深度學(xué)習(xí)研究與智慧農(nóng)業(yè)應(yīng)用

前言
第一章 深度學(xué)習(xí)概述
第一節(jié) 人工智能、深度學(xué)習(xí)概念與發(fā)展
一、人工智能的概念
二、人工智能的發(fā)展
三、深度學(xué)習(xí)概念
四、深度學(xué)習(xí)發(fā)展
第二節(jié) 深度學(xué)習(xí)架構(gòu)與關(guān)鍵技術(shù)
一、深度學(xué)習(xí)架構(gòu)
二、深度學(xué)習(xí)關(guān)鍵技術(shù)
第三節(jié) 深度學(xué)習(xí)應(yīng)用
一、深度學(xué)習(xí)應(yīng)用領(lǐng)域
二、深度學(xué)習(xí)應(yīng)用案例
第四節(jié) 深度學(xué)習(xí)在智慧農(nóng)業(yè)中的應(yīng)用
一、國(guó)外智慧農(nóng)業(yè)發(fā)展現(xiàn)狀
二、國(guó)內(nèi)智慧農(nóng)業(yè)發(fā)展現(xiàn)狀
三、深度學(xué)習(xí)在智慧農(nóng)業(yè)中的應(yīng)用
第二章 基于改進(jìn)FasterNet的輕量化小麥生育期識(shí)別
第一節(jié) 小麥圖像數(shù)據(jù)集
一、數(shù)據(jù)來源
二、數(shù)據(jù)集劃分
第二節(jié) 小麥生育期識(shí)別模型
一、FasterNet
二、改進(jìn)FasterNet的輕量化小麥生育期識(shí)別模型
三、Lion優(yōu)化器
四、試驗(yàn)設(shè)置與評(píng)價(jià)指標(biāo)
第三節(jié) 結(jié)果與分析
一、Channel Shuffle機(jī)制對(duì)模型的影響
二、Swin Transformer模塊對(duì)模型的影響
三、消融實(shí)驗(yàn)
四、FSST模型與其他模型性能對(duì)比
五、小麥生育期識(shí)別結(jié)果
第四節(jié) 小結(jié)
第三章 基于深度學(xué)習(xí)的小麥小穗檢測(cè)計(jì)數(shù)
第一節(jié) 研究?jī)?nèi)容與技術(shù)路線
一、研究?jī)?nèi)容
二、技術(shù)路線
第二節(jié) 研究區(qū)域與數(shù)據(jù)采集
一、研究區(qū)域
二、數(shù)據(jù)采集
第三節(jié) 數(shù)據(jù)集構(gòu)建
一、數(shù)據(jù)標(biāo)注
二、數(shù)據(jù)劃分
三、數(shù)據(jù)清洗
第四節(jié) YOLOv5目標(biāo)檢測(cè)網(wǎng)絡(luò)模型
一、YOLOv5目標(biāo)檢測(cè)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)結(jié)構(gòu)
二、輸入端
三、主干網(wǎng)絡(luò)
四、Neck結(jié)構(gòu)
五、輸出端
第五節(jié) YOLOv5s模型輕量化改進(jìn)
一、C3結(jié)構(gòu)與CSP結(jié)構(gòu)
二、YOLOv5s T模型
三、YOLOv5s T＋模型
第六節(jié) 結(jié)果與分析
一、實(shí)驗(yàn)環(huán)境配置
二、算法評(píng)價(jià)指標(biāo)
三、SSD目標(biāo)檢測(cè)網(wǎng)絡(luò)模型結(jié)果分析
四、Faster R CNN目標(biāo)檢測(cè)網(wǎng)絡(luò)模型結(jié)果分析
五、YOLOv5目標(biāo)檢測(cè)網(wǎng)絡(luò)模型結(jié)果分析
六、測(cè)試集泛化性分析
七、YOLOv5s模型輕量化結(jié)果分析
第七節(jié) 小麥小穗檢測(cè)計(jì)數(shù)系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)
一、系統(tǒng)設(shè)計(jì)
二、系統(tǒng)總體架構(gòu)
三、系統(tǒng)實(shí)現(xiàn)
第八節(jié) 小結(jié)
第四章 小麥麥穗赤霉病檢測(cè)和發(fā)生程度分級(jí)
第一節(jié) 小麥麥穗赤霉病數(shù)據(jù)集構(gòu)建
一、數(shù)據(jù)采集
二、數(shù)據(jù)標(biāo)注和劃分
第二節(jié) YOLOv8s算法輕量化改進(jìn)
