特點(diǎn),區(qū)分難度很大。選取淺層卷積神經(jīng)網(wǎng)絡(luò)可能小范圍的葡萄病斑特征很難輸入到模型的深層。這種特征的損失嚴(yán)重影響了模型的識(shí)別精度。選取層數(shù)過(guò)多的卷積神經(jīng)網(wǎng)絡(luò),雖然隨著網(wǎng)絡(luò)層數(shù)的增加,提取的病斑能力逐漸加強(qiáng),但是在訓(xùn)練過(guò)程中,隨著網(wǎng)絡(luò)層數(shù)的逐漸增加,可能會(huì)導(dǎo)致梯度爆炸和網(wǎng)絡(luò)退化等問(wèn)題。所以本研究選取深度合適的ResNet50為基礎(chǔ)模型,在此基礎(chǔ)上修改了原來(lái)瓶頸層的主分支的卷積核和改進(jìn)傳統(tǒng)卷積層。使用新的卷積方式能夠更高效地提取病斑特征并能加快收斂速度,提高模型性能。

        2.2 改進(jìn)模型的設(shè)計(jì)

        在本研究中提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的識(shí)別模型,顯示ResNet50的具體結(jié)構(gòu)(圖4),顯示殘差塊結(jié)構(gòu)(圖5)。ResNet50分為6個(gè)階段,其中,Stage1的結(jié)構(gòu)相對(duì)簡(jiǎn)單,可以看作是圖像輸入的預(yù)處理。Stage2~Stage5分別由3、4、6、3個(gè)瓶頸層組成,它們的結(jié)構(gòu)原理相對(duì)相似。Stage1的輸入為(3×224×224),分別表示輸入的通道數(shù)、高度和寬度。Stage1的第1層包括3個(gè)順序操作:(1)卷積,其中卷積核的大小為7×7,卷積核的數(shù)量為64;(2)批量標(biāo)準(zhǔn)化;(3)ReLU激活功能。Stage1中的第2層是最大池化層。Stage2~Stage5中的每個(gè)Stage的第1個(gè)瓶頸層都采取下采樣。Stage6全連接層將高維特征進(jìn)行分類輸出。

        本研究對(duì)Resnet50進(jìn)行如下改進(jìn):

        (1)修改Stage2~Stage4的瓶頸層結(jié)構(gòu),采用金字塔卷積網(wǎng)絡(luò)方式,將Stage2中3個(gè)瓶頸層的Conv2的64個(gè)3×3的卷積核采用金字塔卷積方式,替換成16個(gè)3×3的卷積核(Padding=1),16個(gè)5×5的卷積核(Padding=2),16個(gè)7×7的卷積核(Padding=3),16個(gè)9×9的卷積核(Padding=4),共4組,卷積核的深度在每個(gè)級(jí)別上都有所不同,最后特征融合再進(jìn)行輸出,如圖6所示。剩余的Stage3~4也都要采用相同金字塔卷積方式,分別分為3組、2組的組合方式,改進(jìn)后的瓶頸層結(jié)構(gòu)如圖7所示。采用多組多卷積核處理,擴(kuò)大卷積核的感受野,可以并行應(yīng)用不同類型的卷積核,來(lái)改善不同特征級(jí)別尺度間的相關(guān)性,可以恢復(fù)更多細(xì)節(jié)。網(wǎng)絡(luò)可以從連通性較低的大感受野連接到連通性較高的小感受野。這些不同大小的卷積核帶來(lái)了互補(bǔ)信息,有助于提高網(wǎng)絡(luò)的識(shí)別性能。感受野較小的卷積核可以更好地捕捉關(guān)于較小病斑的信息,而感受野較大的卷積核可以提供背景信息。

        (2)在改進(jìn)后瓶頸層的金字塔結(jié)構(gòu)里使用深度超參數(shù)化卷積層(DO-Conv)代替?zhèn)鹘y(tǒng)卷積層。深度卷積層將輸入特征區(qū)域P的Cin個(gè)通道中的每個(gè)通道提取出來(lái),然后分別單一與單通道卷積核進(jìn)行點(diǎn)積運(yùn)算,得到的輸出特征圖區(qū)域與輸入特征圖區(qū)域的通道數(shù)相同。具體操作如圖8所示,公式為

