摘要：为实时准确地检测到自然环境下背景复杂的荔枝病虫害,本研究构建荔枝病虫害图像数据集并提出荔枝病虫害检测模型以提供诊断防治。以YOLO v4为基础,使用更轻、更快的轻量化网络GhostNet作为主干网络提取特征,并结合GhostNet中的核心设计引入更低成本的卷积Ghost Module代替颈部结构中的传统卷积,得到轻量化后的YOLO v4-G模型。在此基础上使用新特征融合方法和注意力机制CBAM对YOLO v4-G进行改进,在不失检测速度和模型轻量化程度的情况下提高检测精度,提出YOLO v4-GCF荔枝病虫害检测模型。构建的数据集包含荔枝病虫害图像3725幅,其中病害种类包括煤烟病、炭疽病和藻斑病3种,虫害种类包括毛毡病和叶瘿蚊2种。试验结果表明,基于YOLO v4-GCF的荔枝病虫害检测模型,对于5种病虫害目标在训练集、验证集和测试集上的平均精度分别为95.31%、90.42%和89.76%,单幅图像检测用时0.1671 s,模型内存占用量为39.574 MB,相比改进前的YOLO v4模型缩小84%,检测速度提升38%,在测试集中检测平均精度提升4.13个百分点,同时平均精度比常用模型YOLO v4-tiny、EfficientDet-d2和Faster R-CNN分别高17.67、12.78、25.94个百分点。所提出的YOLO v4-GCF荔枝病虫害检测模型能够有效抑制复杂背景的干扰,准确且快速检测图像中荔枝病虫害目标,可为自然环境下复杂、非结构背景的农作物病虫害实时检测研究提供参考。

摘要：多模态病虫害数据集具有多样性,导致模型平均精度较低。基于此,文章设计了一种基于深度学习的多模态病虫害检测模型。首先,采集高清图像、音频、视频等多模态数据来整合现有资源构成数据集;其次,进行数据增强以提高模型的泛化能力,减少了过拟合风险;最后,选用深度学习中的MobileNet作为主干网络来捕捉关键特征,模型训练融合了多模态数据,并通过动态权重分配和注意力机制显著增强了检测效能。实验结果表明,在迭代60次时,设计模型的mAP达到0.87,远超文献[1]和文献[2]模型的0.72与0.79,能够快速收敛并准确检测多种病虫害。

摘要：为了满足作物病虫害绿色防治对病虫害程度检测的需求,设计了一种改进的U-Net网络模型用于作物叶片病虫害程度的检测。首先,选择ResNet50网络作为模型的主干网络,借助迁移学习来提升训练收敛速度和降低计算成本。其次,引入注意力机制对U-Net网络的各层特征提取和融合进行优化,以提高网络模型接收关键信息的能力。实验结果表明,改进的U-Net512网络模型具有最优的检测性能,平均检测精度达到90.14%,平均绝对误差为276.3。通过分析模型不同采样深度下的各层特征图发现,注意力机制的引入使网络模型能够获取并融合叶片整体特征和病害区域特征两个维度的信息,进一步提升模型检测性能。这种方法不仅能够有效地检测作物叶片的病虫害程度,而且具有较高的准确性和可靠性,有助于实现作物病虫害的绿色防治。

摘要：针对目前马铃薯图像病虫害检测方法识别精度低、效率不高等问题。这里提出了一种主成分分析的特征加权融合自适应算法和改进支持向量机相结合的马铃薯病虫害快速检测方法。主成分分析的特征加权融合自适应算法完成特征块选择、主分量提取、加权和融合。融合后的特征采用决策树的思想,通过改进的支持向量机逐级分类。通过试验进行对比分析。结果表明,与传统的检测方法相比,该方法具有更高的检测精度和更短的执行时间。在病虫害、3类病害和10类虫害的检测准确率分别为98.45%、97.33%和98.00%,运行时间分别为4.81s、3.74s和4.65s。该检测方法为图像病虫害快速检测技术的发展提供了理论方法和依据。

摘要：目前现有的农业机器人大多应用于大范围农田,大部分温室大棚、小范围农田主要依靠人工种植辅以小型传统机械,存在功能缺失、适应性不强等问题。为此设计了一种小型农业机器人用于大棚内农作物播种、施肥、浇水及病虫害检测。首先采用卷积神经网络(CNN)特征提取方法实现了机器人循迹功能,通过卷积神经网络自主提取图像特征,提高了机器人循迹适应力;然后通过主控制器(ATmega2560)及相关硬件实现了农业机器人挖土、播种、施肥、浇水功能;最后基于MobileNetV2-SSD轻量化网络设计了农作物病虫害检测功能,结合倒残差(Inverted residual block)与深度可分离卷积,在降低模型参数量的同时保证了模型精度。实验验证了设计方法的合理性,表明该多功能机器人具有良好的综合适用性,提高了机器人使用率,同时降低了劳动者的工作强度,具有良好的应用前景和推广价值。