首页期刊导航|江苏农业科学
期刊信息/Journal information
江苏农业科学
江苏农业科学

常有宏

月刊

1002-1302

nykx@jaas.ac.cn

025-84390282

210014

南京市孝陵卫钟灵街50号

江苏农业科学/Journal Jiangsu Agricultural SciencesCSCD北大核心CSTPCD
查看更多>>本刊是江苏省农业科学院主办的综合性农业技术类期刊，主要刊登国内农业领域（江苏省及周边内外高校、科研单位、国内其他省份）最新农业科研成果、具创新点的实用技术与基础成果应用技术，为解决农业生产全程提供技术支撑和瞻前指导。
正式出版
收录年代

    Ghost-MobileNet v2:一种轻量级玉米田杂草识别新模型

    许爽杨乐刘婷
    173-180页
    查看更多>>摘要：农田杂草种类繁多、生命力强、危害作物的各个生长周期,对现代化农业生产依旧具有极大的影响.为了协助农业生产中的杂草防治工作,对杂草准确、无损、高效识别,将深度学习与农业结合,利用深度学习技术对玉米田中的杂草进行识别和分类,从而为玉米田杂草治理提供技术支持.针对经典卷积神经网络计算量大、准确率低、训练时间长等问题,提出了一种基于MobileNet v2轻量级网络的玉米田杂草识别新模型Ghost-MobileNet v2.该模型以MobileNet v2为基础,加入Ghost模块强化信息流动、提升特征表达能力;再加入SE-CBAM注意力机制,该注意力机制由SE注意力机制和CBAM注意力机制并联组合而成,在通道和空间2个维度上综合考虑特征的重要性,更全面地捕捉图像特征,从而提升网络的表达能力和泛化能力.试验结果表明,与其他经典的模型和先进的多尺度模型相比,Ghost-MobileNet v2对玉米田杂草有更好的分类效果,平均准确率达到了 99.00％,高于原模型的97.58％.通过精确率、召回率、F1分数等3个评价指标,得出Ghost-MobileNet v2具有鲁棒性好、稳定性高、识别率高等特点,将该网络与现实农业生产中玉米田杂草防治工作相结合,可以有效地提高工作效率.

    深度学习玉米杂草Ghost-MobileNetv2注意力机制

      原文链接:
    • 万方数据
    • 维普

    基于Res-Inception的农作物病虫害识别技术

    王洪波杨永政谢志成郁志宏...
    181-189页
    查看更多>>摘要：针对现有视觉识别技术对于农作物病虫害识别存在实际农业生产中识别效果不佳的问题,研究提出了一种结合ResNet和Inception 2种模型优点的新构架Res-Inception块.Res-Inception块中采取了 ResNet中的残差结构使得模型可以有效应对深度过深造成的过拟合和模型退化的问题;Res-Inception块中的卷积层采用Inception模型中的并行联结策略,将传统的3×3卷积核由并行的1×3、3×1卷积核代替,在简化模型参数量的同时使得模型获得了更强的多尺度特征提取能力;最后通过迁移学习使模型拥有高效的学习能力.在训练过程中将公开数据集PlantVillage中的多种作物病虫害作为预训练样本,通过迁移学习后对PlantVillage中6种番茄病虫害图像进行识别,模型对于训练集中病虫害的检测准确率达到99.1％,验证集的检测准确率达到98.9％,平均F1分数达到98.82％.通过与VGG-16、ResNet34、ResNet50等检测模型在PlantVillage数据集中的6种番茄病虫害识别测试中,本模型的检测准确率远高于这些模型;并且通过对比采用迁移学习前后的模型检测能力,验证了本研究提出的模型可以有效解决模型过拟合问题.本研究提出的Res-Inception块在有效解决了现有模型过拟合及模型退化问题的同时提高了模型的实际检测效果,该模块可为农业生产中病虫害识别模型的轻量化提供新思路,助力模型在实际农业生产中的应用.

