基于优化卷积神经网络的木材缺陷检测

针对深度学习中的卷积神经网络算法,在木材无损检测过程中存在缺陷定位不准确、缺陷轮廓和边界信息不完整、识别精度需进一步提高等问题,利用非下采样剪切波变换最优稀疏表示特性,以及简单线性迭代聚类算法能很好地保持像素紧凑度和图像边界轮廓的优点,设计了一种优化的卷积神经网络算法,以提高木材无损检测的准确率。首先采用非下采样剪切波变换对采集的木材图像进行简单预处理,保留木材图像的缺陷特征不丢失,降低图像处理的复杂度以及运算量;然后利用卷积神经网络对木材图像实现深层次的算法设计,同时应用简单线性迭代聚类算法对初步模型进行增强改进,提取出相对准确的木材缺陷轮廓;最后通过反复调整参数和调试优化器,优化卷积神经网络算法的收敛速度,提高学习和运算效率,完善卷积神经网络对木材缺陷轮廓的提取,在降低运算复杂度的同时,提高其精度,具有良好的鲁棒性。相比径向基函数(RBF)神经网络、向后反馈-径向基函数(BP-RBF)混合神经网络和卷积神经网络,本算法对木材缺陷具有更好的识别效果,其识别准确率达到98.6%左右,且识别时间相对更短。     

基于BoW模型的油茶害虫图像分类

针对目前图像识别在油茶害虫这个领域的应用中存在的问题,提出一种基于BoW模型的油茶害虫图像识别的方法。首先对油茶害虫图像进行SIFT特征提取,然后通过Bo W模型来描述各幅图像,针对每类油茶害虫,利用支持向量机(SVM)训练,进而从图像中识别出油茶害虫的种类。实验结果表明:该方法用在油茶害虫图像模式分类问题上取得了较好的识别率,其平均识别率达到了83.3%,由此表明BoW模型用于油茶害虫图像分类的有效性。     

基于改进深度卷积神经网络的苹果病害识别

传统的深度卷积神经网络(DCNNs)使用3个全连接层将经过多次卷积层和池化层后提取到的特征图映射并连接为一个特征向量,然后利用Softmax分类器进行分类。该模型容易出现过拟合问题,而且由于在全连接层中参数太多,导致训练时间增加和泛化能力下降。针对传统的DCNNs模型在图像识别中出现的问题,提出一种改进的DCNNs模型,并应用于苹果叶部病害识别中。相比传统的DCNNs算法,改进的DCNNs利用一个全局平均池化层替代全连接层,并利用改进的Softmax分类器进行病害类别识别。在苹果病害叶片图像数据库上的实验结果表明,该模型能够克服过拟合问题,提高病害的识别率,大幅度降低模型的训练和识别时间。     

基于卷积神经网络和树叶纹理的树种识别研究

利用计算机图像工程技术和卷积神经网络将大量树叶图像叶脉信息提取并分类,主要研究单一背景下阔叶树叶脉纹理特征。本实验采用卷积神经网络在图像信息识别准确率高,无需人工定义树叶纹理特征减少繁琐的人工成本。将网络在Caffe平台上面进行定义,使用符合标准正态分布的一组随机参数初始化网络。对卷积神经网络使用BP神经网络反向传播算法和随机梯度下降算法训练。经过对于网络的训练最终识别率达到95%以上,超过了人眼的识别率,为树种识别研究提供有效的分类方法。卷积神经网络在树叶纹理中省去了人工定义树叶特征的工作。最终多次实验得到可观的识别效果,卷积神经网络适用于树叶图像的识别,其识别率基本达到可以应用的要求。     

基于AlexNet优化的板材材种识别方法

【目的】基于处理后的木材端面细胞特征,寻找合适的机器学习方法提高木材识别准确率,以实现木材高效利用,为珍稀木材种类判别和保护提供依据。【方法】以5种木材(臭冷杉、长白落叶松、鱼鳞云杉、鹅掌楸和凹叶厚朴)端面细胞为研究对象,提取多种差异性图像作为数据集,通过图像处理提取特征信息,分别采用支持向量机(SVM)和AlexNet神经网络进行分类识别。根据木材端面细胞区分的差异性,在AlexNet神经网络架构中加入BN算法进行优化,设计一种更高效的板材识别方法提高木材识别准确率。【结果】将增强后的29 680张图像按7∶3划分,分别保存在训练集和测试集文件夹中,测试样本确定标签后均放入同一文件夹,分别对3种分类算法进行整体批量测试,支持向量机分类器测试集的整体识别准确率为84.67%, AlexNet神经网络测试集的整体识别准确率为88.76%,基于BN算法优化的AlexNet神经网络测试集的整体识别准确率为91.15%,识别效果更好。【结论】当样本量充足时,AlexNet神经网络对木材端面细胞图像的分类效果明显优于SVM分类器。基于BN算法优化的AlexNet神经网络对图像线性特征更敏感,保留...     

