基于级联卷积神经网络的作物病害叶片分割

针对传统卷积神经网络在作物病害叶片图像中分割精度低的问题,提出一种基于级联卷积神经网络（Cascade Convolutional Neural Network,CCNN）的作物病害叶片图像分割方法。该网络由区域病斑检测网络和区域病斑分割网络组成。基于传统VGG16模型构建区域病斑检测网络（Regional Detection Network,RD-net）,利用全局池化层代替全连接层,由此减少模型参数,实现叶片病斑区域精确定位。基于Encoder-Decoder模型结构建立区域分割网络（Regional Segmentation Network,RS-net）,并利用多尺度卷积核提高原始卷积核的局部感受野,对病斑区域精确分割。在不同环境下的病害叶片图像上进行分割实验,分割精度为87.04%、召回率为78.31%、综合评价指标值为88.22%、单幅图像分割速度为0.23?s。实验结果表明该方法能够满足不同环境下的作物病害叶片图像分割需求,可为进一步的作物病害识别方法研究提供参考。     

基于局部二值模式的作物叶部病斑检测

根据作物叶片症状准确、快速检测作物病害是防治和控制作物病害的基础。为准确检测作物叶部病害,在窗阈值中心对称局部二值模式（WTCSLBP）的基础上,提出了一种作物病斑检测方法。首先利用自适应局部二值模式获取正常叶片图像特征并确定病斑判断阈值,然后将待检测叶片图像分割为大小相同的检测窗,并提取同样特征与阈值进行比较,以判断该检测窗是否有病斑。在三种苹果病害叶片图像数据库上的实验结果表明,该方法能够有效检测作物病斑分布特性。与中心对称LBP（CS-LBP）和WTCSLBP相比,该方法具有更少的特征维数和更高的正确识别率。     

基于手机拍摄图像分析的苹果病害识别技术研究

为提高用低分辨率图像识别苹果病害的准确率,建立了完整的预处理流程,用类间方差闻值分割法和形态学运算等方法抽取图像的病态部位.根据病斑形状及Hu不变矩提取病斑的形状特征,提取病斑的H方差结合H-S直方图特征作为病斑的颜色特征,用计盒维数法提取病斑纹理特征.在对特征进行优选的基础上,构建BP神经网络病害识别模型.识别实验结果表明,用优选的8个特征和BP神经网络模型对5种病害的平均正确识别率达92.6%,可有效识别苹果病害.     

基于二维子空间的苹果病害识别方法

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。     

基于深度学习的苹果叶面病害缺素识别系统

针对叶面病害对苹果单产水平的提升产生负面影响的问题,将斑点落叶病、花叶病、褐斑病、灰斑病和锈病等五种作为重点。主要研究内容及结果如下：在苹果叶面存在差异以及图像环境不一的影响下,对病害图像进行去噪操作后,通过对关注主体的图像增强及Ostu法进行彩色图像分割,得到病斑特征与背景灰度的强度比图像。记下分割后的二值化图像的像素灰度值为0的坐标,并使原图在对应位置的像素灰度值为0。通过对卷积神经网络的特征提取,得出颜色、形状、纹理三种病斑特征参数。运用数学方法提取病斑的H方差后,得到H-S直方图为区分病斑的主要参照,采用一定的权重对特征参数建立病叶特征判别函数。根据判别函数对苹果叶片病害进行有效的统计学归类,建立Swin Transformer识别模型,将图像从测试数据集精准分类到特定的叶面病害类型。对卷积神经网络模型进行改进后,训练获得AlexNet-F苹果病害识别模型。采用Python代码运行程序,使用Python语言的Django框架,将苹果叶面病害识别模型及知识图谱作为核心,融合前端、数据库技术来开发系统。结果表明,上述分类操作能够对重点的五种苹果叶面病害图高效识别,满足项目作为识别系...     

基于区分深度置信网络的病害图像识别模型

对枸杞病害进行及时、准确地检测识别对于病害的监测、预测、预警、防治和农业信息化、智能化建设具有重要意义。研究提出了一种基于区分深度置信网络的枸杞病害图像分类识别模型。首先,把枸杞叶部病害图像通过自动裁剪方式获得包含典型病斑的子图像,再采用复杂背景下的图像分割方法分割病斑区域,提取病斑图像的颜色特征、纹理特征和形状特征共计147个,结合区分深度置信网络和指数损失函数建立了病害识别模型。实验结果表明,该方法对于病害图像识别效果较好,与支持向量机相比,基于区分深度置信网络的病害图像识别模型高效地利用了底层图像特征的高层表示,解决了没有足够标注数据时的图像识别问题。     

基于BP神经网络的大豆叶片病害诊断模型的研究

本文以大豆叶片为研究对象,主要针对大豆灰斑病、霜霉病和细菌性斑点病进行诊断。首先,在东北农业大学教育部大豆生物学重点实验室的实验基地培育灰斑病、霜霉病和细菌性斑点病的纯正样本,然后通过对病斑特征的分析,确定病斑特征与病害种类的关系,建立大豆叶片病害的BP神经网络诊断模型。测试结果表明,针对轻度病害,灰斑病、霜霉病、细菌性斑点病和其它病害的识别精度分别为88.75%,87.50%,87.50%,85.00%;中度病害识别精度分别为91.25%,90.00%,91.25%,88.75%;重度病害识别精度分别为93.75%,92.50%,93.75%,92.50%。     

