正在浩繁农业产物中，苹果是全球最受欢送的生果之一，全球约有500万公顷的地盘用于种植苹果，2017年苹果产量为8300万吨。然而，叶部病害是影响苹果产量的一个严沉问题，精准识别其病因需要经验和专业学问，因而若何操纵视觉智能来识别影响叶片的病害缘由是一个环节问题。借帮视觉手艺，农人能够利用简单便利的照片识别，而不必花钱大费周章的寻找专家。

　　尝试表白正在尺度收集中，ResNet50、DenseNet121和GoogLeNet的精确率达到了90%以上，这意味着苹果叶部病害的加强数据集包含了脚够且相关的样本，可以或许精确反映出存正在的特征和变化。此外，正在整合了随时间呈指数下降的可变进修率后，所有评估模子的速度都加速了，而且这些模子正在大约50个周期时趋势于达到不变的均衡形态。同时，可能导致正在锻炼集上表示强劲但正在测试集上泛化能力差的振荡现象显著削减。这使得模子正在使用于现实环境时可以或许供给更分歧的预测机能。

　　三种留意力机制提高了模子机能，由于它们都考虑了通道消息，为每个稠密块的输出供给了自顺应权沉。然而，复杂的留意力机制可能导致模子退化，并添加调整每个留意力分支参数的难度，这将使模子难以实现令人对劲的预测。因而，虽然三沉留意力融合了时间、空间和通道留意力，但它的机能比其他两种留意力机制差。总体而言，因为高效多标准留意力机制连系了来自多个标准的图像特征，加强了模子正在分歧标准上提打消息的能力，因而该留意力机制表示出更好的机能 (图4)。

　　传授团队，中南大学研究生，就读于交通运输工程专业，研究标的目的为视觉-消息融合手艺正在农业机械中的使用、电力系统及其从动化。

　　中南大学二级传授、教育部长江学者特聘传授、学者领军岗传授，持久处置人工智能及机械人智能配备环节手艺研究。入选全球高被引科学家、中国工程院“中国工程前沿精采青年学者”、英国皇家工程院“精采国际工程师”。获中德双博士学位、传授文凭 (机械人)，曾任联邦教育取研究部冠名BMBF Junior Group Leader、生命科学从动化沉点尝试室机械人研究所所长。以第一完获世界互联网大会领先科技、施普林格-天然“中国新成长”、教育部手艺发现二等、教育部天然科学二等、吴文俊人工智能科技等励，参取获国度科技前进一等。

　　本研究开辟了一种用于苹果叶部病害分类的加强卷积神经收集，它由三部门构成：初始模块 (Inception module)、高效多标准留意力 (EMA) 机制和稠密毗连收集模子 (图2)。此模子是 DenseNet121的改良版本，保留了瓶颈层 (bottleneck) 和过渡层 (transition) 交替运做的根基框架，以确保模子的简练性和明白性。取AlexNet和GoogLeNet比拟，开辟的瓶颈层采用了批量归一化手艺，确保了各层输入分布相对不变，通过对每层输入进行归一化，加速了收集锻炼过程的速度。正在瓶颈层的3 × 3卷积层之前，还利用了内核大小为1 × 1的卷积层，无效削减了输出特征图的数量、模子参数以及计较复杂度。此中，DenseNet的环节特征是毗连机制，每个瓶颈层的输出沿着通道维度取输入进行毗连。初始7 × 7卷积层用初始模块取代，正在堆叠的瓶颈层后添加留意力机制，形成全体的模子框架。

　　出格声明：本文转载仅仅是出于消息的需要，网坐或小我从本网坐转载利用，须保留本网坐说明的“来历”，并自傲版权等法令义务；做者若是不单愿被转载或者联系转载稿费等事宜，请取我们联系。

　　跟着聪慧农业的成长，使用视觉识别手艺替代人工来切确识别做物病害成为一个严沉挑和。本研究聚焦于取苹果最终产量亲近相关的苹果叶部病害，开辟了一种连系高效多标准留意力 (EMA) 机制的多标准融合稠密收集Incept-EMA-DenseNet，以更好地识别八种复杂的苹果叶部病害图像。Incept-EMA-DenseNet由三个环节部门构成：正在浅层特征提取层顶用多标准融合方式替代卷积层的初始模块；用于获取分歧稠密块适沉的EMA机制；基于DenseNet121改良的稠密收集。具体而言，起首，为找到合适的多标准融合方式，本研究对残差模块和初始模块进行了比力以确定每种手艺的机能，Incept-EMA-DenseNet达到了95。38%的精确率。其次，该研究利用了三种留意力机制，此中高效多标准留意力机制表示最佳。第三，正在不降低机能的环境下对卷积层和瓶颈进行了点窜，取原始模子比拟，计较负荷削减了一半。本文提出的Incept-EMA-DenseNet精确率为96。76%，别离比Resnet50、DenseNet121和GoogLeNet高2。93%、3。44%和4。16%，证明其靠得住且无益，可以或许无效便利地帮帮果农正在田间识别苹果叶部病害。