        O=W·p

        式中:W為卷積核的權(quán)重張量,P為輸入特征區(qū)域,O為卷積的輸出。

        每個(gè)輸入特征區(qū)域P(一個(gè)M×N維特征)被轉(zhuǎn)換為一個(gè)Dmul維特征??捎?xùn)練的深度卷積核可以表示為3D張量W∈ R(M×N)×Dmul×Cin。由于每個(gè)輸入通道都轉(zhuǎn)換為Dmul維度特征,因此深度卷積操作輸出的是一個(gè)Dmul×Cin維的特征O=W·P,具體運(yùn)算可以用公式(2)來(lái)表示:

        式中:M和N為2個(gè)空間的大小;Cin為輸入維度,其中M×N=4,Dmul=2,Cin=3。

        如公式(2)所示,在深度卷積層中,具有不同立方體框架顏色的不同輸入通道,O的每個(gè)元素由卷積核W的每個(gè)垂直列向量與輸入?yún)^(qū)域P的相應(yīng)通道中的元素(具有相同顏色的元素)之間的點(diǎn)積計(jì)算,得到輸出特征O的一個(gè)融合元素,最后將每個(gè)通道組合成整體的輸出特征。深度超參數(shù)化卷積層(DO-Conv)是將傳統(tǒng)卷積層與深度卷積層結(jié)合成整體,從而對(duì)輸入特征圖區(qū)域進(jìn)行操作的新型卷積操作形式。與傳統(tǒng)卷積層相比較,深度卷積層因?yàn)椴恍枰c特征圖區(qū)域的整體作多次卷積計(jì)算,但是深度卷積層相對(duì)于傳統(tǒng)卷積層的輸出結(jié)果改變了輸出特征圖的尺寸,所以二者之間并不能完全等效。深度超參數(shù)化的主要優(yōu)點(diǎn)之一是深度超參數(shù)化使用的多層復(fù)合線性運(yùn)算可以在訓(xùn)練階段后收縮成緊密的單層表示,然后只需要使用單層來(lái)進(jìn)行推理,將參數(shù)計(jì)算量減少到與傳統(tǒng)卷積層完全等效并且能夠加快模型收斂速度,有效提升模型精度。

        2.3 改進(jìn)模型整體結(jié)構(gòu)

        本研究所改進(jìn)的深度卷積神經(jīng)網(wǎng)絡(luò)由ResNet50為基礎(chǔ),采用金字塔卷積結(jié)構(gòu)方式,并在其方式下采用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)卷積層,得到改進(jìn)的殘差網(wǎng)絡(luò)模型。整體結(jié)構(gòu)如圖9所示。

        3 結(jié)果與分析

        3.1 試驗(yàn)測(cè)試平臺(tái)

        本試驗(yàn)的測(cè)試平臺(tái)是 Intel CoreTM i7-8750 CPU@2.20 GHz處理器,試驗(yàn)環(huán)境操作系統(tǒng)是Windows 10,配置8 GB顯卡NVIDIA GeForce [JP+2]RTX2080,64位操作系統(tǒng)。訓(xùn)練環(huán)境由Anaconda3創(chuàng)建,環(huán)境配置為Python3.7.10、開源深度學(xué)習(xí)框架Pytorch1.6。試驗(yàn)批次為32,訓(xùn)練輪數(shù)為50,采用自適應(yīng)估計(jì)優(yōu)化器(Adam)來(lái)實(shí)現(xiàn)模型優(yōu)化。

        在試驗(yàn)中,數(shù)據(jù)集被分成2個(gè)部分:80%用于訓(xùn)練,10%用于驗(yàn)證,10%用于測(cè)試。將圖像裁剪成規(guī)定尺寸作為輸入圖像,并評(píng)估其分類精度。所有模型均采用相同的設(shè)置進(jìn)行訓(xùn)練和測(cè)試。

        3.2 試驗(yàn)設(shè)計(jì)及分析

        3.2.1 研究學(xué)習(xí)率對(duì)模型的影響

        為了探究不同學(xué)習(xí)率對(duì)改進(jìn)模型的影響,分別設(shè)置了0.1、0.01、0.001共3個(gè)學(xué)習(xí)率進(jìn)行試驗(yàn)對(duì)比,準(zhǔn)確率見表1,模型訓(xùn)練過(guò)程如圖10所示。最后根據(jù)收斂速度和識(shí)別準(zhǔn)確率選擇學(xué)習(xí)率為0.001來(lái)進(jìn)行以下的對(duì)比試驗(yàn)。

        3.2.2 研究不同分類模型的性能

        改進(jìn)的ResNet50與其他分類模型(ResNet50、ResNet101、VGG16、AlexNet、MobileNetV2)都是從0開始訓(xùn)練的,共有50個(gè)訓(xùn)練輪數(shù),并且采用了相同的訓(xùn)練方式(學(xué)習(xí)率設(shè)置為0.001)。

