基于YOLO v5的农田杂草识别轻量化方法研究

针对已有杂草识别模型对复杂农田环境下多种目标杂草的识别率低、模型内存占用量大、参数多、识别速度慢等问题,提出了基于YOLO v5的轻量化杂草识别方法。利用带色彩恢复的多尺度视网膜(Multi-scale retinex with color restoration,MSRCR)增强算法对部分图像数据进行预处理,提高边缘细节模糊的图像清晰度,降低图像中的阴影干扰。使用轻量级网络PP-LCNet重置了识别模型中的特征提取网络,减少模型参数量。采用Ghost卷积模块轻量化特征融合网络,进一步降低计算量。为了弥补轻量化造成的模型性能损耗,在特征融合网络末端添加基于标准化的注意力模块(Normalization-based attention module,NAM),增强模型对杂草和玉米幼苗的特征提取能力。此外,通过优化主干网络注意力机制的激活函数来提高模型的非线性拟合能力。在自建数据集上进行实验,实验结果显示,与当前主流目标检测算法YOLO v5s以及成熟的轻量化目标检测算法MobileNet v3-YOLO v5s、ShuffleNet v2-YOLO v5s比较,轻量化后杂草识别模型内存占用量为6.23MB,分别缩小54.5%、12%和18%;平均精度均值(Mean average precision,mAP)为97.8%,分别提高1.3、5.1、4.4个百分点。单幅图像检测时间为118.1ms,达到了轻量化要求。在保持较高模型识别精度的同时大幅降低了模型复杂度,可为采用资源有限的移动端设备进行农田杂草识别提供技术支持。     

基于YOLO v5s的作物叶片病害检测模型轻量化方法

为在保证识别性能前提下,对叶片病害检测模型进行有效轻量化,基于主干替换、模型剪枝以及知识蒸馏技术构建了一种模型轻量化方法,对以YOLO v5s为基础的叶片黄化曲叶病检测模型开展轻量化试验。首先,通过常见的性能优异的轻量级主干特征提取神经网络结构（Lightweight convolutional neural networks,LCNN）替换YOLO v5s主干对模型主体进行缩减;然后利用模型稀疏化训练和批归一化层（Batch normalization layer）的缩放因子分布状况,筛选并删减不重要的通道;最后,通过微调重新训练以及知识蒸馏,将模型精度调整到接近剪枝前的水平。试验结果表明,经轻量化处理的模型精确率、召回率和平均精度分别为91.3%、87.4%和92.7%,模型内存占用量为1.4 MB,台式机检测帧率81.0f/s,移动端检测帧率1.2f/s,相比原始YOLO v5s叶片病害检测模型,精确率、召回率和平均精度下降3.7、4.6、2.7个百分点,内存占用量仅为处理前的10%,台式机和移动端检测的帧率分别提升近27%和33%。本文所提出的方法在保持模型性能的前提下对模型有效轻量化,为移动端叶片病害检测部署提供了理论基础。     

基于改进YOLO v5s的甘蔗切种茎节特征识别定位技术

为了实现甘蔗智能横向切种工作站的精准、高效的自动化切种,针对工厂化切种任务的特点,提出了一种基于改进YOLO v5s的甘蔗茎节特征边缘端识别与定位方法。首先,利用张正友相机标定法对摄像头进行畸变矫正;然后对甘蔗茎节数据集进行数据增强,利用原始的YOLO v5s模型进行训练和测试,结果显示数据增强能一定程度上提高检测精度。针对茎节特征目标小以及模型体积大导致检测精度低、部署难度高等问题,对YOLO v5s的骨干网络进行改进,在SPPF特征融合模块前引入坐标注意力(Coordinate attention, CA)模块和Ghost轻量化结构,在Head网络中剔除P5大目标检测头,得到了改进后甘蔗茎节检测模型YOLO v5s-CA-BackboneGhost-p34,测试结果表明该模型优于其他主流算法和原始模型,具有高精度、小体积等优势。其中,平均精度均值1和平均精度均值2分别提高5.2、16.5个百分点,模型浮点数计算量和内存占用量分别降低42%和51%。最后,为了提高检测速度和实时性,将模型部署于边缘端,利用TensorRT技术加快检测速度,并在传送速度为0.15 m/s的甘蔗智能横向切...     

