基于改进YOLOv5s模型的山地果园单轨运输机搭载柑橘的检测

由于山地果园运输机立地条件差,实时作业信息的获取、反馈、集中化管理较为困难,为了解7SYDD–200型山地果园单轨运输机搭载货物情况,合理调度运输装备,建立了基于改进的YOLOv5s模型的运输机搭载柑橘果筐的检测方法：在果园自然光环境下使用RGB相机(HSK–200)采集运输机搭载柑橘果筐的图像数据;建立和优化YOLOv5s模型,部署至嵌入式设备,实现对搭载过程中的“空果筐”“柑橘”“满果筐”状态的检测。在模型的颈部网络引入CBAM注意力机制,加强模型提取语义信息的能力,解决检测过程中出现的“双重标签”的问题,使用批归一化(BN)层稀疏的尺度因子衡量各通道对模型的表征能力,并对表征能力弱的通道进行剪枝压缩,以克服基模型YOLOv5s检测速度慢的问题,通过多尺度训练策略对模型进行微调,提高模型检测准确率。试验结果表明：改进YOLOv5s模型的检测方法在柑橘搭载数据集上平均精度均值(m AP)为93.3%;模型的浮点数运算量和大小分别为9.9GFLOPs和3.5 MB,比YOLOv5s的提高60.3%和21.3%;在嵌入式平台Jetson Nano部署,其检测速度为78 ms/帧。     

基于边缘计算与改进YOLOv5的群养生猪姿态识别及跟踪研究

针对现有生猪检测跟踪算法参数量多、网络相对复杂、计算量大，不利于部署在嵌入式边缘节点的问题，文章提出一种改进YOLOv5s识别算法，结合DeepSort算法，适用于嵌入式边缘计算部署的群养生猪多目标识别跟踪算法。该算法在YOLOv5s主干网络中引入空洞卷积替代普通卷积，降低网络中参数量与计算量；添加CA协调注意力机制使模型锁定重点关注候选区域，提升模型精确度；对YOLOv5s算法主干网络中BN层进行不同比例剪枝操作，减少模型计算量，最后得到最优识别模型。将优化后识别模型结合DeepSort组成Tracking By Detecting算法并移植到Jetson AGX Xavier边缘计算节点中进行试验测试。结果表明，改进的YOLOv5s相较于YOLOv5s模型减少65.3%，模型识别精确度达到96.6%，跟踪消耗时间46 ms左右，跟踪帧率约21.7帧·s-1。研究改进识别跟踪算法可满足在嵌入式边缘计算节点中稳定实时运行，加速推进深度学习算法在畜牧养殖业中的实际应用，为后期生猪预警疾病及其应对措施奠定基础。     

基于YOLOv5改进模型的柑橘果实识别方法

为实现在自然环境下对柑橘果实的识别,提出一种基于YOLOv5改进模型的柑橘识别方法。通过引入CBAM（convolutional block attention module,卷积注意力模块）注意力机制模块来提高网络的特征提取能力,改善遮挡目标与小目标的漏检问题;采用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数,提高边界框定位精度。结果显示：本研究提出的模型平均精度AP值达到91.3%,在GPU上对单张柑橘果实图像的检测时间为16.7 ms,模型占用内存为14.5 Mb。结果表明,本研究基于YOLOv5的改进算法可实现在自然环境下快速准确地识别柑橘果实,满足实时目标检测的实际应用需求。     

基于区域卷积神经网络模型的广西柑橘病虫害识别方法研究

【目的】研究基于区域卷积神经网络(R-CNN)模型的广西柑橘病虫害识别方法,为提高柑橘重要病症分类和病理检测效率提供参考依据。【方法】设计专用R-CNN模型,采用多层神经网络,通过机器学习算法和神经网络对柑橘黄龙病、红蜘蛛感染和溃疡病等广西柑橘主要病症特征图像进行识别,分析其准确率和空间复杂度。【结果】R-CNN模型对广西柑橘黄龙病的平均识别准确率为95.30%,对红蜘蛛感染的平均识别准确率为90.30%,对溃疡病的平均识别准确率为99.10%,均优于传统机器学习方法中支持向量机算法(SVM)的平均识别准确率(分别为93.20%、88.20%和95.20%),分类效果也优于小型神经网络模型如视觉几何组网络(VGG-19)模型,平均识别准确率分别提高4.25%、4.62%和2.55%。R-CNN模型在较少神经元参数(33层卷积网络)情况下,空间复杂度比SVM和VGG-19模型低,能获得更佳的柑橘黄龙病、红蜘蛛感染和溃疡病识别效果。【结论】R-CNN模型识别是一种对柑橘黄龙病、红蜘蛛感染和溃疡病行之有效的鉴别方法,可在广西柑橘果园大量部署和应用。     