基于改进GAC模型的木材表面缺陷图像分割

为提高对木材表面缺陷图像分割的准确率,对木材表面缺陷图像采用传统GAC模型算法和改进GAC模型算法进行多组对比试验,与此同时研究改进算法中迭代步长、迭代次数、常数速度、反差参数等参数对木材表面缺陷图像分割结果的影响。通过试验验证了改进GAC模型算法的可行性、快速性和准确性,能够克服传统的GAC模型欠分割的缺点。     

基于卷积神经网络的油茶害虫生态识别

害虫是影响油茶（Camellia spp.）产量的主要因素之一，对其进行准确识别有助于及时防控，减少损失。目前，油茶害虫识别研究缺少相关的数据集，限制了深度学习技术在油茶害虫识别中的应用。为给在生态环境下准确识别油茶害虫提供1种新范式，构建包含1 116张7类害虫的油茶害虫识别图像数据集，采用4种目标检测算法（SSD、YOLOv3、YOLOX和RetinaNet）在该数据集上进行试验。结果表明，IOU阈值为0.5时，SSD的平均精度为93.50%,YOLOX为93.50%,RetinaNet为86.80%,YOLOv3为96.60%;SSD的平均召回率为73.20%,YOLOX为75.10%,RetinaNet为78.00%,YOLOv3为76.80%。综合分析，YOLOv3的检测和分类能力最优。     

基于改进LeNet-5模型的木材表面典型缺陷识别方法研究

针对传统木材缺陷识别方法效率低、精度不高及泛化能力差等问题,对传统LeNet-5模型进行改进:通过分别增加卷积层和池化层的层数至4层,以增加网络深度;采用批量归一化算法,以解决内部协变量位移过拟合的问题;改用Leaky Relu函数作为激活函数,并加入稀疏分类交叉熵作为损失函数,使用Adam作为优化器,来优化网络模型。应用改进LeNet-5模型对辐射松木材常见缺陷(结疤、裂痕)及无缺陷样本集进行识别试验,结果表明:相对于传统LeNet-5模型以及VGG19、AlexNet、ResNet-50三种经典模型,改进LeNet-5模型的训练集准确率最高为99.87%、验证集为99.43%,运算时间缩短,木材缺陷识别精度和效率提高。     

钻蛀性害虫取食声音的人工智能早期识别

【目的】以双条杉天牛为研究对象,设计基于卷积神经网络的识别模型识别其取食声,并对模型的抗噪性能进行测试,以期实现蛀干害虫的早期预警。【方法】使用SP-1 L探头连接NI 9215电压采集卡采集双条杉天牛咬食木段的声音和典型户外环境下的噪声并以音频格式保存。研究选取部分噪声作为加噪音频,以-3 dB至3 dB的信噪比向双条杉天牛取食声中混入环境噪声,生成训练数据和简单测试集,然后经过短时傅里叶变换、对数计算、平均池化3步操作计算音频的平均对数谱,分别设计并训练基于卷积神经网络的识别模型和传统高斯混合模型,提取音频特征判断音频是否为双条杉天牛取食声。为进一步测试模型的抗噪性能,利用独立划分的加噪音频以-7～3 dB的信噪比向双条杉天牛取食声中混入噪声生成抗噪测试集,对卷积神经网络和传统高斯混合模型的抗噪性能进行测试。【结果】在简单测试集上,基于卷积神经网络的识别模型的识别准确率为98.80%,较高斯混合模型有0.88%的下降。在抗噪测试集上,基于卷积神经网络的识别模型识别双条杉天牛取食声的整体准确率为97.37%,较高斯混合模型提高6.76%,其中,信噪比为-3 dB时,识别准确率为98.13%,较高斯混合模型提高9.80%,信噪比为-6 dB时,识别准确率为92.13%,较高斯混合模型提高5.67%。【结论】卷积神经网络能有效综合频谱特征,准确判断音频中有无双条杉天牛的取食声,同时,相比高斯混合模型,卷积神经网络具有良好的泛化能力,在低信噪比下仍能保证较高的识别准确率。基于卷积神经网络的取食声识别模型能够适应林木蛀干害虫的野外监测环境,可为隐蔽蛀干害虫的自动化监测和早期预警提供技术支撑。     