基于改进CenterNet的玉米雄蕊无人机遥感图像识别

为准确识别抽雄期玉米雄蕊实现监测玉米长势、植株计数和估产,基于无锚框的CenterNet目标检测模型,通过分析玉米雄蕊的尺寸分布,并在特征提取网络中添加位置坐标,从而提出一种改进的玉米雄蕊识别模型。针对雄蕊尺寸较小的特点,去除CenterNet网络中对图像尺度缩小的特征提取模块,在降低模型参数的同时,提高检测速度。在CenterNet特征提取模型中添加位置信息,提高定位精度,降低雄蕊漏检率。试验结果表明,与有锚框的YOLO v4、Faster R-CNN模型相比,改进的CenterNet雄蕊检测模型对无人机遥感影像的玉米雄蕊识别精度达到92.4%,分别高于Faster R-CNN和YOLO v4模型26.22、3.42个百分点;检测速度为36f/s,分别比Faster R-CNN和YOLO v4模型高32、23f/s。本文方法能够准确地检测无人机遥感图像中尺寸较小的玉米雄蕊,为玉米抽雄期的农情监测提供参考。     

嵌入式设备的轻量化百香果检测模型

为在有限的嵌入式设备资源下达到实时检测要求,提出一种基于改进YOLO v5的百香果轻量化检测模型（MbECA-v5）。首先,使用MobileNetV3替换主干特征提取网络,利用深度可分离卷积代替传统卷积减少模型的参数量。其次,嵌入有效通道注意力网络（ECANet）关注百香果整体,引入逐点卷积连接特征提取网络和特征融合网络,提高网络对百香果图像的特征提取能力和拟合能力。最后,运用跨域与域内多轮训练相结合的迁移学习策略提高网络检测精度。试验结果表明,改进后模型的精确率和召回率为95.3%和88.1%;平均精度均值为88.3%,较改进前提高0.2个百分点。模型计算量为6.6 GFLOPs,体积仅为6.41MB,约为改进前模型的1/2,在嵌入式设备实时检测速度为10.92f/s,约为SSD、Faster RCNN、YOLO v5s模型的14倍、39倍、1.7倍。因此,基于改进YOLO v5的轻量化模型提高了检测精度和大幅降低了计算量和模型体积,在嵌入式设备上能够高效实时地对复杂果园环境中的百香果进行检测。     

基于ECA-YOLO v5s网络的重度遮挡肉牛目标识别方法

肉牛目标检测和数量统计是精细化、自动化、智能化肉牛养殖要解决的关键问题,受肉牛个体颜色及纹理相近和遮挡等因素的影响,现有肉牛目标检测方法实用性较差。本研究基于YOLO v5s网络与通道信息注意力模块(ECABasicBlock),提出了一种融合通道信息的改进YOLO v5s网络(ECA-YOLO v5s),在YOLO v5s模型的骨干特征提取网络部分添加了3层通道信息注意力模块。ECA-YOLO v5s网络实现了重度遮挡环境下多目标肉牛的准确识别。对养殖场监控视频分帧得到的肉牛图像采用了一种基于结构相似性的冗余图像剔除方法以保证数据集质量。数据集制作完成后经过300次迭代训练,得到模型的精确率为89.8%,召回率为76.9%,全类平均精度均值为85.3%,检测速度为76.9 f/s,模型内存占用量为24 MB。与YOLO v5s模型相比,ECA-YOLO v5s的精确率、召回率和平均精度均值分别比YOLO v5s高1.0、0.8、2.2个百分点。为了验证不同注意力机制应用于YOLO v5s的性能差异,本研究对比了CBAM(Convolutional block attention mo...     

