【摘 要】
：
水稻是我国重要的粮食作物,其产量一直受到病害的制约,对水稻病害的类型进行快速、准确的识别尤为重要。传统的识别以肉眼观察为主,具有一定的主观性,且需要深入到稻田实地观察,耗时、耗力,不能满足水稻病害识别实时性的需求。近年来,深度学习技术发展迅速,如何将深度学习应用于农作物病害识别领域已经成为了 一个研究热点。本文以目标检测算法为基础,从实际的水稻病害检测的需要出发,引入深度学习技术和方法开展研究。针
论文部分内容阅读
水稻是我国重要的粮食作物,其产量一直受到病害的制约,对水稻病害的类型进行快速、准确的识别尤为重要。传统的识别以肉眼观察为主,具有一定的主观性,且需要深入到稻田实地观察,耗时、耗力,不能满足水稻病害识别实时性的需求。近年来,深度学习技术发展迅速,如何将深度学习应用于农作物病害识别领域已经成为了 一个研究热点。本文以目标检测算法为基础,从实际的水稻病害检测的需要出发,引入深度学习技术和方法开展研究。针对当前水稻病害检测精度和效率不高的问题,本文设计了一种轻量化的YOLOv5网络模型,它能充分提取图像的特征信息,在面对复杂的或者较小目标的水稻病害图像时,依然能够保持较高的平均检测精度和检测速度。在研究过程中,首先选取YOLOv5算法作为基础的网络模型,在该网络模型中引入轻量化的MobileNetV3网络,将YOLOv5算法的骨干网络CSPDarkNet53的标准卷积替换为深度可分离卷积,参数量和计算量大幅降低,检测速度显著提升。同时,将骨干网络CSPDarkNet53的残差结构替换为倒残差结构,增强了模型的特征提取能力,提升了模型的检测精度。其次,对YOLOv5模型的特征融合方式进行改进,采用通道增强特征金字塔网络,并引入了通道注意力机制,提升了对小目标检测的精度。最后,在回归框筛选阶段,将回归框筛选方法NMS替换为WBF方法,显著提升了网络模型的平均检测精度。通过实验对比,证明了本文设计的轻量化的网络模型对水稻病害具有较高的平均检测精度和检测速度,参数量和计算量较少,能够部署在手机等移动设备上,具有较强的泛化能力。同时,利用深度学习技术实现了对水稻病害的自动识别与检测,帮助水稻种植者快速、准确地识别出水稻病害的类型,对于指导水稻病害的防治具有非常重要的现实意义。
其他文献
西夏文古籍文献作为记载西夏王朝的资料,已成为研究少数民族古籍的重要载体,及时准确的识别并翻译西夏文字,有助于推进西夏学研究具有举足轻重的意义。此外,随着深度学习的蓬勃发展,神经网络具有自动提取文字特征并且识别效率高等优势,逐渐成为了文本识别的重要手段。然而,现有的西夏文古籍文献中存在字体相似度高,识别准确率较低,同时识别模型参数量大的问题。因此,针对上述问题,本文以自制的西夏文数据集为基础,采用深
人脸识别技术的快速发展以及广泛应用给我们带来了极大的便利,但易受假脸攻击的缺点使其安全性受到了严重的威胁。人脸活体检测作为人脸识别的重要前置步骤,保证人脸识别系统不被欺骗,具有重要的研究价值。近年来,基于深度学习的人脸活体检测技术在生物识别技术领域取得了一定的发展,在部分场景下表现出色,但受限于常规卷积网络对人脸固有精细特征提取的瓶颈以及单模态人脸图像输入对环境变化和攻击方式变化敏感,现存方法难以
在我国,道路交通事故时有发生,其中一个重要原因就是疲劳驾驶。所以,准确地进行疲劳检测是非常有必要的。在现有的疲劳检测方法中,利用基于生理参数和车辆运动特征进行的检测普遍存在成本高、实时性差和抗干扰能力低等问题。因此,本文采用一种基于面部特征的方法研究疲劳检测问题,该方法将疲劳检测流程分为人脸检测、疲劳特征提取与识别、疲劳状态判别三个步骤,具体工作如下:首先,优化了MTCNN人脸检测算法。对图像预处