iWood：基于卷积神经网络的濒危珍贵树种木材自动识别系统

【目的】构建基于卷积神经网络的木材识别系统,实现木材树种在多场景条件下的自动精准识别,为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。【方法】采集15种黄檀属和11种紫檀属木材标本横切面构造特征图像,建立图像数据集Rosewood-26;构建AlexNet、VGG16、DenseNet-121和ResNet-50共4种卷积神经网络模型,基于ImageNet图像数据集对模型进行迁移学习,采用Rosewood-26图像数据集训练、测试和比较模型,优选识别性能较好的卷积神经网络模型,并进行木材树种分类;在此基础上,构建包含15种黄檀属和11种紫檀属树种的木材自动识别系统iWood,利用市场木材样品对系统进行应用测试和评价。【结果】在构建的4种卷积神经网络模型中,ResNet-50模型表现出最高的识别精度(98.33%)、最少的权重数量和较低的模型复杂性,适用于木材树种准确快速识别;ResNet-50模型对9种黄檀属和3种紫檀属木材的识别精度达100%,并可成功鉴别构造特征极其相似的檀香紫檀和染料紫檀;基于ResNet-50模型构建的木材自动识别系统iWood,在"属"和"种"水平的识别精度分别为91.8%和77.3%。【结论】基于卷积神经网络的木材识别系统iWood适用于海关执法、木材贸易和质量监督检验等多场景下的木材自动精准识别,能够为我国提升CITES履约执法能力、加强林产品产业链监管以及保障木材安全提供科技支撑。     

基于关键气象因子的油茶种仁含油率预测模型构建

含油率是油茶重要的经济性状,构建油茶含油率预测模型对于茶油产量预报有重要的意义。本研究以普通油茶为研究对象,通过分析油茶种仁含油率与不同气象因子的关系,确定影响油茶种仁含油率的关键气象因子,然后用回归分析法构建基于关键气象因子的油茶含油率预测模型,并用独立资料检验预测模型效果。结果表明:8月月平均气温、8月月最高气温、9月月最高气温、油脂转化积累高峰期最高气温与含油率呈显著的负相关关系。通过逐步回归分析法拟合得到了3个油茶含油率预测模型,用独立资料检验后,发现基于9月降水量(x1)、9月月最高气温(x2)和油脂转化积累高峰期最长连续无降水天数(x3)的油茶种仁含油率(y)预测模型(y=79.46-0.03x1-0.86x2-0.30x3)效果好,平均相对误差为4.6%,可应用于普通油茶种仁含油率预测。     

高铝低磷对油茶生长及其根系分泌有机酸的影响

以野生油茶和人工栽培油茶为研究对象,采用水培试验研究高铝低磷胁迫对油茶幼苗生长及其根系有机酸分泌的影响.结果 表明,在无磷(-p)情况下,铝毒对油茶幼苗的生长不利,而在铝胁迫下,磷的加入(0.2 mmol· L-1)能够显著降低铝的胁迫;无论是野生油茶还是人工栽培油茶,土壤中铝达到一定浓度,会显著降低油茶根系有机酸总量...     

油茶嫁接机器人的研究设计

根据油茶苗"劈接法"的嫁接作业方式,设计了嫁接机器人系统,概述了系统机械部分、传感部分、控制部分的组成及工作原理,并给出了油茶嫁接机器人性能的评价指标.     

麻城市油茶产业化发展的现状与对策

湖北省麻城市素有"中国油茶之乡"之美誉,具有发展油茶产业得天独厚的资源优势、环境优势和区位优势。本文通过对麻城市油茶产业现状的调查,针对存在的问题,提出了进一步推进产业化发展的措施与对策。     

广西油茶产业中存在的问题与对策

油茶是广西主要栽培经济树种之一,现有油茶种植面积36.7万hm2。介绍广西油茶产业建设概况,分析油茶产业中存在的主要问题,提出油茶产业发展的主要对策。     

乐安县油茶产业建设现状和发展对策

分析了乐安县油茶产业建设的现状和存在问题,并结合当前油茶产业发展良好的势头,提出全县油茶产业发展目标和促进油茶产业发展之对策。     

生态背景下基于人工智能深度学习的竹类害虫识别方法研究

针对生态背景下的竹类害虫识别,作者研究了一种基于人工智能深度学习的识别方法。构建了具有5 663张图片的虫类数据集,其中包含3种竹类害虫和3种其他虫类,利用深度学习模型GoogLeNet特有的Inception模块构成的网中网结构,使其获得更多的图片特征,并开展了4组不同训练集与测试集比例的实验。结果表明：模型的精确度随训练集比重的增大而增大,当训练集和测试集的比例为9∶1时表现最好,F₁值达到了95.48%,模型精确度为97.5%,体现了识别模型具有较好的综合性能和较高的实用性。该方法能较好地实现3种竹类害虫在生态背景下的智能识别,是针对竹类生产经营中的虫害防治问题的一种智能化解决方案,为竹产业精细化管理及高效生产经营提供有效的科技支撑。     

油茶加工机械发展现状分析

简述了油茶的价值和用途,介绍了油茶加工机械装备的发展概况,分析了现有油茶加工机械装备存在的技术问题并提出了解决方案。

Abstract：

The value and usage of camellia oleifera are described briefly,the development of camellia oleifera processing machinery and equipments are introduced,the existing technical shortcomings is analyzed and the solutions is proposed.     

油茶大砧高接换种杜鹃红山茶技术

文章通过对油茶大砧高接换种杜鹃红山茶的育苗栽培技术研究,总结出一套备砧、嫁接和接后管理等较为完善的高接换种技术.该技术能加速杜鹃红山荼良种繁育,提高苗木质量,可在生产上应用推广.