基于频域数据增强与轻量化YOLO v7模型的成熟期香梨目标检测方法

为实现香梨自动化采摘,本文以YOLO v7-S为基础模型,针对果园中香梨果实、果叶和枝干之间相互遮挡,不易精准检测的问题,设计了一种轻量化香梨目标检测M-YOLO v7-SCSN+F模型。该模型采用MobileNetv3作为骨干特征提取网络,引入协同注意力机制(Coordinate attention,CA)模块,将YOLO v7-S中的损失函数CIoU替换为SIoU,并联合Normalized Wasserstein distance (NWD)小目标检测机制,以增强网络特征表达能力和检测精度。基于傅里叶变换（Fourier transform,FT）的数据增强方法,通过分析图像频域信息和重建图像振幅分量生成新的图像数据,从而提高模型泛化能力。实验结果表明,改进的M-YOLO v7-SCSN+F模型在验证集上的平均精度均值（mAP）、精确率和召回率分别达到97.23%、97.63%和93.66%,检测速度为69.39f/s,与Faster R-CNN、SSD、YOLO v3、YOLO v4、YOLO v5s、YOLO v7-S、YOLO v8n、RT-DETR-R50模型在验证集上进行性能比较,其平均精度均值（mAP)分别提高14.50、26.58、3.88、2.40、1.58、0.16、0.07、0.86个百分点。此外,改进的M-YOLO v7-SCSN+F模型内存占用量与YOLO v8n和RT-DETR-R50检测模型对比减少16.47、13.30MB。本文提出的检测模型对成熟期香梨具有很好的目标检测效果,为背景颜色相近小目标检测提供参考,可为香梨自动化采摘提供有效的技术支持。     

基于坐标注意力机制和YOLO v5s模型的山羊脸部检测方法

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次,在YOLO v5s的主干网络融入坐标注意力机制,以充分利用目标的位置信息,提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明,改进YOLO v5s模型的检测精确率为95.6%,召回率为83.0%,mAP_0.5为90.2%,帧速率为69 f/s,模型内存占用量为13.2 MB;与YOLO v5s模型相比,检测精度提高1.3个百分点,模型所占内存空间减少1.2 MB;且模型的整体性能远优于Faster R-CNN、YOLO v4、YOLO v5s模型。此外,本文构建了不同光照和相机抖动的数据集,来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位,为动物精细化养殖时目标检测识别提供了检测思路和技术支持。     

基于改进YOLO v5的皮蛋裂纹在线检测方法

为了解决裂纹皮蛋分选中存在的效率低、人力成本高等问题,提出了一种基于改进YOLO v5的皮蛋裂纹在线检测方法。使用EfficientViT网络替换主干特征提取网络,并采用迁移学习对网络进行训练,分别得到YOLO v5n＿EfficientViTb0和YOLO v5s＿EfficientViTb1两个模型。YOLO v5n＿EfficientViTb0为轻量化模型,相较于改进前参数量减少14.8%,浮点数计算量减少26.8%;YOLO v5s＿EfficientViTb1为高精度检测模型,平均精度均值为87.8%。采用GradCAM++对模型可视化分析,得出改进模型减少了对背景区域的关注度,证明了改进模型的有效性。设计了视频帧的目标框匹配算法,实现了视频中皮蛋的目标追踪,依据皮蛋的检测序列实现了对皮蛋的定位和裂纹与否的判别。轻量化模型的判别准确率为92.0%,高精度模型的判别准确率为94.3%。研究结果表明,改进得到的轻量化模型为运算能力较差的皮蛋裂纹在线检测装备提供了解决方案,改进得到的高精度模型为生产要求更高的皮蛋裂纹在线检测装备提供了技术支持。     

基于Jetson Nano+YOLO v5的哺乳期仔猪目标检测

针对仔猪个体小、易被遮挡且仔猪目标检测方法不易在嵌入式端部署等问题,提出一种适用于Jetson Nano端部署的哺乳期仔猪目标检测方法,在准确检测哺乳期仔猪目标的同时,使模型实地部署更加灵活。使用哺乳期仔猪图像建立数据集,数据量为14000幅,按8∶1∶1划分训练集、测试集和验证集。利用深度学习网络提取哺乳期仔猪特征,构建仔猪目标检测模型。融合推理网络中的Conv、BN、Activate Function层,合并相同维度张量,删除Concat层,实现网络结构量化,减少模型运行时的算力需求。将优化后模型迁移至Jetson Nano,在嵌入式平台进行测试。实验结果表明,在嵌入式端,量化后YOLO v5中4种模型的单帧图像平均运行时间分别为65、170、315、560ms,检测准确率分别为96.8%、97.0%、97.0%和96.6%,能够在Jetson Nano设备上对哺乳期仔猪目标实现精准检测,为仔猪目标检测的边缘计算模式奠定基础。     