        Adam算法被用作模型訓(xùn)練的優(yōu)化器。由于每個(gè)訓(xùn)練輪次都會(huì)有較大的噪聲,容易陷入局部最優(yōu)解,因此使用Adam優(yōu)化器。利用帶有動(dòng)量的梯度下降來(lái)解決局部最優(yōu)解的情況。此外,Adam優(yōu)化算法是一種自適應(yīng)優(yōu)化方案,可以調(diào)整每個(gè)參數(shù)的學(xué)習(xí)速率。對(duì)比結(jié)果如表2所示。

        為了能夠更直觀地觀察各個(gè)模型在訓(xùn)練的準(zhǔn)確率變化曲線。圖11展示不同模型在訓(xùn)練集和驗(yàn)證集的準(zhǔn)確率,改進(jìn)的ResNet50模型具有最高的識(shí)別率,達(dá)98.20%,主要是因?yàn)椴捎媒鹱炙矸e的方式和使用深度超參數(shù)化卷積層,模型通過(guò)并行增加卷積核大小來(lái)處理輸入,然后通過(guò)特征融合來(lái)獲得不同程度的病害特征細(xì)節(jié)和增加額外的參數(shù),使上下層語(yǔ)義信息更加緊密,有效加快模型收斂速度和提升模型精度。

        3.2.3 研究數(shù)據(jù)增強(qiáng)對(duì)識(shí)別性能的影響

        在本研究中,數(shù)據(jù)增強(qiáng)被用來(lái)防止過(guò)度擬合。本研究采用旋轉(zhuǎn)、翻轉(zhuǎn)、縮放和顏色變化、增加噪聲等方法來(lái)增加數(shù)據(jù)集。本研究將數(shù)據(jù)集劃分為原始數(shù)據(jù)、原始數(shù)據(jù)增強(qiáng)2種數(shù)據(jù)類型。改進(jìn)模型與2種數(shù)據(jù)進(jìn)行試驗(yàn)對(duì)比,結(jié)果見表3。可以清晰地看到數(shù)據(jù)集的增強(qiáng),準(zhǔn)確率得到有效提升。

        3.3 評(píng)估指標(biāo)分析

        在本節(jié)中,基于混淆矩陣,通過(guò)精確率、召回率和F1分?jǐn)?shù)評(píng)估了每種葡萄葉片病害的識(shí)別性能?;煜仃囎鳛楸硎揪仍u(píng)估的標(biāo)準(zhǔn)格式,用n行n列的矩陣形式表示。準(zhǔn)確率、召回率和F1分?jǐn)?shù)來(lái)自TP、FP、TN和FN結(jié)果的數(shù)量。由于對(duì)不同類別之間的不平衡更為敏感,因此也計(jì)算了整體精度。精確率(P)、召回率(R)和F1分?jǐn)?shù),公式為將改進(jìn)的ResNet50模型對(duì)測(cè)試集進(jìn)行識(shí)別分類,得到葡萄病害葉片的混淆矩陣如圖12所示,可清晰地看到白粉病和霉霜病有相互識(shí)別錯(cuò)誤的情況,葉斑病被識(shí)別成黑腐病。主要是由于不同病害在外界的干擾下病害特質(zhì)比較相似。所以會(huì)導(dǎo)致模型識(shí)別錯(cuò)誤。

        根據(jù)混淆矩陣,計(jì)算出5種類別的準(zhǔn)確率,召回率和F1分?jǐn)?shù)作為模型的評(píng)估指標(biāo)。如表4所示,通過(guò)計(jì)算所得改進(jìn)的模型平均精確率為98.29%,平均召回率為98.19%,平均F1分?jǐn)?shù)為98.23%,由此得出,改進(jìn)的模型具有較好的識(shí)別準(zhǔn)確率。

        4 結(jié)論

        本研究提出了一種基于改進(jìn)的殘差網(wǎng)絡(luò)的深度卷積網(wǎng)絡(luò)模型。在主通道中加入金字塔卷積方式,并使用深度超參數(shù)化卷積層代替?zhèn)鹘y(tǒng)的卷積層。通過(guò)試驗(yàn),發(fā)現(xiàn)改進(jìn)的模型在提取病害特征方面具有更好的性能。在學(xué)習(xí)率為0.001,使用Adam優(yōu)化器下改進(jìn)模型ResNet50識(shí)別準(zhǔn)確率達(dá)到98.20%。相比于原模型提升了3.18百分比。表明本研究方法在葡萄病害葉片識(shí)別上能獲得較好的效果,并且可以為農(nóng)戶高效識(shí)別葡萄病害提供有效的工具,還可以應(yīng)用于其他農(nóng)作物葉片和果實(shí)病害的評(píng)價(jià)。