基于混合注意力机制和云数据平台的蝗虫识别系统研究

为帮助农林业解决自然条件下蝗虫目标小、识别精度低、虫情数据掌握不及时的问题，减少农林业生产损失，现以深度学习为基础，提出一种改进的YOLOv4-tiny蝗虫目标识别模型。首先针对蝗虫目标小的特点，为提升模型在复杂背景下的细节特征提取能力和小目标识别能力，分别在加强特征提取网络的输入位置和第一次卷积结果输出位置添加混合注意力机制CBAM(convolutional block attention module);然后针对以往虫情识别无实时数据传输的问题，通过对模型的YOLO Head预测模块修改，嵌入云数据平台，实现模型对蝗虫虫情即时云端数据存储与解析功能；最后将改进后的模型移植到Jetson Xavier NX嵌入式设备，使用TensorRT加速神经网络的推理，设计了一套便携式蝗虫识别系统。试验结果表明，在自制数据集下，改进后的模型平均精度达到94.69%,在嵌入式设备上的实时检测速度达到28FPS,模型大小仅为23.6 MB。该系统的研发可为农林业蝗虫虫情识别提供新思路。     

基于边缘设备的轻量化小目标果实检测模型

【目的】随着计算机视觉和智慧农业的快速发展,果实检测技术已成为研究热点。然而在果园实际应用场景中,存在模型计算量大、目标果实尺度小的问题,导致模型难以在边缘设备上实时运行且小目标果实检测精度低,因此文章通过改进Yolov3模型,设计并实现一种轻量化小目标果实检测模型RegNet-Yolov3,能够在边缘设备上实时运行并实现高精度果实检测。【方法】该模型通过构建轻量化特征提取网络,有效降低模型参数计算量,满足在边缘设备上实时运行要求;并针对柑橘果实小尺度特点,通过添加浅层网络检测分支优化模型小目标检测性能,提升检测精度。【结果】将模型部署在边缘设备Jetson TX2 nano上进行测试,模型m AP值和网络推理速度分别为96.0%和122 ms,均优于原先Yolov3网络测试结果。【结论】实验结果表明,该研究模型能够实现在保持较高检测精度下,在边缘设备Jetson TX2 nano上实时运行,满足果园作业平台果实检测工作。     

基于模型剪枝改进FCOS的实时柑橘检测研究

为实现快速实时的柑橘视觉检测,提出了一种基于模型剪枝的多维度特征Slim-FOCS逐像素目标检测算法,可实现自然环境下成熟柑橘高效快速检测。使用FCOS模型架构,选用Darknet 19作为模型主干网络,设计FPN多尺度特征提取网络融合柑橘图像不同尺度的特征,加强主干网络中的视觉特征提取。初训练完成后进行模型剪枝,将每一层的权重以通道(channel)为基准计算特征的L2 normalization,将小于30%的通道删除后进行模型微调。对柑橘图像进行检测并分析模型,检测结果表明,对柑橘检测的准确率(mAP)达到96.01%,模型所需的计算力(Flops)为0.88G,参数占用内存为29.79MB,相比于剪枝前分别减少了1.878 G、24.86MB。对单张图片在CPU的检测速度达到22.9ms·张~(-1)。     

基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究

目的 解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。方法 首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用Mixup算法建立样本之间的线性关系,增强模型识别数据样本的鲁棒性;然后,迁移Xception网络在ImageNet数据集上的先验知识,提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型-X-ResNeXt模型;最后,采用动量梯度下降优化方法,有效地减缓震荡影响,并且有效地加速模型向局部最优点收敛。结果 采用数据扩增数据集训练的X-ResNeXt模型准确率可以达到91.38%;在进行迁移学习优化后,训练时间减少了432 s,准确率提升为91.97%;结合Mixup混类数据增强进一步训练,模型准确率提升为93.74%;最后,利用动量梯度下降方法进行模型收敛优化,最终模型的准确率达到94.29%,比Inception-V3和Xception网络分别提高了3.98%和1.51%。结论 在数据量较少情况下,降低模型复杂度并迁移已有先验知识,有助于模型性能提升;Mixup混类数据增强方法有利于提高模型识别柑橘黄龙病果实图像样本的适应性,提升柑橘黄龙病果实识别模型性能;X-ResNeXt模型在准确率与召回率指标上优于经典识别模型,可为柑橘黄龙病的高精度、快速无损识别提供参考。     