    农作物病虫害迁移学习ResNetInception图像识别

      原文链接:
    • 万方数据
    • 维普

    KMeans++与注意力机制融合的苹果叶片病害识别方法

    黄贻望王国帅毛志刘声...
    190-198页
    查看更多>>摘要：为解决复杂环境下小尺度苹果叶片病害识别精度不高、鲁棒性不强的问题,在YOLO v5s的基础上提出一种新的改进方法.该方法首先在模型训练之前使用KMeans++聚类算法生成更接近真实框的锚框;其次在骨干网络中加入卷积块注意几模块(convolutional block attention module,CBAM),来提升复杂环境下小目标特征的提取能力;再次为了增强颈部网络对不同大小病害多尺度特征的有效识别,选择ConvNeXtBlock模块替换C3(CSP bottleneck with 3 convolutions)模块,并在颈部网络中融入坐标注意力模块(coordinate attention,CA),来加强模型对关键空间位置的响应,使得不同尺度的特征都能被更有效地利用;最后使用ECIoU损失函数替换原始的CIoU损失函数,来提高模型的收敛速度和精度.与Faster R-CNN、SSD、YOLO v5s、YOLO v7、YOL0 v8目标检测模型相比,改进后模型的平均精度均值(mean average precision,mAP0 5)值分别提升0.6、4.6、6.3、1.7、1.3百分点,同时在强光照、模糊、暗光的复杂场景下具有较强的鲁棒性.该模型可以为复杂环境下苹果叶片病害的识别提供行之有效的方案.

    苹果叶片病害病害检测注意力机制ConvNeXtBlock卷积块注意力模块(CBAM)CA

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLOX的实时马铃薯叶片病害检测方法

    张凯萍李国霞
    199-208页
    查看更多>>摘要：随着深度学习在图像识别领域的广泛应用,目标检测算法已取得显著进展.然而,在农业病害检测特别是马铃薯叶病害检测方面,仍面临诸多挑战,如自然光影响和数据不平衡问题等.为此,提出一种改进YOLOX的马铃薯叶病害检测方法.首先以轻量化MobileNet v3网络作为骨干替换原有的CSPDarkNet53网络,以提高模型在特征提取上的效率,同时减少计算量.其次引入V通道网络,增加模型对复杂光照环境的适应性,更精确地捕获纹理信息.最后设计一种自适应的交叉熵损失函数,以解决样本不平衡的问题,确保模型的鲁棒性和准确性.在公开数据集PlantVillage上进行试验验证,结果表明,改进模型平均准确率、浮点运算次数、内存和FPS分别为98.55％、14.63 × 109次、49.35 MB、125.92帧/s.相比原始YOLOX模型,平均准确率和单帧识别速度分别提高4.38百分点、36.65％;浮点运算次数和内存分别降低43.23％、34.33％.此外,与不同模型对比试验以及嵌入式平台上的试验结果均表明,本研究提出的改进YOLOX模型在准确率、计算效率和速度方面均具有明显的优势,为农作物叶片病害检测提供了一种有效的解决方案.

    马铃薯病害检测YOLOXMobileNetv3V通道网络交叉熵损失

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLO v8的水稻害虫识别方法

    李龙李梦霞李志良
    209-219页
    查看更多>>摘要：实时监测稻田害虫泛滥情况是预防水稻产量降低的重要手段之一.针对当前的目标检测算法在实际稻田环境下检测精度较低且模型计算量较大、难以实现实时检测等问题,提出一种基于YOLO v8的改进的水稻害虫识别算法YOLO v8-SDPS.首先在主干网络中用SD_Conv卷积替代标准卷积,重构特征提取模块,在降低参数量的同时尽可能保留害虫目标的边缘特征信息,提升对害虫目标的特征提取能力;其次在颈部引入基于Slim-Neck范式的GSConv模块和VoV-GSCSP模块,在减少模型计算量的同时提升模型的检测精度;最后在SPPF层前引入PSA注意力模块,降低背景的噪声干扰,使模型更加关注个体的空间位置信息.用本研究提出的算法在经数据增强后的自建水稻害虫数据集上进行试验,结果表明,YOLO v8-SDPS获得86.6％的平均检测精度,相较于原始YOLO v8n模型提升4.1百分点.同时改进后的模型参数量为2.62 M,计算量为7.5 GFLOPs,相较于基准模型分别降低16.8％和15.7％,实现了模型轻量化和较高检测精度的平衡.在害虫小且密集、背景干扰严重、光照强烈等复杂环境下,YOLO v8-SDPS均能较好地识别出目标个体,有效地降低漏检率和误检率,具有较好的鲁棒性,可为稻田实时巡检提供有效技术支持.

