深度學習研究與智慧農(nóng)業(yè)應用

前言
第一章 深度學習概述
第一節(jié) 人工智能、深度學習概念與發(fā)展
一、人工智能的概念
二、人工智能的發(fā)展
三、深度學習概念
四、深度學習發(fā)展
第二節(jié) 深度學習架構(gòu)與關(guān)鍵技術(shù)
一、深度學習架構(gòu)
二、深度學習關(guān)鍵技術(shù)
第三節(jié) 深度學習應用
一、深度學習應用領(lǐng)域
二、深度學習應用案例
第四節(jié) 深度學習在智慧農(nóng)業(yè)中的應用
一、國外智慧農(nóng)業(yè)發(fā)展現(xiàn)狀
二、國內(nèi)智慧農(nóng)業(yè)發(fā)展現(xiàn)狀
三、深度學習在智慧農(nóng)業(yè)中的應用
第二章 基于改進FasterNet的輕量化小麥生育期識別
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) 小麥生育期識別模型
一、FasterNet
二、改進FasterNet的輕量化小麥生育期識別模型
三、Lion優(yōu)化器
四、試驗設置與評價指標
第三節(jié) 結(jié)果與分析
一、Channel Shuffle機制對模型的影響
二、Swin Transformer模塊對模型的影響
三、消融實驗
四、FSST模型與其他模型性能對比
五、小麥生育期識別結(jié)果
第四節(jié) 小結(jié)
第三章 基于深度學習的小麥小穗檢測計數(shù)
第一節(jié) 研究內(nèi)容與技術(shù)路線
一、研究內(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)標注
二、數(shù)據(jù)劃分
三、數(shù)據(jù)清洗
第四節(jié) YOLOv5目標檢測網(wǎng)絡模型
一、YOLOv5目標檢測網(wǎng)絡模型的網(wǎng)絡結(jié)構(gòu)
二、輸入端
三、主干網(wǎng)絡
四、Neck結(jié)構(gòu)
五、輸出端
第五節(jié) YOLOv5s模型輕量化改進
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、實驗環(huán)境配置
二、算法評價指標
三、SSD目標檢測網(wǎng)絡模型結(jié)果分析
四、Faster R CNN目標檢測網(wǎng)絡模型結(jié)果分析
五、YOLOv5目標檢測網(wǎng)絡模型結(jié)果分析
六、測試集泛化性分析
七、YOLOv5s模型輕量化結(jié)果分析
第七節(jié) 小麥小穗檢測計數(shù)系統(tǒng)設計與實現(xiàn)
一、系統(tǒng)設計
二、系統(tǒng)總體架構(gòu)
三、系統(tǒng)實現(xiàn)
第八節(jié) 小結(jié)
第四章 小麥麥穗赤霉病檢測和發(fā)生程度分級
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)標注和劃分
第二節(jié) YOLOv8s算法輕量化改進
一、C FasterNet模塊
二、GhostConv的輕量化卷積
三、損失函數(shù)Focal CIoU改進
四、目標檢測頭（Detection Head）改進
五、YOLOv8s CGF模型
第三節(jié) 模型結(jié)果分析
一、模型消融實驗
二、不同模型對比結(jié)果和分析
三、統(tǒng)計分析試驗
四、小麥麥穗赤霉病計數(shù)結(jié)果和分析
五、小麥麥穗赤霉病發(fā)生程度預測結(jié)果
第四節(jié) 小結(jié)
第五章 玉米病害識別
第一節(jié) 研究內(nèi)容與數(shù)據(jù)集構(gòu)建
一、研究內(nèi)容與技術(shù)路線
二、玉米圖像數(shù)據(jù)集
三、玉米圖像預處理
第二節(jié) 基于VGG 16模型的玉米病害識別
一、特征可視化
二、VGG 16模型對玉米病害的識別結(jié)果
第三節(jié) 基于GoogLeNet的玉米病害識別
一、Inception結(jié)構(gòu)
二、GoogLeNet對玉米病害的識別結(jié)果
第四節(jié) 基于改進VGG多尺度卷積神經(jīng)網(wǎng)絡的玉米病害識別
一、改進的VGG多尺度卷積神經(jīng)網(wǎng)絡
二、模型優(yōu)化措施
第五節(jié) 病害識別結(jié)果與分析
一、實驗環(huán)境與參數(shù)設置
二、圖像分辨率對模型識別準確率的影響
三、數(shù)據(jù)源對模型識別準確率的影響
四、不同卷積神經(jīng)網(wǎng)絡的識別準確率對比
五、模型泛化能力分析
第六節(jié) 小結(jié)
第六章 蘋果病害識別
第一節(jié) 研究內(nèi)容與數(shù)據(jù)集構(gòu)建
一、研究內(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)集預處理與增強
第二節(jié) 基于ResNet101的蘋果葉片病害分類
一、深度殘差網(wǎng)絡結(jié)構(gòu)
二、環(huán)境參數(shù)與評價指標
三、實驗結(jié)果與分析
第三節(jié) 基于YOLOv5s模型的蘋果葉片病斑實時檢測
一、葉片病害數(shù)據(jù)標注
二、基于YOLO的蘋果葉片病害檢測模型
三、環(huán)境參數(shù)與評價指標
四、BTC YOLOv5s的蘋果葉片病害檢測模型性能分析
五、消融實驗與注意力機制分析
六、主流檢測模型性能對比
七、模型魯棒性檢測
第四節(jié) 病害檢測系統(tǒng)開發(fā)
一、系統(tǒng)需求分析
二、系統(tǒng)設計
三、系統(tǒng)實現(xiàn)
四、系統(tǒng)功能與性能測試
第五節(jié) 小結(jié)
第七章 智慧農(nóng)業(yè)中深度學習發(fā)展趨勢和前景展望
第一節(jié) 基于深度學習的智慧農(nóng)業(yè)發(fā)展現(xiàn)狀與趨勢
一、智慧種植發(fā)展現(xiàn)狀
二、智慧植保發(fā)展現(xiàn)狀
三、精準估產(chǎn)發(fā)展現(xiàn)狀
四、科學育種發(fā)展現(xiàn)狀
第二節(jié) 基于深度學習的智慧農(nóng)業(yè)發(fā)展面臨的機遇與挑戰(zhàn)
一、基于深度學習的智慧農(nóng)業(yè)發(fā)展機遇
二、基于深度學習的智慧農(nóng)業(yè)面臨的挑戰(zhàn)
第三節(jié) 基于深度學習的智慧農(nóng)業(yè)發(fā)展對策與建議