科研产出
一种基于深度学习的玉米病害识别方法
《安徽科技学院学报 》 2023
摘要：目的:针对现有玉米病害种类繁多、识别方法耗时耗力等问题，对传统卷积神经网络结构进行改进和优化，提出Corn＿Modle新型玉米病害自主识别模型。方法:构建含有6种玉米病害种类的数据集，并对其进行数据增强和预处理；将新建模型在训练集上进行训练，利用测试集对其进行试验验证。结果:Corn＿Modle模型的准确率为96.85%,参与对比的AlexNet、LeNet-5、ResNet50、MobileNet等4种经典模型的准确率分别为93.98%、77.06%、63.44%和87.25%,在准确率、精准度、召回率等评价指标上优于对比模型。结论:新构建的Corn＿Modle模型在准确率、鲁棒性和稳定性方面比传统的经典模型表现更好，可为玉米等农作物病害识别技术的发展提供参考。
全文链接
请求原文
一种基于改进卷积神经网络的玉米病害高效识别模型
《安徽科技学院学报 》 2023
摘要：目的:针对深度学习模型在玉米病害识别过程中存在精确度低、综合性能差等问题，提出一种改进的卷积神经网络模型，以期取得更好的识别效果。方法:构建由4个卷积层、4个最大池化层和3个全连接层组成的玉米病害识别模型，利用Dropout策略、L2正则化、早停法等优化网络，通过设置不同的初始学习率和批大小，对复杂环境下的6种典型的玉米病害进行分类试验研究，并与LeNet、AlexNet和GoogLeNet网络模型进行性能对比。结果:改进优化后的模型在玉米病害测试集上的识别准确率达到了98.27%,较改进前提高1.25%,单幅图像的平均识别时间缩短了0.007 7 s。与对比模型相比，新模型的识别时间最短，测试准确率比LeNet、AlexNet分别提高了15.52%、4.81%,损失值分别减少了0.805 2、0.157 8,性能曲线变化更平稳。结论:该模型具有识别速度更快、泛化能力更强、鲁棒性更好、识别精度高等特点，为玉米病害的精准高效识别提供了新的方法。
关键词： 玉米病害 卷积神经网络 模型改进 特征提取 识别精度
全文链接
请求原文
一种马铃薯病害神经网络识别方法
《安徽科技学院学报 》 2022
摘要：目的:为解决马铃薯病害识别效率低和识别效果差等问题,构建一种基于卷积神经网络的马铃薯病害识别模型,以期获得更好的识别性能.方法:以卷积神经网络为基础,通过融入抑制神经元、批归一化等方法优化网络结构,提高网络的泛化能力,抑制过拟合等;选取马铃薯两种病害和健康图像作为研究对象,对图像进行增强、归一化等处理,以8:2的比例构建训练集和测试集对模型进行训练和测试.结果:该模型在精确率、召回率和调和均值评价指标上均优于对比模型,其收敛速度快,泛化能力强且鲁棒性好,与对比的模型相比具有更好的识别效果.结论:该方法为马铃薯病害的高效识别提供了新的途径.
全文链接
请求原文
基于VGG-16卷积神经网络的水稻害虫智能识别研究
《安徽农业科学 》 2020
摘要：为了实现自然场景下水稻害虫实时精准被识别,构建基于VGG-16卷积神经网络的水稻害虫智能识别模型。该模型采用VGG-16卷积神经网络为核心网络结构,根据水稻害虫的个体特征和自然场景,对VGG-16网络的卷积层局部调整,优化主要模型参数,实现水稻害虫的智能识别,其识别的平均准确率是90.7%,实现对沙叶蝉、大螟、斑须蝽、点蜂缘蝽和白背飞虱的准确识别。研究结果显示,采用卷积神经网络技术可以实现自然场景下害虫图像的精准识别,代替人工辨认,提高水稻害虫防治率,实现实时、精准防治的目标。
全文链接
请求原文
基于卷积神经网络和小样本的茶树病害图像识别
《江苏农业学报 》 2019 北大核心 CSCD
摘要：以常见且特征相似的茶轮斑病、炭疽病和云纹叶枯病为对象,研究在小样本情况下利用卷积神经网络进行病害图像识别问题。运用7种模式的预处理方法对茶树叶部病害图像样本进行处理,并采用Alex Net经典网络模型进行学习实验,比较、分析其训练及识别效果。结果显示,模式7训练模型精度为93. 3%,平均测试准确率为90%,且对茶轮斑病、炭疽病和云纹叶枯病的正确区分率分别为85%、90%和85%,在预测值和真实值一致性方面优于其他预处理方法。在小样本情况下,该预处理方法可有效区分、识别3种易混病害,且识别精度高,性能好。
全文链接
请求原文
基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数
《中国农业科技导报 》 2019 北大核心 CSCD
摘要：鳞翅目害虫是蔬菜作物中最重要且常见的一类害虫。由于受到复杂田间背景,光照及害虫姿态等的影响,传统的害虫自动识别与检测计数方法准确率比较低。为实现在田间快速准确地对目标害虫进行自动识别和检测计数,分别提出了基于深度卷积神经网络的识别模型和检测计数模型。针对菜粉蝶、棉铃虫、甜菜夜蛾、小菜蛾、斜纹夜蛾这5种常见且容易混淆的蔬菜鳞翅目害虫,构建了分类识别数据集和检测计数数据集,并分别进行了实验,平均识别率达到94.5%,检测均值平均精度(mAP)达到76.6%,与传统方法相比,证明了此方法的优越性。实验结果表明,该方法对于蔬菜鳞翅目害虫的识别和检测计数是可行的,且达到了实际应用水平。
关键词： 鳞翅目害虫 自动识别 检测计数 深度学习 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
