摘要：针对人工智能专业认知实验设备短缺的实际情况,结合校园树木天牛等虫害频发的现状,设计了一台基于EasyDL树木虫害识别的人工智能实验演示系统。实验演示系统包括机械装置、控制系统和树木虫害识别系统,由控制系统控制机械装置带动摄像头采集树干表面图像送至树木虫害识别系统识别虫害。树木虫害识别系统基于百度AI的EasyDL平台,通过图像采集、标注学习、模型训练等步骤,实现虫害的识别。

摘要：随着多模态基础模型(大模型)的发展,如何高效地将其迁移到特定领域或任务中成为目前的热点、难点问题。该研究以多模态大模型CLIP为基础模型,使用参数高效微调方法Prompt、Adapter将CLIP迁移到枸杞虫害识别任务中,提出了用于枸杞虫害识别的跨模态参数高效微调模型D-PAG。D-PAG模型首先在CLIP编码器的输入层或隐层中嵌入了可学习的Prompt与Adapter,用于训练,学习虫害特征;然后利用门控单元将Prompt、Adapter集成到CLIP编码器网络中,平衡两者对特征提取的影响大小,在Adapter中设计了GCS-Adapter注意力用以加强跨模态语义信息融合。为了验证方法的有效性,在枸杞虫害数据集和细粒度数据集IP102上进行了实验。验证实验结果表明,在枸杞数据集上仅用20%样本数量训练便可达到98.8%的准确率,使用40%样本数量训练准确率达到了99.5%;在IP102上验证,准确率达到75.6%,与ViT持平。该方案可在少样本条件下,通过引入极少额外参数,将多模态大模型基础知识高效迁移到特定虫害识别领域,为高效使用大模型解决农业图像处理问题提供了新的技术方案。

摘要：为解决食品厂区虫害监测难、识别难、预防难的问题,设计了一种自动化虫害图像智能分析系统。首先,结合残差网络和特征金字塔结构,以Faster-RCNN网络结构为基础,组建了一种卷积神经网络模型,使用该神经网络模型对整理后的虫害数据集进行训练,并将训练结果用于虫害预测。其次,设计了一种适用于厂家设备的无线摄像头结构,用以对虫害情况进行实时监测。最后,在电脑端设计了专用软件,对摄像头拍摄的虫害图片进行识别并将信息进行存储,实时查看虫情并进行预测分析。该实验设计涵盖了图像处理、深度学习、软硬件设计等知识,具有综合性、应用性、交叉性和探索性。

摘要：虫害是粮食、水果等农作物生产过程中一个重要的影响因素,导致作物减产,造成经济损失。文章设计了一套基于物联网的虫害监测系统,能够实现害虫识别、土壤参数采集、温湿度采集、光照度采集等果园环境的监控遥测作业。当环境温湿度和土壤参数到达阈值时,就会触发警报,在移动端显示;监测模块识别到害虫后,系统会通过本地图像处理模块对害虫进行一次识别,为云端二次识别提供基准数据。该系统的运用,能提高害虫识别的精准度,方便果农对果园的管理。

摘要：针对现有字典训练过程中耗时较多的算法,研究了一种改进的基于字典学习的超分辨率图像重建算法。本文从压缩感知理论出发,采用了 k-svd 算法实现图像的超分辨率重建。将K-svd算法应用于粮仓虫情识别,弥补粮仓监控硬件的不足,提高监控图像质量,更好的完成粮仓实时虫情的监控。

摘要：由于传统CNN模型参数量大,对训练样本及算力要求高,利用深度学习进行农作物虫害识别容易造成农作物识别受到硬件条件限制。本文在VovNet基础上设计一个轻量级LVovNet模型,将VovNet的普通卷积替换为深度可分离卷积,减少了模型参数,提高了GPU利用率,在模型最后加入归一化通道注意力机制,加强网络特征提取能力并控制了网络参数量。用盲蝽、蝗虫、红蜘蛛等12类常见农作物虫害类别共5 785张RGB图片作为测试数据进行验证,该模型识别精度达97.34%,与VGG、ResNet、DenseNet、VovNet等相比,具有参数少、复杂度低、网络延迟低、识别精度高等特征。

摘要：为了实现传统农业管理方式向智能化农业管理方式的转变,进行有效的农田环境监测,以STC12C5A60S2作为主要控制芯片,采用RS-485通信模块实现传感器和单片机之间数据接收和发送,实时监测光照温湿度、土壤温湿度、pH值以及虫害相关特征等,构建了以Jetson Nano为辅助控制单元,搭配图像采集器实时记录农作物虫害信息的农业监测系统,实现农作物虫害的自动识别和分类,并通过4G网络传输模块将监测数据实时传输至后台数据库,通过前端Web网页实时显示。基于Jetson Nano的农业监测系统的建立,可以实现农田环境参数的精准测量和智能化展示,并为农业生产者提供一定的技术支持。