基于图像处理的作物病害自动识别系统的研究

为了实现对作物病害检测与防治的自动化,构建了一个基于叶片病斑图像处理的计算机诊断系统,以实现作物叶部病害的自动识别。该系统依据作物病叶颜色差异,用EM算法和偏微分方程水平集模型等图像分割算法,从图像中获取完整准确的病斑;然后提取病斑的颜色、形状和纹理特征,运用主成分分析方法对数据进行降维处理;最后采用神经网络和支持向量机方法对这些特征进行学习与分类,以及病害识别。系统已试用于黄瓜、番茄等园艺作物叶部病害的自动诊断与识别,其优点是自动化程度高,识别准确率在一定条件下较好。     

双通道卷积神经网络在南瓜病害识别上的应用

针对南瓜病害识别工作量大、病害甄别难度高和农药利用率低等问题,提出一种基于K-means聚类与LBP特征的南瓜叶片病害识别方法,为智能机器人精准施药作业提供理论依据与技术支撑。该方法基于K-means聚类分割南瓜叶片病斑并经过形态学处理去除噪声,然后标定病斑采样区计算病斑LBP特征图,最终经由双通道特征提取网络及特征融合网络完成对病斑全局特征与细节特征的提取并使用Softmax分类器进行南瓜叶片病害识别。实验结果显示,提出的南瓜叶片病害识别方法能够以较高的准确率识别叶斑病、白粉病及霜霉病,性能优于采用病斑灰度图和LBP特征图的单通道CNN病害识别方法,满足施药机器人精准施药作业要求,利于南瓜病害防治工作。     

基于深度学习的马铃薯病害智能识别

针对现有通过叶片病斑识别马铃薯病害的方法中，只对简单背景下的单片叶片进行病害识别处理，难以应用于真实复杂环境的问题，提出了一种基于深度学习的现场环境下马铃薯病害智能识别的方法。首先采用Deeplab v3+语义分割网络在生长背景中分割出马铃薯叶片，然后使用自适应对比度增强和颜色空间转换的方法提取马铃薯病斑，最后结合病斑的纹理特征和VGG16网络提取的特征，通过搭建一维卷积神经网络识别出病害。实验结果表明，上述方法能准确有效地识别复杂背景下的马铃薯病害。     

基于特征金字塔网络的肺结节检测

针对计算机断层扫描（CT）影像中肺结节尺寸变化较大、尺寸小且不规则等特点导致的检测敏感度较低的问题，提出了基于特征金字塔网络（FPN）的肺结节检测方法。首先，利用FPN提取结节的多尺度特征，并强化小目标及目标边界细节的特征；其次，在FPN的基础上设计语义分割网络（名为掩模特征金字塔网络（Mask FPN））用于快速准确地分割提取肺实质，作为目标候选区域定位图像；并且，在FPN顶层添加反卷积层，采用多尺度预测策略改进快速区域卷积神经网络（Faster R-CNN）以提高检测性能；最后，针对肺结节数据集的正负样本不平衡问题，在区域候选网络（RPN）模块采用焦点损失函数以提高结节的检出率。所提方法在公开数据集LUNA16上进行实验，结果表明，利用FPN和反卷积层改进的新网络对结节检测效果有一定的帮助，采用焦点损失函数也有一定效果。综合多种改进，当平均每个扫描件的候选结节数为46.7时，所提方法的肺结节检测敏感度指标为95.7%，与其他卷积神经网络方法如Faster R-CNN、UNet等相比，具有较高的敏感性。所提方法能够较好地提取不同尺度上的结节特征，提高CT图像肺结节检测的敏感度，同时对于较小的结节也能有效检测，能更有效地辅助肺癌的诊断治疗。     

基于特征金字塔网络的肺结节检测

针对计算机断层扫描（CT）影像中肺结节尺寸变化较大、尺寸小且不规则等特点导致的检测敏感度较低的问题,提出了基于特征金字塔网络（FPN）的肺结节检测方法。首先,利用FPN提取结节的多尺度特征,并强化小目标及目标边界细节的特征;其次,在FPN的基础上设计语义分割网络（名为掩模特征金字塔网络（Mask FPN））用于快速准确地分割提取肺实质,作为目标候选区域定位图像;并且,在FPN顶层添加反卷积层,采用多尺度预测策略改进快速区域卷积神经网络（Faster R-CNN）以提高检测性能;最后,针对肺结节数据集的正负样本不平衡问题,在区域候选网络（RPN）模块采用焦点损失函数以提高结节的检出率。所提方法在公开数据集LUNA16上进行实验,结果表明,利用FPN和反卷积层改进的新网络对结节检测效果有一定的帮助,采用焦点损失函数也有一定效果。综合多种改进,当平均每个扫描件的候选结节数为46.7时,所提方法的肺结节检测敏感度指标为95.7%,与其他卷积神经网络方法如Faster R-CNN、UNet等相比,具有较高的敏感性。所提方法能够较好地提取不同尺度上的结节特征,提高CT图像肺结节检测的敏感度,同时对于较小的结节也能有效检测,能更有效地辅助肺癌的诊断治疗。     

