基于奇异谱和相关性分析的木材声发射源直线定位算法研究

针对木材声发射（acoustic emission,AE）信号的随机特性,提出了一种基于奇异谱和信号相关性分析的木材表面AE源直线定位算法。首先,依据ASTM标准通过折断铅芯的方式分别在樟子松和榉木试件表面产生AE源,并在顺纹理方向布置2个AE传感器,其中采样频率设置为500 kHz。然后,采用奇异谱分析（singular spectrum analysis,SSA）算法提高AE信号的信噪比,再分别基于信号相关性和最大值分析2种方法计算AE信号在木材表面顺纹理方向的传播速度。最后,依据AE信号传播时差和计算速度,基于时差定位原理设计AE源定位算法。并针对SSA处理前后的AE信号,采用不同定位算法进行比较试验。结果表明,直接对原始AE信号采用基于信号相关性和最大值分析方法确定信号传播速度时,樟子松试件2个不同位置AE源的定位误差分别为51.8%、55.7%和75.7%、46.6%;榉木试件2个不同位置AE源的定位误差分别为52.0%、44.8%和37.7%、45.5%。而对于经SSA处理后的AE信号,樟子松试件相应的定位误差分别为5.1%、33.2%和2.6%、31.7%;榉木试件相应的定位误差分别为3.1%、54.9%和5.1%、22.9%。因此,对原始AE信号进行SSA降噪处理后,再基于信号相关性分析方法确定信号传播速度,能够显著提高木材表面AE源的定位精度。     

基于改进YOLO v3的自然场景下冬枣果实识别方法

为实现自然场景下冬枣果实的快速、精准识别,考虑到光线变化、枝叶遮挡、果实密集重叠等复杂因素,基于YOLO v3深度卷积神经网络提出了一种基于改进YOLO v3（YOLO v3-SE）的冬枣果实识别方法。YOLO v3-SE模型利用SE Net 的SE Block结构将特征层的特征权重校准为特征权值,强化了有效特征,弱化了低效或无效特征,提高了特征图的表现能力,从而提高了模型识别精度。YOLO v3-SE模型经过训练和比较,选取0.55作为置信度最优阈值用于冬枣果实检测,检测结果准确率P为88.71%、召回率R为83.80%、综合评价指标F为86.19%、平均检测精度为82.01%,与YOLO v3模型相比,F提升了2.38个百分点,mAP提升了4.78个百分点,检测速度无明显差异。为检验改进模型在冬枣园自然场景下的适应性,在光线不足、密集遮挡和冬枣不同成熟期的情况下对冬枣果实图像进行检测,并与YOLO v3模型的检测效果进行对比,结果表明,本文模型召回率提升了2.43~5.08个百分点,F提升了1.75~2.77个百分点,mAP提升了2.38~4.81个百分点,从而验证了本文模型的有效性。     

基于迁移学习和双线性CNN的细粒度菌菇表型识别

为了对细粒度菌菇进行表型识别,在双线性卷积神经网络细粒度图像识别框架基础上,提出了一种基于迁移学习和双线性Inception-ResNet-v2网络的菌菇识别方法。利用Inception-ResNet-v2网络的特征提取能力,结合双线性汇合操作,提取菌菇图像数据的细粒度特征,采用迁移学习将ImageNet数据集上预训练的模型参数迁移到细粒度菌类表型数据集上。试验表明,在开源数据集和个人数据集上,识别精度分别达到87.15%和93.94%。开发了基于Flask框架的在线菌类表型识别系统,实现了细粒度菌菇表型的在线识别与分析。     

基于多源信息融合的中文农作物病虫害命名实体识别

随着农作物病虫害研究文献的快速增长,对农作物病虫害领域文献进行文本挖掘变得越来越重要。开发有效、准确的农作物病虫害命名实体识别系统有助于在农作物病虫害相关研究报告中提取研究成果,为农作物病虫害的治理提供有效建议。本文针对中文农作物病虫害数据集缺失问题,提出了基于半远程监督的停等算法,利用该算法构建中文农作物病虫害领域语料库,大幅度减少标注过程的人工成本和时间成本;同时,提出了中文农作物病虫害命名实体识别模型（Agricultural information extraction, Agr-IE）,该模型基于BERT-BILSTM-CRF,辅以多源信息融合（多源分词信息和全局词汇嵌入信息）丰富字符向量,使其充分结合字符级与词汇级的信息,以提高模型捕捉上下文信息的能力。实验表明,该模型可以有效地识别病害、虫害、药剂、作物等实体,F1值分别为96.56%、95.12%、94.48%、95.54%,并对识别难度较大的病原实体具有较好的识别效果,F1值为81.48%,高于BERT-BILSTM-CRF、BERT等模型的相应值。本文所提模型在MSRA和Weibo等其他领域数据集上与CAN-NER、Lattice-LSTM-CRF等模型进行了对比实验,并取得最佳的识别效果,F1值分别为95.80%、94.57%,表明该算法具有一定的泛化能力。     

基于深度学习和图像处理的水果收获机器人抓取系统

首先,介绍了水果收获机器人抓取系统的总体架构;然后,利用深度学习对水果目标识别进行了研究,实现了一套基于卷积神经网络的目标检测算法;接着,利用图像处理技术实现了对目标物体定位的功能,可以引导水果收获机器人完成对目标水果的采摘。实验结果表明:水果收获机器人抓取系统对水果坐标的计算误差较小,且具备较强的水果识别和定位能力。     