基于深度学习的苹果树侧视图果实识别

【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。     

面向小麦生育进程监测的卷积神经网络精简化研究

目前,利用机器视觉进行小麦生育进程监测主要是通过人工来进行特征提取,存在客观性差、效率低等问题,为了解决该问题,把深度学习引入到小麦生育进程监测研究中。卷积神经网络作为深度学习中常用的算法被广泛应用于图像分类任务中,使用深层的特征提取网络能够自动识别和提取图像特征,但常规深度卷积网络带来的大量参数和计算开销使这些算法难以应用到对存储空间和参数量有一定限制的嵌入式设备中。为此提出将知识蒸馏方法用于目标检测网络的特征提取网络,以提升浅层特征提取网络的性能,在降低模型的计算量和模型大小的同时尽可能地保证识别结果的准确性。通过使用ResNet50、VGG-16这2个不同教师网络分别指导学生模型MobileNet进行训练,试验结果表明,当ResNet50作为教师模型、MobileNet作为学生模型时识别效果最好,学生模型MobileNet的平均识别准确率达到了97.3%,模型大小压缩为仅19.7 MB,相比于ResNet50缩小了88.9%,通过知识蒸馏的方法,使得到的模型能够在提高准确率的情况下还能减少网络模型的参数量和模型运行时间的消耗,大幅降低部署模型的成本,可以为田间小麦智慧化生产提供技...     

基于迁移学习和数据增强的小样本柑橘缺陷检测研究

小样本目标检测旨在通过少量样本实现对图像中目标的识别和定位。目前针对柑橘缺陷的小样本数据集进行的检测较少,本文提出了使用数据增强和迁移学习来对小样本柑橘的缺陷类型进行检测的方法,采用旋转、裁剪和高斯模糊进行数据增强来扩充数据集,与使用迁移学习方法进行对比。实验表明：迁移学习方法中最优算法是FRCN ft-full,基于该算法的20-shot任务的mAP值为67.823%;在基于数据增强的方法中使用Faster R-CNN算法的mAP值达到了84.7%,使用YOLOv8算法的mAP是85.3%,YOLOv8算法略优于Faster R-CNN算法。迁移学习方法增强了检测模型的泛化能力,加快了模型的收敛速度;数据增强方法有效扩充了数据集,提升了小样本柑橘缺陷检测模型的准确性。     

基于可见/近红外光谱的柑橘糖度在线检测分选系统的设计与试验

在6GF–4型林果无损检测与分选成套设备中,设计了基于可见/近红外光谱的柑橘糖度在线检测分选系统,系统主要包括传输装置、光谱采集装置、控制系统以及分选装置。系统在柑橘果实运动状态中采集其光谱信息,并通过所建立的果实糖度模型进行同步计算,根据所得糖度值对柑橘果实实现在线分选。在光谱采集装置中设计了双透镜式光路,可改变投射于柑橘果实上的光斑大小,通过研究比较试验参数积分时间和光斑尺寸大小,得出系统的最佳采集参数为积分时间100 ms,光斑尺寸设置为小,样本移动速率为5个/s。建立的SPXY–CARS–PLSR柑橘糖度在线检测模型校准集和预测集的决定系数分别为0.938和0.836,校准集和预测集的均方根误差分别为0.273°Brix和0.418°Brix。使用未参与建模的25个柑橘果实样本进行外部验证集的在线检测和分选,结果在1°Brix的误差范围内,检测糖度的准确率为92%;当样本分为4个等级时,系统分选正确率为92%;当样本分为3个等级时,系统分选正确率可达100%。     

基于内容和支撑向量基算法的微博用户识别和分类

基于微博内容对用户进行分类,为建设健康绿色的社交平台提供技术参考。改进支撑向量基算法(SVM)实现多分类支持向量基模型,基于微博内容将用户分为4类,利用新浪微博API使用网络爬虫获取微博内容数据;然后对文本进行分词降维和特征词权重计算;最后设计一个微博内容实时爬取和识别系统,实现了基于支撑向量基算法的水军实时检测。研究结果表明,提出的方法能够成功识别出正常用户和3类水军。     