　　FIE 西安交大陈杰传授：原位建立用于可见光下光化学CO2还原的Cs3Bi2I9WO3 0D1D Z型异质结光催化剂。

　　农业是沉中之沉，全球约有8。66亿人依托农业为生，其形成了全球劳动力的25%以上。然而，自2000年以来，农业劳动力令人担心地削减了16%，导致农田弃耕现象增加。这种改变提出了一个环节问题，即若何正在最小化劳动力投入的同时优化地盘操纵。做为回应，从动化农业机械应运而生。然而，跟着手艺和财产转型，当前的机械化农业无法满脚现代社会的成长需求，这意味着聪慧农业是一个主要的议题。跟着工业4。0手艺正在农业中的使用，越来越多的研究人员从意利用机械视觉手艺来应对该范畴的各类挑和，包罗生果和动物计数、做物发展和健康监测，特别是病虫害评估。过去，这既花费时间，又让农人难以承受。比拟之下，跟着图像识别手艺的呈现，这些挑和现正在能够更高效、更无效地获得处理。

　　本研究提出了一种新型模子Incept-EMA-DenseNet，它将多标准融合模块取EMA机制相连系。该模子由多标准浅层特征提取、使用于稠密块的留意力机制以及加强的DenseNet架构构成。这个新的分析模子可以或许通过卷积层的分歧核大小提取细致的局部和全局消息。取DenseNet121比拟，DenseNet的框架也获得了改良，节流了大量的计较时间。正在这项工做中，通过三个对比尝试评估了模子的精确性和机能，Incept-EMA-DenseNet正在识别健康苹果叶和八种常见叶病方面的精确率为96。76%，别离比Resnet50、DenseNet121和GoogLeNet高2。93%、3。44%和4。16%。此外，还对分歧的多标准融合方式和留意力机制进行了评估，确定Incept-EMA-DenseNet为最适合苹果叶部病害分类且表示最佳的收集模子。接下来的工做能够聚焦于更丰硕更复杂的数据集，将模子对象扩展到其他农做物上，以获得同样优良的识别成果，帮力于用视觉手艺防止取检测农做物的病害，为聪慧农业添砖加瓦。

　　由教育部从管、高档教育出书社从办的《前沿》（Frontiers）系列英文学术期刊，于2006年正式创刊，以收集版和印刷版向全球刊行。系列期刊包罗根本科学、生命科学、工程手艺和人文社会科学四个从题，是我国笼盖学科最普遍的英文学术期刊群，此中12种被SCI收录，其他也被A&HCI、Ei、MEDLINE或响应学科国际权势巨子检索系统收录，具有必然的国际学术影响力。系列期刊采用正在线优先出书体例！

　　研究数据是从包罗八种苹果叶部病害，即链格孢叶斑病、褐斑病、蛙眼病、灰斑病、花叶病、白粉病、锈病和疮痂病，以及健康叶片做为对照 (图1)。这些图片是正在两种布景下拍摄的，具有复杂干扰的户外场景和简单的尝试室，这有帮于正在现实使用场景中展现更好的泛化机能。然而，关于四种叶片 (链格孢叶斑病、褐斑病、灰斑病和花叶病) 的数据相对稀缺，这很可能影响模子的进修和泛化能力，因而需要扩展数据集。本文对比了很多图像加强手艺，如数据裁剪、扭转和镜像，以及降低图像的亮度和暗度能够提高模子机能。然而，亮度和暗度的变化会对类似苹果叶部病害的区分发生负面影响。所以，本研究次要利用扭转和镜像来扩展图像数据集。然后，将图像插值到224 × 224像素，并将数据按7！2！1的比例分为锻炼集、验证集和测试集，以便利模子锻炼。按照加强数据集和小型数据集之间的对比尝试成果，DenseNet121、ResNet50和GoogLeNet正在原始数据集上的精确率别离为91。93%、90。13%和88。86%。比拟之下，扩展数据集的精确率别离为93。32%、93。83%和92。60%，别离提高了1。39%、3。7%和3。74%，这表白扩展后的数据集能够供给更好的机能。

　　正在残差模块和初始模块的消融尝试显示，取原始的7 × 7卷积层比拟，初始模块和残差模块都加强了感触感染野 (图3)，为图像的浅层提取供给了分歧的核大小，正在不忽略全局消息的环境下显著提高了模子的精确性。此外，该尝试表白，用多标准方式替代单个卷积层能够加强模子捕获多种特征的能力。值得留意的是，初始模块的计较量不到残差模块的一半，但却具有更高的精确性和精度，这可能归因于其对通道的分离和整合。分歧核大小卷积层的分歧通道权沉有帮于模子更好地进修局部细致消息和全局消息。