基于绿波控制的道路连续交叉口配时优化

基于现实路段中存在的信号配时不合理的现状,利用绿波控制的思想,结合道路实际情况,将相邻的3个交叉口作为一个系统,利用韦伯斯特配时方法统一优化配时,利用图解法确定合适的相位差,最终得到合理的配时方案。通过仿真软件模拟分析,比较优化前后主干道通行情况,验证了配时方案的优越性。     

改进RetinaNet的刺梨果实图像识别

为实现加工车间刺梨果实的快速识别,提出一种基于改进的RetinaNet刺梨果实图像的识别方法。基于RetinaNet的模型,对RetinaNet框架中Focal loss的bias进行改进,使其能根据不同的情况控制bias的取值,再运用维度聚类算法找出Anchor的较好尺寸并匹配到相对应的特征层,对卷积神经网络结构进行优化。通过改进RetinaNet目标检测算法对7426幅刺梨果实图像进行检测识别,并与原始RetinaNet目标检测算法对比。试验结果表明:改进的RetinaNet网络模型识别方法对6类刺梨果实的识别率分别为99.47%、91.42%、96.92%、90.92%、96.89%和93.53%,平均识别率为94.86%;相对于原始RetinaNet目标检测算法,改进算法的识别准确率提高4.21%,单个刺梨果实检测时间由60.99 ms缩减到57.91 ms,检测时间缩短5.05%。本文改进算法对加工车间刺梨果实的识别具有较高的正确率和实用性。     

基于Xception-CEMs神经网络的植物病害识别

随着深度学习技术与农业的密切融合,越来越多的研究将深度学习技术用于农业病虫害检测,提高农产品产量和质量。本文提出一种新颖的基于Xception模型的植物病害识别方法。了解到植物病害图像会受到不确定环境因素的干扰而减小图像信息。在Xception的基础上,提出一种新的通道扩增模块,采用带有通道分配权重的多尺度深度卷积与组卷积结合,增强空间和通道的特征提取效率;在网络中采用通道扩张-保持-再扩张-压缩的新策略,进一步优化通道特征提取;引入密集连接方式,提高在同尺寸的特征图之间特征重用。试验数据集由10种不同植物的50类图像组成,分别包括10种健康植物和27种病害,其中对13种病害进行了两种程度的分类。本文的方法在这些类别上可以获得91.9%的准确率,88.7%的精确率,82.45%的召回率以及85.33%的F1值。本文的算法有更小的模型复杂度和参数量,计算量为29.33 M,为Xception的66.4%。参数量为14.05 M,为Xception的66.9%。因此,Xception-CEMs能够有效对病虫害进行识别,有利于农业智能化发展。     

基于迁移学习和金字塔卷积网络的河蟹个体图像识别方法研究

针对目前河蟹追溯成本高、消费者无法细粒度地追溯单体河蟹信息等问题,提出一种基于迁移学习和金字塔卷积的河蟹背甲图像个体识别算法。该算法使用金字塔卷积层替换普通残差卷积块构建网络模型,可以从蟹背图像中提取多尺度、深层次的特征信息。结果显示:采用金字塔卷积结构的Resnet34和Resnet50的准确率分别为98.38%、98.51%,与使用普通卷积层的模型相比,准确率提升5.49%、1.3%,而当模型深度达到101层时,模型性能不再明显提升。与使用金字塔卷积结构的全新学习模型相比,迁移学习方法的训练收敛迭代轮次从20轮降低至5轮,此时模型准确率为98.88%,较全新学习的准确率提升0.37%,同时弥补了样本量较少的问题。该研究为河蟹个体识别追溯提供了理论依据和技术支持。     

基于水声学方法的嘉陵江中游蓬安段鱼类资源研究

研究嘉陵江中游鱼类资源时空动态特征,了解变化过程及影响因素,提出嘉陵江鱼类资源保护的建议和措施,同时为长江上游及其支流的鱼类资源保护提供基础数据。运用Biosonics DT-X分裂波束科学回声探测仪于2018年7月（夏）、10月（秋）以及2019年1月（冬）、4月（春）对嘉陵江中游蓬安段金溪航电工程干流江段进行了水声学探测,并辅以常规渔获物调查。共采集到鱼类6科38种,其中蛇鮈、鲫、银飘鱼、黄尾鲴等中小型鱼类在数量上占优;鱼类密度分别为春季（0.8296±0.43）、夏季（0.8705±0.38 ）、秋季（0.5082±0.25）、冬季（0.3939±0.13）尾/m3;鱼体平均目标强度分别为春季（-63.15±5.03）、夏季（-52.85±14.45）、秋季（-46.42±15.85）、冬季（-44.77±15.28 ）dB;鱼体平均重量分别为春季0.03、夏季1.08 、秋季11.19 、冬季20.40 g/尾;鱼类资源量分别为春季0.4096、夏季0.2907 、秋季0.3919 、冬季0.5622 kg/m3;坝下鱼类密度显著高于坝上（F=12.67,P<0.05）;坝上（F=7.02,P<0.05）和坝下（F=19.99,P<0.05）3个水层之间的鱼类密度差异显著,中层鱼类密度显著高于上层和下层（P<0.05）,且总体上夏季各水层的鱼类密度要高于其他季节。后续研究应加强对该江段鱼类资源的动态监测,并重点探讨引起鱼类资源动态变化的关键影响因子。