随着深度学习技术的快速发展,大量基于深度学习的单视图三维重建方法不断涌现,这些方法在3D打印、自动驾驶、虚拟现实和增强现实等各个领域获得了广泛的应用,实现高质量重建的单视图三维物体重建算法对于图像理解和计算机视觉领域来说有其重要的研究价值和广阔的发展前景。已有的大部分方法难以有效地重建具有复杂拓扑结构的物体形状,导致重建的结果拓扑结构不完整和局部细节缺失。此外,这些方法较多的关注目标物体的整体形状
3D人脸重建和稠密对齐任务是计算机视觉领域的一个重要分支,通过对人脸的五官信息和轮廓细节信息的分析,神经网络可以学习其内在丰富的上下文语义信息,从而做出精确的预测。基于单张图像的3D人脸重建与稠密对齐是计算机视觉领域的一项挑战性任务,当前大部分3D人脸重建与稠密对齐任务在学习过程中缺乏从几何角度考虑人脸结构特征的相关性,使得神经网络在大姿态、强光照以及遮挡等复杂条件下很难恢复出精细的人脸重建结果与
近年来,深度学习技术在很多领域取得了突出成就。其中,图像分类作为其他视觉任务的基础,更是在各行各业中取得了广泛的应用。深度学习技术通常需要依靠大量的标注数据,但是在很多状况下受各方面的制约,标注数据很少。为了适应这种情况,小样本学习应运而生,成为深度学习技术的一大分支。由于标注数据少,在小样本学习过程中通常会发生过拟合的问题,而将先验规则加入深度学习模型,能够增强模型的泛化能力,提高分类精度。此外
随着科学技术的飞速发展,学者们所研究的被控系统的结构越来越复杂、规模越来越庞大,传统的确定性系统的控制理论已趋于完善.近年来,含有噪声或不确定性的随机模型是当前控制领域的研究热点之一.噪声的存在改变原系统的动力学特征,降低了系统的控制性能,甚至破坏系统的稳定性.因此随机系统的稳定性研究具有重要的理论意义和实际需要.此外,时滞、外部干扰、不确定性在实际系统中广泛存在,这些元素的存在往往会影响系统的稳
随着医学成像技术和计算机技术的不断发展,计算机辅助诊断逐渐成为临床上辅助医生的主要工具。近年来,全球脑肿瘤病人持续增加,产生大量MRI图像,使得影像科医生不得不高负荷工作。因此,迫切需要精准的脑肿瘤图像自动分割技术辅助医生工作。基于深度学习的方法已经快速发展为医学图像分割领域的研究热点,它可以在医疗图像大数据分析中自动学习隐含的疾病特性信息。脑肿瘤图像具有语义简单、三维结构等特点。而深度学习中的V
知识图谱是现代人工智能的核心基础设施,随着人工智能的迅速发展,各种知识图谱被构建出来。与此同时,由于存在着难以去除的噪声与错误等不确定因素,使得知识表达难以完备化,知识图谱中出现了不确定信息。传统的知识图谱表示学习方法不能满足不确定知识图谱的表示及应用需求。因此,带有不确定信息的知识表示学习成为一项紧迫又富有挑战的任务。论文从不确定性知识图谱表示学习模型入手,通过对不确定知识图谱表示学习模型中的得
随着遥感卫星技术的发展,遥感影像空间分辨率可达亚米级。与中低空间分辨率卫星影像相比,高空间分辨率卫星影像具有更丰富的空间细节信息,能够精细呈现出地物的颜色、形状、边缘等。基于像素级或目标级的遥感影像解译方法不能有效提取遥感影像的高层语义信息,场景分类方法能够建模并解译以语义目标构成下复杂空间分布的高层语义信息,可解决遥感影像解译中的“语义鸿沟”问题。目前场景分类方法主要是基于深度学习技术,通过数据