        參考文獻(xiàn):

        [1]Sellitto V M,Zara S,F(xiàn)racchetti F,et al. Microbial biocontrol as an alternative to synthetic fungicides:boundaries between pre-and postharvest applications on vegetables and fruits[J]. Fermentation,2021,7(2):60.

        [2]陳之射,陽(yáng) 威. 計(jì)算機(jī)視覺及網(wǎng)絡(luò)領(lǐng)域中人工智能的運(yùn)用[J]. 華東科技,2022(1):108-110.

        [3]馮 碩,李 旗. 奇異果采摘機(jī)器人機(jī)械臂控制系統(tǒng)研究:基于計(jì)算機(jī)視覺和卷積神經(jīng)網(wǎng)絡(luò)[J]. 農(nóng)機(jī)化研究,2022,44(10):25-29.

        [4]安鶴峰. 計(jì)算機(jī)視覺在作物根系識(shí)別與分析中的應(yīng)用[J]. 農(nóng)業(yè)科技與裝備,2021(4):45-46.

        [5]孫仕亮,趙 靜. 模式識(shí)別與機(jī)器學(xué)習(xí)[J]. 計(jì)算機(jī)教育,2020(11):2.

        [6]陳 榮,李 旺,周文玉. 基于形狀特征和支持向量機(jī)(SVM)的茶葉病害識(shí)別方法[J]. 貴州農(nóng)業(yè)科學(xué),2021,49(4):53-59.

        [7]王 聃,柴秀娟. 機(jī)器學(xué)習(xí)在植物病害識(shí)別研究中的應(yīng)用[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào),2019,40(9):171-180.

        [8]周惠汝,吳波明. 深度學(xué)習(xí)在作物病害圖像識(shí)別方面應(yīng)用的研究進(jìn)展[J]. 中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào),2021,23(5):61-68.

        [9]孫 紅,李 松,李民贊,等. 農(nóng)業(yè)信息成像感知與深度學(xué)習(xí)應(yīng)用研究進(jìn)展[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(5):1-17.

        [10]劉慧力,賈洪雷,王 剛,等. 基于深度學(xué)習(xí)與圖像處理的玉米莖稈識(shí)別方法與試驗(yàn)[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(4):207-215.

        [11]Boulent J,F(xiàn)oucher S,Théau J,et al. Convolutional neural networks for the automatic identification of plant diseases[J]. Frontiers in Plant Science,2019,10:941.

        [12]馬浚誠(chéng),杜克明,鄭飛翔,等. 基于卷積神經(jīng)網(wǎng)絡(luò)的溫室黃瓜病害識(shí)別系統(tǒng)[J]. 農(nóng)業(yè)工程學(xué)報(bào),2018,34(12):186-192.

        [13]牛學(xué)德,高丙朋,南新元,等. 基于改進(jìn)DenseNet卷積神經(jīng)網(wǎng)絡(luò)的番茄葉片病害檢測(cè)[J]. 江蘇農(nóng)業(yè)學(xué)報(bào),2022,38(1):129-134.

        [14]Jaisakthi S M,Mirunalini P,Thenmozhi D,et al. Grape leaf disease identification using machine learning techniques[C]//2019 International Conference on Computational Intelligence in Data Science (ICCIDS).Chennai,India:IEEE,2019:1-6.

        [15]劉 峻,孫美艷,焦中元,等. 基于全局閾值迭代的蘋果圖像分割計(jì)數(shù)方法[J]. 安徽農(nóng)業(yè)科學(xué),2018,46(29):180-182,186.

        [16]Singh U,Srivastava A,Chauhan D,et al. Computer vision technique for detection of grape esca (black measles) disease from grape leaf samples[C]//2020 International Conference on Contemporary Computing and Applications (IC3A).Lucknow,India:IEEE,2020:110-115.

        [17]Arya S,Singh R. A comparative study of CNN and AlexNet for detection of disease in potato and mango leaf[C]//2019 International Conference on Issues and Challenges in Intelligent Computing Techniques (ICICT).Ghaziabad,India:IEEE,2019:1-6.