一、C FasterNet模塊
二、GhostConv的輕量化卷積
三、損失函數(shù)Focal CIoU改進(jìn)
四、目標(biāo)檢測(cè)頭（Detection Head）改進(jìn)
五、YOLOv8s CGF模型
第三節(jié) 模型結(jié)果分析
一、模型消融實(shí)驗(yàn)
二、不同模型對(duì)比結(jié)果和分析
三、統(tǒng)計(jì)分析試驗(yàn)
四、小麥麥穗赤霉病計(jì)數(shù)結(jié)果和分析
五、小麥麥穗赤霉病發(fā)生程度預(yù)測(cè)結(jié)果
第四節(jié) 小結(jié)
第五章 玉米病害識(shí)別
第一節(jié) 研究?jī)?nèi)容與數(shù)據(jù)集構(gòu)建
一、研究?jī)?nèi)容與技術(shù)路線
二、玉米圖像數(shù)據(jù)集
三、玉米圖像預(yù)處理
第二節(jié) 基于VGG 16模型的玉米病害識(shí)別
一、特征可視化
二、VGG 16模型對(duì)玉米病害的識(shí)別結(jié)果
第三節(jié) 基于GoogLeNet的玉米病害識(shí)別
一、Inception結(jié)構(gòu)
二、GoogLeNet對(duì)玉米病害的識(shí)別結(jié)果
第四節(jié) 基于改進(jìn)VGG多尺度卷積神經(jīng)網(wǎng)絡(luò)的玉米病害識(shí)別
一、改進(jìn)的VGG多尺度卷積神經(jīng)網(wǎng)絡(luò)
二、模型優(yōu)化措施
第五節(jié) 病害識(shí)別結(jié)果與分析
一、實(shí)驗(yàn)環(huán)境與參數(shù)設(shè)置
二、圖像分辨率對(duì)模型識(shí)別準(zhǔn)確率的影響
三、數(shù)據(jù)源對(duì)模型識(shí)別準(zhǔn)確率的影響
四、不同卷積神經(jīng)網(wǎng)絡(luò)的識(shí)別準(zhǔn)確率對(duì)比
五、模型泛化能力分析
第六節(jié) 小結(jié)
第六章 蘋果病害識(shí)別
第一節(jié) 研究?jī)?nèi)容與數(shù)據(jù)集構(gòu)建
一、研究?jī)?nèi)容與技術(shù)路線
二、蘋果病害數(shù)據(jù)集構(gòu)建
三、數(shù)據(jù)集預(yù)處理與增強(qiáng)
第二節(jié) 基于ResNet101的蘋果葉片病害分類
一、深度殘差網(wǎng)絡(luò)結(jié)構(gòu)
二、環(huán)境參數(shù)與評(píng)價(jià)指標(biāo)
三、實(shí)驗(yàn)結(jié)果與分析
第三節(jié) 基于YOLOv5s模型的蘋果葉片病斑實(shí)時(shí)檢測(cè)
一、葉片病害數(shù)據(jù)標(biāo)注
二、基于YOLO的蘋果葉片病害檢測(cè)模型
三、環(huán)境參數(shù)與評(píng)價(jià)指標(biāo)
四、BTC YOLOv5s的蘋果葉片病害檢測(cè)模型性能分析
五、消融實(shí)驗(yàn)與注意力機(jī)制分析
六、主流檢測(cè)模型性能對(duì)比
七、模型魯棒性檢測(cè)
第四節(jié) 病害檢測(cè)系統(tǒng)開發(fā)
一、系統(tǒng)需求分析
二、系統(tǒng)設(shè)計(jì)
三、系統(tǒng)實(shí)現(xiàn)
四、系統(tǒng)功能與性能測(cè)試
第五節(jié) 小結(jié)
第七章 智慧農(nóng)業(yè)中深度學(xué)習(xí)發(fā)展趨勢(shì)和前景展望
第一節(jié) 基于深度學(xué)習(xí)的智慧農(nóng)業(yè)發(fā)展現(xiàn)狀與趨勢(shì)
一、智慧種植發(fā)展現(xiàn)狀
二、智慧植保發(fā)展現(xiàn)狀
三、精準(zhǔn)估產(chǎn)發(fā)展現(xiàn)狀
四、科學(xué)育種發(fā)展現(xiàn)狀
第二節(jié) 基于深度學(xué)習(xí)的智慧農(nóng)業(yè)發(fā)展面臨的機(jī)遇與挑戰(zhàn)
一、基于深度學(xué)習(xí)的智慧農(nóng)業(yè)發(fā)展機(jī)遇
二、基于深度學(xué)習(xí)的智慧農(nóng)業(yè)面臨的挑戰(zhàn)
第三節(jié) 基于深度學(xué)習(xí)的智慧農(nóng)業(yè)發(fā)展對(duì)策與建議