    目标检测水稻害虫深度学习YOLOv8极化自注意力

      原文链接:
    • 万方数据
    • 维普

    基于ActNN-YOLO v5s-RepFPN的番茄病害识别及系统设计

    高泉刘笠溶张洁高颜军...
    220-227页
    查看更多>>摘要：作物病害的早期检测可以提高农作物的质量和生产力,为解决番茄病害识别模型在真实复杂场景中的泛化能力弱,易受作物品种、颜色特征、叶斑形状、疾病周期和环境因素干扰,对存储和计算资源依赖性强的问题,提出1个轻量化改进模型ActNN-YOLO v5s-RepFPN来研究多个区域场景中的番茄疾病,使用Mosaic数据增强方法来扩展数据,结合使用模型参数压缩技术ActNN来替换YOLO v5s网络中的组件模块,保留重要激活参数的同时不影响精确度,然后在YOLO v5s颈部网络内构建RepFPN特征金字塔,增加特征信息流通,实现计算和内存平衡的硬件神经网络设计.结果表明,改进的ActNN-YOLO v5s-RepFPN模型在番茄病害检测精度上达到了 93.6％,检测速率为29.0帧/s,满足实时监测的要求,模型整体性能高于YOLO v5s、YOLO v4、Faster R-CNN等模型,在训练1 000轮后精确率、召回率、mAP分别较YOLO v5s原模型高10.0、9.8、4.9百分点.最后,设计并实现了基于YOLO v5s模型的智能化番茄病害检测系统,为病害智能检测系统提供了可视工具.

    病害检测ActNNYOLOv5sRepFPN

      原文链接:
    • 万方数据
    • 维普

    基于原型自适应对齐网络的小样本玉米病虫害检测

    郝惠惠王林汪金龙
    228-236页
    查看更多>>摘要：针对图像背景噪声干扰大、有限标注信息利用不充分所导致的对玉米叶片病虫害目标检测效果不佳的问题,利用支持分支和查询分支的双分支网络构建了一种基于原型自适应对齐网络的小样本玉米病虫害检测方法.该方法首先对传统的VGG-16网络进行改进,并在玉米病虫害检测数据集上进行微调,增强模型对特定任务的泛化性能;其次,利用交叉注意力机制建立双分支间信息的交互,挖掘分支间的共有语义;再次,借助支持图片的真实掩码将交互特征细粒度的分离为支持前景和背景,并在前景和背景特征上生成前景指导原型和背景辅助原型;最后,通过计算查询混合特征和每一原型的相似度值,并根据相似度值给出预测结果.在自建的玉米病虫害检测数据集上进行测试,所提出方法的精准率、召回率、F1和交并比(IoU)分别达到96.49％、96.03％、96.50％和83.19％,此外前景和背景的二分类评价指标前景背景交并比(FB-IoU)也达到93.62％,结果验证了本研究方法的优越性.

    玉米病虫害小样本自适应对齐原型交互特征双分支网络

      原文链接:
    • 万方数据
    • 维普

    基于特征重组网络的小样本农作物病害叶片检测

    党婉誉周烨炆徐斌腾
    236-243页
    查看更多>>摘要：针对现有作物病害叶片检测模型的性能过度依赖大量带标注数据集以及预训练模型的泛化性不强等问题,提出一种基于特征重组网络的小样本农作物病害叶片检测方法.首先,采用支持分支和查询分支的双分支网络结构,将支持图像和查询图像映射到深度特征空间,并在支持分支中采用特征增强网络缓解映射特征与原始标注不对齐的问题.其次,借助全局平均池化策略生成初始原型,利用该原型反向指导原始支持图像中病害叶片的识别,并根据初始识别结果对原型进行优化.再次,通过比对识别区域与原始标注之间的特征差异,构造辅助原型与主域原型.最后,融合原始原型、辅助原型和主域原型,构造多原型集,并利用度量方法计算原型集与查询特征间的关联,根据关联值给出预测标签.在自建的橘子、番茄和苹果等病害叶片数据集上进行测试,所提出方法分别获得了 97.18％的精准率、97.31％的召回率、96.90％的F1分数和84.71％的FB-IoU,优于主流的目标检测方法.