喷雾模型的发展及其在内燃机CFD中的应用

喷雾模型是内燃机CFD软件中重要的组成部分,而喷雾模型是由多种子模型组成的。正确设定喷嘴出口的边界条件和选择恰当的喷雾子模型成为成功分析和优化柴油机和汽油机高压喷雾的先决条件。本文主要讨论了喷嘴流动模型、液膜雾化模型和喷雾碰壁模型在CFD软件中的应用现状。     

基于灰色理论及BP神经网络的尿素水解预测模型研究

研究根据室内尿素水解试验资料,建立了以温度、水分、时间为输入因子,尿素态氮含量为输出因子,拓扑结构为3-2-1的BP神经网络预测模型,以及Verhulst灰色预测模型和零级动力学模型,并分析比较了三种模型的预测效果。结果表明:3种预测模型均能满足模拟精度要求,所建立BP神经网络模型模拟值与实测值的平均相对误差、相关系数和决定系数分别为2.39%、0.992 4和0.984 5,具有较高的预测精度和良好的稳定性,并且模拟效果明显优于Verhulst灰色预测模型和零级动力学模型,可以较好地描述尿素水解动态变化过程,为尿素水解定量研究提供了精确的科学依据。     

陕西关中冬油菜生长发育不同模型模拟精度研究

在陕西关中地区进行了连续6年(2009年9月—2015年5月)的冬油菜非充分灌溉试验,利用STICS、DSSAT和APSIM 3种不同模型对冬油菜物候期和产量等进行模拟,比较了3种不同模型的模拟精度。结果表明,3种模型中STICS模拟精度最高,平均RARE为3. 24%,APSIM模型次之,平均RARE为8. 79%,DSSAT模型最差,平均RARE为11. 38%。其中STICS模型对物候期和产量的模拟精度均为最高,DSSAT模型对物候期的模拟精度高于APSIM模型,而APSIM模型对产量相关指标的模拟精度高于DSSAT模型。由于2012—2013年生育期内降水量较低,3种模型的模拟精度均较低,说明3个模型对干旱胁迫条件下的作物生长模拟均存在一定不足。综合比较,STICS模型的模拟精度高于DSSAT和APSIM模型,因此推荐STICS模型为关中地区冬油菜生长发育和产量形成模拟的适宜模型。     

农业模型发展分析及应用案例

农业模型、农业人工智能及数据分析等技术贯穿于智慧农业的信息感知、信息传输、信息处理与控制全过程,是智慧农业的核心技术。为进一步明晰农业模型的内涵和作用,促进农业模型进一步研究及应用,推动智慧农业健康、稳定和可持续发展,本研究采用系统分析、比较及关系框图等方法,分析了农业模型的内涵,阐述了农业模型和智慧农业要素与过程的关系,明确了农业模型的作用并附以应用案例,比较了农业模型的国内外重要发展动态与趋势。国内外农业模型研究与应用重要进展比较表明,农业模型研究应用需要考虑农业生物要素的4个水平、农业环境要素的6个尺度、农业技术与农业经济要素的6个层次并采用相应方法进行,农业模型环境要素空间多尺度研究应用有较大发展潜力;农业模型与分子遗传学、感知技术及人工智能技术结合,农业模型研究应用的公私有组织协作,粮食安全挑战将成为农业模型进一步发展的重要推动力,且需更注重将各种农业系统模拟、数据库、和谐性与开放数据及决策支持系统相连接。中国农业模型研究与应用已形成具有中国特色的作物模型系列,也融入农业模型的互比较与改进、智慧农业等世界潮流,需要抢抓机遇,加快发展。农业模型是农业系统要素内及要素间关系的定量化表达,是农业科学定量与综合的重要方法,具有认识论价值,它与感知技术的结合可以在智慧农业数据获取与处理中发挥不可或缺的作用,成为信息农业技术落地应用的重要桥梁和纽带。     