基于改进 YOLOX 模型的柑橘木虱检测方法

【目的】黄龙病被称为柑橘的“癌症”，是一种毁灭性病害，而木虱是黄龙病传播的主要媒介， 对木虱的监测和精准消杀是防控黄龙病及抑制其传播的一种有效途径。【方法】传统方式消灭木虱主要是靠人 工喷洒药物，人力成本高但防控效果并不理想。采用基于改进 YOLOX 的木虱边缘检测方法，在主干网络加入卷 积注意力模块 CBAM（Convolutional block attention module），在通道和空间两个维度对重要特征进行进一步提取； 将目标损失中的交叉熵损失改为使用 Focal Loss，进一步降低漏检率。【结果】本研究设计的算法契合木虱检测 平台，木虱数据集拍摄于广东省湛江市廉江红橙园，深度适应农业农村实际发展需要，基于 YOLOX 模型对骨干 网络和损失函数做出改进实现了更加优秀的柑橘木虱检测方法，在柑橘木虱数据集上获得 85.66% 的 AP 值，比 原始模型提升 2.70 个百分点，检测精度比 YOLOv3、YOLOv4-Tiny、YOLOv5-s 模型分别高 8.61、4.23、3.62 个 百分点，识别准确率大幅提升。【结论】改进的 YOLOX 模型可以更好地识别柑橘木虱，准确率得到提升，为后 续实时检测平台打下了基础。     

面向钻蛀振动实时侦听的深度学习模型压缩

  目的   基于深度学习的钻蛀振动识别模型结合边缘计算可实现林业蛀干害虫钻蛀振动长期监测和实时预警,但要求大幅压缩智能识别模型的参数量和运算量。本研究采用深度学习模型压缩算法,在不损失精度的前提下,对已有的钻蛀振动识别模型进行压缩,减小模型的体积并提升模型在嵌入式平台的识别速度。   方法   首先采集双条杉天牛钻蛀振动和背景噪声两类信号训练人工设计的5层卷积神经网络BoringNet,得到钻蛀振动识别模型;然后分别使用不同裁剪率的滤波器裁剪、模型量化、多目标知识蒸馏对钻蛀振动识别模型进行压缩;最后设计上述压缩算法的组合策略,联合使用3种算法对蛀振动识别模型进行压缩,探究多种组合的模型压缩效果。   结果   3种模型压缩算法组合,裁剪率为60%时模型达到最优,此时模型计算量和参数量分别从原模型的18.06 ×106次和0.54 ×106个降低为3.01 ×106次和0.09 × 106个,模型体积从2 200 kB压缩至134.9 kB,树莓派3B+上的识别时间由原模型的9.04 ms降低至1.65 ms,而模型精度仍能达到99.29%,提升了0.5%。   结论   本研究的深度学习模型压缩方法,可以针对钻蛀振动侦听场景大幅压缩模型参数量和运算量,在保证准确率的前提下实现嵌入式平台的实时识别,促进钻蛀振动识别模型从工作站试验到野外实地部署的转变,为钻蛀振动识别的边缘计算奠定基础。      

基于改进YOLOX的自然环境下核桃识别算法研究

针对现有目标检测算法对自然环境下核桃识别存在漏检、误检等问题,提出了一种基于Swin Transformer多层特征融合改进的YOLOX-S核桃识别算法。首先,在主干特征提取网络中引入基于Swin Transformer的多层特征融合模块,借助Swin Transformer的多头注意力机制对小目标的特征信息进行提取并与特征图进行融合,可以有效解决因网络层数加深导致的高层特征图中小目标特征信息丢失问题;其次,为了提高算法的检测精度,引入更高效的Repblock模块对原网络中的CSP模块进行替换;最后,为了提高下采样效果,使用更为优秀的Transition Block模块作为主干特征提取网络的下采样模块。结果表明,改进后的YOLOX-S模型在采集的自然环境下核桃数据集上平均精度AP50达到96.72%,分别比Faster-RCNN、YOLOv5-S、YOLOX-S算法提高7.36、1.38、0.62百分点,检测速度达到46 f/s,模型参数大小为20.55 M。改进后的YOLOX-S算法具有更好的精度,改善了漏检和误检问题,对自然环境下的核桃有更好的识别效果。     

