前言
1 绪论
1.1 研究背景及意义
1.2 研究进展
1.2.1 作物病害图像增强技术
1.2.2 作物病害智能识别技术
1.2.3 作物病斑分割技术
1.2.4 作物病害智能识别中有待解决的问题
1.3 主要研究工作
1.4 内容安排
2 相关理论知识
2.1 作物病害基础知识
2.1.1 作物病害的定义
2.1.2 作物病害的分类
2.1.3 作物病害的病原类型
2.1.4 作物病害的症状
2.1.5 作物病害的传播途径
2.1.6 病害发生的基本条件
2.1.7 作物病害的危害
2.1.8 作物病害的防控
2.2 卷积神经网络
2.2.1 简介
2.2.2 卷积层
2.2.3 池化层
2.2.4 全连接层
2.2.5 输出层
2.3 经典卷积神经网络
2.3.1 AlexNet
2.3.2 VGGNet
2.3.3 GoogleNet
2.3.4 ResNet
2.3.5 GANs
2.4 经典Transformer网络
2.4.1 Transformer模型
2.4.2 VisionTransformer网络
2.4.3 SwinTransformer网络
2.4.4 MobileVit网络
2.5 图神经网络
2.5.1 图卷积神经网络
2.5.2 图注意力网络
2.6 语义分割模型
2.6.1 U-net网络
2.6.2 SwinUnet网络
2.6.3 TransUnet模型
2.7 本章小结
3 基于改进DCGAN的作物图像增强技术
3.1 引言
3.2 玉米病害图像的WSAR-DCGAN数据增强方法
3.2.1 WSAR-DCGAN网络结构
3.2.2 WSAR-DCGAN生成网络
3.2.3 WSAR-DCGAN判别网络
3.2.4 网络优化
3.2.5 实验与分析
3.2.6 本节小结
3.3 基于改进CycleGAN网络的玉米叶片病害数据增强方法
3.3.1 循环对抗网络
3.3.2 改进的CycleGAN数据增强模型
3.3.3 试验数据集
3.3.4 试验结果和分析
3.3.5 本节小结
3.4 基于改进DCGAN网络的苹果叶片病害数据增强方法
3.4.1 基于改进DCGAN网络的苹果叶片数据增强模型
3.4.2 深度卷积生成对抗网络
3.4.3 激活函数
3.4.4 Wasserstein距离
3.4.5 谱归一化
3.4.6 实验与分析
3.4.7 本节小结
3.5 本章小结
4 基于深度学习的作物叶片病害识别技术
4.1 引言
4.2 基于改进GCN的苹果叶片病害识别方法
4.2.1 基于改进GCN的苹果叶片病害识别模型总体架构
4.2.2 残差图卷积网络模块
4.2.3 SwinTransformer网络模块
4.2.4 实验与分析
4.2.5 本节小结
4.3 基于CNN-Transformer双分支模型的苹果叶片病害识别方法
4.3.1 基于CNN和Transformer的双分支模型设计与搭建
4.3.2 CNN分支结构设计
4.3.3 Transformer分支结构设计
4.3.4 基于窗口的注意力机制
4.3.5 基于移动窗口的注意力机制
4.3.6 FFM特征融合模块
4.3.7 苹果病害分类数据集构建
4.3.8 实验与分析
4.3.9 本节小结
4.4 基于视觉DeiT的番茄病害图像识别方法
4.4.1 常见番茄病害
4.4.2 改进DeiT模型
4.4.3 实验结果与分析
4.4.4 本节小结
4.5 本章小结
5 基于不同尺度的小麦赤霉病等级监测技术
5.1 基于麦穗尺度的轻量级小麦赤霉病等级监测技术
5.1.1 改进的MobileViT-SE特征提取
5.1.2 实验环境与模型评价指标
5.1.3 实验与分析
5.1.4 本节小结
5.2 基于地块尺度的小麦赤霉病多光谱遥感监测技术
5.2.1 U2Net网络结构
5.2.2 基于改进U2Net的无人机多光谱遥感小麦赤霉病监测
5.2.3 实验环境与模型评价指标
5.2.4 实验与分析
5.2.5 本节小结
5.3 本章小结
6 基于改进SwinUnet的苹果叶部病斑等级划分技术
6.1 数据集构建
6.2 模型设计与搭建
6.3 实验结果
6.3.1 评价指标
6.3.2 结果分析
6.3.3 各类病斑分割效果对比
6.3.4 病害等级分类
6.4 本章小结
7 结束语
参考文献
展开
