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

    基于P-MobileViT网络的小麦病害分类研究

    彭思绘汪宇玲
    260-267页
    查看更多>>摘要：针对小麦病害图像分类方法的识别准确率不理想、模型参数量大等问题,提出一种基于P-MobileViT的小麦病害分类模型.首先对小麦图像进行健康和病害二分类,融合Grabcut算法、大律法对小麦病害图像的病斑区域进行分割;然后将病斑图像输入P-MobileViT分类模型,在其block的局部表征模块中引入深度卷积提取病斑图像的局部特征,在全局表征模块使用PoolFormer结构提取全局特征,以减少模型计算量和参数量;将输入特征图和全局特征叠加后与局部特征进行融合,从而强化模型对特征的分类能力.与经过迁移学习的轻量级深度学习模型MobileViT、ShuffleNet v2、MobileNet v3、GhostNet、EfficientNet v2在公开小麦病害数据集上进行试验对比,结果表明,P-MobileViT模型的准确率达到97.2％,比MobileViT模型高出了 2.0百分点,同时参数量、推理时间分别减少了 23.1％、31.6％;与其中准确率较高的模型MobileNet v3、GhostNet相比,P-MobileViT模型的准确率也分别提高3.1、3.3百分点,参数量分别减少58.3％、61.5％.在小麦病害分类任务中,P-MobileViT模型实现了识别精度的提升,有效减少了识别时间开销,且降低了模型复杂度.

    小麦病害病害分类MobileViT图像分割PoolFormer

      原文链接:
    • 万方数据
    • 维普

    基于多尺度特征增强的轻量化黄瓜病害识别模型

    李帅薄敬东龚瑞昆崔传金...
    267-276页
    查看更多>>摘要：在复杂的背景环境下对农作物病害进行准确识别与分类,为农作物病害的诊断及防治提供可靠依据,具有重要经济意义.提出了一种新的网络模型 MeNet(multiscale enhance on me),用于对大田中黄瓜的8种形态(其中包含6种病害和鲜黄瓜、鲜叶)进行精准识别.该模型的设计包括适用于网络前端的特征增强模块,对原始图像进行像素级多尺度特征增强,从而提升模型的特征表达效率;运用特征挑选的思想进行后续的特征提取和增强,再加入基于空域抑制的SimAM注意力,进一步突出了显著特征,提高特征效用;运用逐点卷积对特征图进行通道间信息交互,再以全局平均池化总结特征图.结果表明,相较于其他模型,本研究的MeNet性能更为优越,在复杂背景病害数据集上,平均准确率达到92.38％,最高准确率达到了 92.92％,而模型的参数量仅为0.33 M,浮点运算量仅为0.30 G,证明MeNet模型在图像识别领域具有实际应用的潜力和继续研究的价值.

    黄瓜病害图像识别卷积神经网络轻量化多尺度特征增强空域抑制

      原文链接:
    • 万方数据
    • 维普

    基于轻量化YOLO v8-Rice的水稻虫害检测方法

    桂余鹏胡蓉华崔艳荣贾瀛睿...
    277-284页
    查看更多>>摘要：针对真实场景下水稻虫害识别的背景复杂、模型计算量和参数量大以及难以在嵌入式设备或移动设备上部署等问题,在YOLO v8的基础上提出一种改进的轻量化的YOLO v8-Rice水稻虫害检测算法.首先,采用Context Guided Block结构替换传统YOLO v8中C2f模块的Bottleneck结构,增强模型的上下文信息理解能力,压缩模型的权重;然后,使用深度可分离卷积代替传统YOLO v8中的标准卷积,以降低参数量、计算量;最后,将检测头重构为轻量级共享卷积检测头,以进一步降低参数量、计算量,并提高模型对多尺度虫害特征的定位和提取能力,使其能够更好地适应不同尺寸、复杂度的虫害状况.结果表明,相比于传统YOLO v8,YOLO v8-Rice算法在计算量、参数量方面分别减小70.5％、61.7％,模型的权重文件大小降低至1.94 MB,仅为YOLO v8n的32.4％,并且在平均精度上达到94.1％,与其他模型相比明显提高.该算法在水稻虫害检测方面的性能取得了显著提升.借助轻量化网络模型及优化模型的部署,使其更适合在移动设备或嵌入式设备中部署,可为实际农业场景中的水稻虫害检测提供更可行的解决方案,可以准确地检测定位和分类水稻虫害.

    水稻虫害检测轻量化YOLOv8-RiceContextGuidedBlock深度可分离卷积轻量级共享卷积检测头

      原文链接:
    • 万方数据
    • 维普