基于改进ShuffleNet V2的柑橘病害识别研究

大型卷积神经网络因模型复杂难以部署于实际应用,而轻量级网络因优化模型结构而导致精度往往不如前者理想。针对上述问题,对ShuffleNet V2进行改进,提出一种轻量化MAM-ShuffleNet柑橘病害识别模型。首先,在ShuffleNet V2中引入混合注意力模块（Mixed attention module,MAM）,提升模型对病害特征提取能力。其次,利用Ghost模块优化网络中卷积层,有效降低网络模型参数量和计算成本。最后,调整网络结构中ShuffleNet V2单元堆叠次数,进一步简化网络参数。结果表明,在自建柑橘叶片数据集中,MAM-ShuffleNet模型平均识别准确率达到97.7%;与原始ShuffleNet V2相比,其参数量降低了45.7%,识别准确率提升了1.2百分点;综合性能明显优于ResNet50、DenseNet121等模型。     

基于改进YOLOv4算法的苹果叶片病害检测方法

准确识别苹果叶片病害种类以进行及时防治对于苹果增量增产具有重要的意义,为解决同时检测苹果叶片多种病害目标结果不准确的问题,提出一种改进的YOLOv4目标检测算法(MC-YOLOv4)对苹果叶片常见的5种病害(斑点落叶病、褐斑病、灰斑病、花叶病、锈病)进行检测。为方便迁移到移动终端,首先,该算法将YOLOv4网络结构中的主干特征提取网络CSPDarknet53换成了轻量级的MobileNetV3网络,并在加强特征提取网络结构中引入深度可分离卷积代替传统卷积;其次,为提高检测精度,将卷积注意力机制模块CBAM融合至PANet结构中,可增强对有用特征信息的提取;最后,为了使锚框更适应本研究的数据集,通过K-means聚类算法将模型的锚框信息更新。结果表明,MC-YOLOv4模型在检测中的平均精度为97.25%,单张图像平均检测时间为13.3 ms,权重文件大小为55.5 MB。MC-YOLOv4模型对于同时检测苹果叶片多种病害目标的问题上具有识别速度快、识别精准度高、可靠性强等特点,该研究为苹果叶片的病害检测提供了一种更优的方法,有助于实现精准施药,提高苹果的产量和品质。     

基于YOLOV4模型的果园樱桃实时检测研究

为解决在自然环境下对樱桃不同生长时期的状态监测受环境影响存在目标识别困难、检测准确率低的问题,提出了一种基于CSPDarknet53改进的卷积神经网络樱桃分类检测模型。经典YOLOV4所使用的特征提取网络层数较深,能够提取更高级的抽象特征,但是对目标局部感知能力较弱,通过在CSPDarknet53网络结构上融合CBAM注意力机制,增强了目标局部特征感知能力,进一步提升目标检测精度,其特征提取和目标检测能力优于原算法,调整特征提取网络的特征层输出,将第三层输出变为第二层输出以增加小目标语义信息的获取,利用k-means算法优化先验框尺寸以适应樱桃目标大小,并进行了消融实验分析。结果表明,改进的YOLOV4樱桃检测模型模型的平均精度达到了92.31%,F1分数达到了87.3%,优于Faster RCNN、YOLOV3和原来的YOLOV4算法,检测速度为40.23幅·s^-1,适用于自然环境下的樱桃监测,为实现果园水果生长状态自动监测提供了理论和技术基础。     

基于轮廓曲率和距离分析的重叠柑橘分割与重建

自然环境下重叠果实的精准识别是智能采摘面临的难题之一。针对自然环境中成熟的重叠柑橘，提出了一种基于轮廓曲率和距离分析的果实分割方法。首先，提取重叠柑橘果实轮廓并进行高斯平滑，通过曲率分析，找出异常的轮廓像素点；其次，依次连接相邻两个异常像素点，分析该线段上的像素点到轮廓的距离，在相邻两正常线段的交点处完成重叠柑橘轮廓分割，并通过寻找异常线段剔除对应的非柑橘轮廓像素点；在此基础上，采用最小二乘椭圆拟合方法，对获取的柑橘目标进行轮廓重建。结果表明：利用该方法所得到的重叠柑橘重建轮廓的平均误差、不重合度和时间分别为4.903%、5.593%、0.408 s，优于Hough变换算法和RANSAC算法，能够满足自然环境下成熟重叠柑橘果实的智能识别需求。