基于深度卷积神经网络的糖尿病视网膜病变分期及病灶检测

针对糖尿病视网膜病变（DR）图像分辨率过大、病灶特征过于分散难以获取以及正负难易样本不平衡而导致DR分期精确率一直无法得到有效提高的问题,提出了改进的基于快速区域的卷积神经网络（Faster R-CNN）和子图分割相结合的DR分期方法。首先,使用子图分割解决视盘区域对于病灶识别的干扰问题;其次,在特征提取阶段使用深度残差网络以解决病灶在高分辨率眼底图像中占比小而导致的特征难以获取的问题;最后,在感兴趣区域（ROI）生成时采用在线困难样本挖掘（OHEM）方法解决正负难易样本不平衡的问题。在国际公开数据集EyePACS进行DR分期实验,所提方法在DR病分期中精确率0期达到94.83%,1期达到86.84%,2期达到94.00%,3期达到87.21%,4期达到82.96%。实验结果表明,改进后的Faster R-CNN能对DR图像高效分期并自动标注出病灶。     

A Hybrid Approach for Plant Disease Detection Using E-GAN and CapsNet

Crop protection is a great obstacle to food safety, with crop diseases being one of the most serious issues. Plant diseases diminish the quality of crop yield. To detect disease spots on grape leaves, deep learning technology might be employed. On the other hand, the precision and efficiency of identification remain issues. The quantity of images of ill leaves taken from plants is often uneven. With an uneven collection and few images, spotting disease is hard. The plant leaves dataset needs to be expanded to detect illness accurately. A novel hybrid technique employing segmentation, augmentation, and a capsule neural network (CapsNet) is used in this paper to tackle these challenges. The proposed method involves three phases. First, a graph-based technique extracts leaf area from a plant image. The second step expands the dataset using an Efficient Generative Adversarial Network E-GAN. Third, a CapsNet identifies the illness and stage. The proposed work has experimented on real-time grape leaf images which are captured using an SD1000 camera and PlantVillage grape leaf datasets. The proposed method achieves an effective classification of accuracy for disease type and disease stages detection compared to other existing models.     

基于多分类SVM的石榴叶片病害检测方法

石榴是陕西临潼广泛种植的水果作物之一。石榴的生产力由于其果实、茎和叶中各种类型的疾病引起的感染而降低,叶片病害主要由细菌、真菌、病毒等引起。疾病是限制水果生产的一个主要因素,疾病往往难以控制,如果没有准确的疾病诊断,就不能在适当的时间采取适当的控制行动。图像处理技术是植物叶片病害检测和分类中广泛应用的技术之一,旨在利用支持向量机分类技术对石榴叶片病害进行检测和分类。首先用K均值聚类法分割出病变区域,然后提取颜色和纹理特征,最后采用LSVM（线性支持向量机）分类技术对叶片病害类型进行检测。所提出的系统可以成功地检测和分类所检查的疾病,准确率为89.55%。     

用于交通图像识别的改进尺度依赖池化模型

针对交通标志在自然场景中所占的比例较小、提取的特征量不足、识别准确率低的问题,提出改进的尺度依赖池化（SDP）模型用于小尺度交通图像的识别。首先,基于神经网络深卷积层具有较好的轮廓信息与类别特征,在SDP模型只提取浅卷积层特征信息的基础上,使用深卷积层特征补足型SDP（SD-SDP）映射输出,丰富特征信息;其次,因SDP算法中的单层空间金字塔池化损失边缘信息,使用多尺度滑窗池化（MSP）将特征池化到固定维度,增强小目标的边缘信息;最后,将改进的尺度依赖池化模型应用于交通标志的识别。实验结果表明,与原SDP算法比较,提取特征量增加,小尺度交通图像的识别准确率较好地提升。     

基于FasterMDNet的视频目标跟踪算法

多域卷积神经网络（MDNet）算法在卷积层采用选择性搜索的方式来提取候选框，因此它没有共享完整图像特征，从而导致在线视频目标跟踪速度慢。针对这个问题，提出一种快速多域卷积神经网络（FasterMDNet）视频目标跟踪算法。FasterMDNet是建立在MDNet基础上的一种模型，在卷积层后面引入RPN（Region Proposal Network）网络，优化了损失函数，共享完整图像卷积特征，加快候选区域建议框（ROI）更高效的生成；为了更好地获得目标和背景信息表示，在RPN网络后加入ROIAlign层，对提取的候选区域建议框特征图用双线性插值方法来提高感受野的分辨率。该算法对目标跟踪基准数据集OTB2013、OTB2015、VOT2016进行了评估，并与前沿的跟踪算法做对比，实验结果证明，该算法跟踪准确率优于其他对比方法，并且对比相同实验环境下MDNet算法，在线跟踪速度提高了近12倍。