    作物病害叶片检测特征重组全局平均池化特征增强原型集

      原文链接:
    • 万方数据
    • 维普

    基于改进FixMatch算法的半监督番茄病虫害识别

    严露露朱赞彬冯世杰龚守富...
    244-250页
    查看更多>>摘要：为了快速准确地识别番茄叶片病虫害,从而提升番茄产量和品质,在有限设备资源条件下实现番茄病虫害的精准防治,针对以往番茄病虫害识别算法数据标注成本过高的问题,提出一种基于改进FixMatch算法的半监督番茄病害图像识别方法.首先,对真实场景采集的番茄病虫害数据进行深入分析,挖掘出数据集规模不明、类间数据不均衡性较为严重的特性,在原始FixMatch算法的基础上,引入k-means聚类算法筛选出代表性数据进行标注,以提高标注数据的性价比.其次,设计一种自适应伪标签数据补充模块,使得在半监督分类算法迭代过程中,自适应地调整不同类别的伪标签判定阈值,并且引入Focal Loss,以保证模型免受类别不均衡的影响.试验结果表明,在kaggle提供的公开数据集New Plant Diseases Dataset的10种番茄病害上,本研究提出的半监督番茄病虫害识别算法仅使用2 000张(约训练数据的10％)的标注数据进行模型训练,在测试集上的准确率可达到98.16％,比原始FixMatch算法提高了 1.34百分点.经过对比试验表明,本研究提出的基于k-means聚类算法的代表数据预选模块比随机挑选的准确率提高23.92百分点,基于自适应阈值截断的伪标签判断模块在困难样本类别上比原始FixMatch算法高出5.00百分点.综上所述,本研究所提出的基于改进FixMatch算法的半监督番茄病虫害识别算法能够提高半监督图像识别任务的准确率,对于真实场景下如何挑选数据标注以及如何制定训练过程中的伪标签监督策略都有着积极的参考意义,降低了番茄病虫害识别模型的数据标注成本,助力智慧农业发展.

    番茄病虫害改进FixMatch算法半监督学习图像分类

      原文链接:
    • 万方数据
    • 维普

    基于改进YOLO v8的草莓病害检测方法

    叶琪王丽芬马明涛赵鑫...
    250-259页
    查看更多>>摘要：针对自然条件下草莓病害检测难度大、人工检测效率低下、传统计算机检测方式步骤繁琐、检测精度差以及模型的参数量与计算量大的问题,构建一种基于改进YOLO v8的草莓病害检测模型.该模型使用Slim-Neck结构代替原YOLO v8网络的颈部(Neck)结构以降低深度可分离卷积特征提取和融合能力差的缺陷对模型造成的负面影响,在降低模型参数量和计算量的同时不会损失检测的准确度,并且该结构能使模型更好地应用于复杂的草莓种植环境.模型还引入了通道注意力和空间注意力机制(CBAM)以提高病害特征的提取能力同时忽略图片中不相关的信息.最后模型将YOLO v8中的边界框损失函数替换为MPDIoU以提升检测和目标定位的能力.结果表明,本模型在一个含有7类草莓病害的开源数据集可以实现96.5％的平均精度(mAP),同时仅有2.9 M参数量和7.4 GFLOPs值,相比于原始YOLO v8n、YOLO v7-tiny、YOLO v6n和YOLO v5s模型的mAP分别提升1.2、1.9、3.7和2.5百分点.改进后的模型具有更高的检测精度和更小的参数量与计算量,可为实际草莓种植环境下的病害检测提供参考.

    病害检测YOLOv8注意力机制Slim-NeckMPDIoU

      原文链接:
    • 万方数据
    • 维普