作物水分与产量关系的综合模型

对描述作物耗水量与产量关系的二次函数关系模型和詹森模型 ,通过水量的当量变换 ,把描述同一生产过程的二个模型统一到一个模型内 ,这个模型具有二者的优点。该模型可以把对水量的优化转化为对土壤含水率的优化 ,而土壤含水率是一个可以随时监测和控制的因素 ,所以在应用上具有现实指导意义。     

Shuttleworth-Wallace模型模拟陕北枣林蒸散适用性分析

在生态脆弱的陕北黄土丘陵区,林地耗水是生态学者长期关注的热点问题,准确测算植物耗水量是环境水分研究的关键。根据陕北山地枣林的立地条件和蒸散过程特点,结合2012年的实测资料,确定了相关模型参数,实现了Shuttleworth-Wallace(SW)和Penman-Monteith(PM)模型对枣林蒸散量的模拟,并利用2013年茎流计监测的蒸腾量和水量平衡原理推求的蒸散量,对这2个模型进行了比较和检验。结果表明:就整个枣树生育期10 d尺度蒸散量而言,SW模型模拟精度优于PM模型。此外,2模型精度随枣树生育期变化而变化,且萌芽展叶期精度均最低。SW模型日蒸腾量模拟精度满足要求,但易受到天气状况影响,晴天模型精度优于雨天。SW模型精度在陕北山地枣林里得到验证,是半干旱区山地枣林耗水规律研究的有效工具。     

基于格子玻尔兹曼法的TOPMODEL建模与应用

依据Freeze和Harlan的水文模型蓝图思想改进TOPMODEL,在模型构建过程中利用格子玻尔兹曼法(LBM)建立汇流过程的数值模型,采用达西公式数值模型求解饱和区土壤水运动方程,运用LBM法五速模型求解非饱和区理查兹运动方程,进而构建基于栅格的分布式LBMGTOPMODEL。模型的产流方法融合了蓄满产流理论和超渗产流理论,考虑了土壤水分剖面、土壤各向异性和地形坡度等对流域产流的影响;模型的汇流方法利用地貌水文学理论,寻求水文过程与流域地形地貌的相互作用及定量关系,此模型在汇流过程中将地貌因素与水动力扩散相结合以描述坡面水流运动,解决了坡面水流的流量分配问题。以中汤流域为对象进行水文模拟应用研究,验证得到确定性系数在0.547~0.883之间,平均值为0.725,结果良好,说明模型较为可靠。     

三种作物水分生产函数模型的适用性比较

通过幂级数展开等代数变换发现,3种作物水分生产函数Jensen模型、Rao模型和Stewart模型可以近似相互转化,其各自水分敏感指数近似等价。通过在各阶段均匀受旱的特殊情况下对模型模拟的相对产量随相对蒸散发量变化过程的对比,从理论上分析了3个模型的适用性。研究发现,当作物受旱较轻微时,Rao模型和Stewart模型与Jensen模型统一具有较好模拟效果,但是当作物受旱较严重时,Rao模型和Stewart模型的模拟效果不好。通过不同气候区域不同作物田间试验的数据进行了验证计算,由于水分亏缺不十分严重,参数优化后3个模型都具有较好模拟效果,而Jensen模型模拟效果更好一些,优化得到的3种模型水分敏感指数近似相同,而采用Jensen模型水分敏感指数后,Rao模型和Stewart模型的模拟效果稍有降低。     

物理模型构建在教学中的重要性探讨

物理是研究自然界物质的基本结构、基本运动形式及相互规律的学科.现在物理试题已结合生产实践活动,学生在解决这类题目时需要把一个复杂的实际问题转化为物理过程,即物理模型的构建.物理模型能使复杂问题得到简化处理,还可利用模型训练学生发散的逻辑思维、帮助学生建立正确的求解思路. 可见,教学过程中物理模型构建的重要性.     

Field installation of a model for transient simulation of canal flow

A computerized hydraulic model developed at Utah State University was installed at a large-scale irrigation project in Northeast Thailand with the objective of improving water management in the supply and distribution system. The model was calibrated for measured field conditions by determining discharge coefficients for flow control structures, measuring seepage loss rates, and calculating hydraulic roughness coefficients. The logistical and technical problems associated with the model installation, and the respective solutions, are presented in this paper.