        [18]Chao X F,Sun G Y,Zhao H K,et al. Identification of apple tree leaf diseases based on deep learning models[J]. Symmetry,2020,12(7):1065.

        [19]Kaur M,Bhatia R.Development of an improved tomato leaf disease detection and classification method[C]//2019 IEEE Conference on Information and Communication Technology.Allahabad,India:IEEE,2019:1-5.

        [20]李 彧,余心杰,郭俊先. 基于全卷積神經(jīng)網(wǎng)絡(luò)方法的玉米田間雜草識(shí)別[J]. 江蘇農(nóng)業(yè)科學(xué),2022,50(6):93-100.

        [21]Tahir M B,Khan M A,Javed K,et al. WITHDRAWN:recognition of apple leaf diseases using deep learning and variances-controlled features reduction[J]. Microprocessors and Microsystems,2021:104027.

        [22]Zhang Q C,Bai C C,Liu Z,et al. A GPU-based residual network for medical image classification in smart medicine[J]. Information Sciences,2020,536:91-100.

        [23]Zu D W,Zhang F,Wu Q L,et al. Disease identification of Lentinus edodes sticks based on deep learning model[J]. Complexity,2022,2022:9504055.[HJ2mm]

        [24]龍滿生,歐陽(yáng)春娟,劉 歡,等. 基于卷積神經(jīng)網(wǎng)絡(luò)與遷移學(xué)習(xí)的油茶病害圖像識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2018,34(18):194-201.

        [25]余小東,楊孟輯,張海清,等. 基于遷移學(xué)習(xí)的農(nóng)作物病蟲害檢測(cè)方法研究與應(yīng)用[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(10):252-258.

        [26]Liu Y W,Zhang X,Gao Y X,et al. Improved CNN method for crop pest identification based on transfer learning[J]. Computational Intelligence and Neuroscience,2022,2022:9709648.

        [27]Krishnamoorthy N,Prasad L,Kumar C et al. Rice leaf diseases prediction using deep neural networks with transfer learning[J]. Environmental Research,2021,198:111275.

        [28]許景輝,邵明燁,王一琛,等. 基于遷移學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)玉米病害圖像識(shí)別[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2020,51(2):230-236,253.

        收稿日期:2022-04-19

        基金項(xiàng)目:“十三五”國(guó)家重點(diǎn)研發(fā)計(jì)劃(編號(hào):2017YFD0401304);浙江省重點(diǎn)研發(fā)計(jì)劃(編號(hào):2022C04039)。

        作者簡(jiǎn)介:戴久竣(1996—),男,浙江臺(tái)州人,碩士研究生,研究方向?yàn)閳D像處理。E-mail:15968860545@163.com。

        通信作者:吳 堅(jiān),碩士,教授,碩士生導(dǎo)師,研究方向?yàn)檗r(nóng)業(yè)信息學(xué)。E-mail:wujian@zust.edu.cn。

        国产精品亚洲专区无码不卡| 婷婷成人亚洲综合国产| 全程国语对白资源在线观看| 国产精品久久久免费精品| 久久久亚洲欧洲日产国码αv| 国产午夜成人久久无码一区二区 | 狠狠色噜噜狠狠狠狠色综合久 | 日本一区二区三区看片| 日韩精品视频高清在线| 精品久久久久久无码中文字幕 | 最新在线观看精品国产福利片| 亚洲不卡av二区三区四区| 中文字幕在线观看| 亚洲精品久久久久中文字幕二区| 亚洲人成网站久久久综合| 黄片免费观看视频播放| 人人妻人人澡人人爽超污| 伊人色综合九久久天天蜜桃 | 99e99精选视频在线观看| 国产国拍精品av在线观看按摩| 亚洲成人免费无码| 国产一区二区三区在线爱咪咪| 欧美伦费免费全部午夜最新| 亚洲欧美日韩一区二区三区在线| 欧美日本视频一区| 人妖在线一区二区三区| 99久久婷婷国产综合精品青草免费 | 国产 精品 自在 线免费| 亚洲av无码一区二区三区系列| 欧美日本视频一区| 97青草超碰久久国内精品91| 国产精品人妻一码二码| 99福利网| 国产盗摄一区二区三区av| 欧美肥妇毛多水多bbxx水蜜桃| 亚洲av无码一区二区三区网站| 亚洲中文字幕精品一区二区| 美女主播福利一区二区| 欧美肥胖老妇做爰videos| 国产av专区一区二区三区| 少妇人妻精品久久888|