基于多传感器融合的水稻行识别与跟踪导航研究

水稻生产田间管理机械自动跟踪水稻行是提高水稻生产田间管理自动化程度的关键。为避免田间管理机械碾压水稻行,本文融合机器视觉和2D激光雷达信息识别水稻行,并进行水稻行跟踪导航控制。首先分别利用机器视觉和激光雷达提取水稻行中心点,并统一空间坐标和目标区域,再采用稳健回归算法拟合水稻行中心线,获取导航基准线并计算出导航参数。然后设计了预瞄追踪PID控制器,最后搭建了水稻行跟踪导航试验平台并进行试验研究。试验结果表明,跟踪模拟水稻行的曲线导航试验标准差为27.51 mm;跟踪机械移载的水稻行导航试验横向偏差标准差为43.03 mm,航向偏差标准差为3.38°。     

LiDAR单木分割辅助的无人机影像CNN+EL树种识别

为研究激光雷达单木分割辅助条件下无人机可见光图像树种识别应用潜力,提出联合卷积神经网络(CNN)和集成学习(EL)的树种识别方法.首先利用同期无人机激光雷达数据和可见光影像数据进行单木树冠探测并制作单木树冠影像数据集;其次引入ResNet50网络并结合引入有效通道注意力机制、替换膨胀卷积、调整卷积模块层数搭建出4个卷积...     

兽药致病命名实体Att-Aux-BERT-BiLSTM-CRF识别

针对兽药致病知识图谱构建过程中,关于兽药命名实体识别使用传统方法依赖人工设计特征耗时耗力以及兽药致病语料数据量较少的问题,提出一种引入注意力机制(Attention)与辅助层分类(Auxiliary layer)相结合兽药文本命名实体识别模型(Att-Aux-BERT-BiLSTM-CRF).通过BERT预处理模型进行...     

基于全局特征提取的农作物病害识别模型

针对现阶段特征提取网络当测试样本出现歪斜、模糊、缺损等变化时识别效果不够理想,利用训练样本扩充、变换、缩放等方式改善网络性能并不能动态地满足实际的复杂病害图像识别任务的问题,在ResNet50中引入双层注意力机制与通道特征提取机制,设计基于全局特征提取的深度学习网络（Global feature deep learning network,GFDL-Net）,该网络包括通道特征提取子网络（Squeeze and excitation net,SE-Net）和双注意力特征提取子网络（Double feature extraction net,DFE-Net）,分别从通道空间特征提取与平面关键点特征提取两方面改善了网络的全局特征提取能力。为了验证GFDL-Net的有效性,对辣椒、马铃薯、番茄等15种病害图像加入不同角度的旋转、色彩变换等测试,发现在样本加入旋转后与ResNet50、BoTNet、EfficientNet相比,平均识别准确率分别高出20.05、18.62、21.97个百分点;加入明暗度、饱和度、对比度变换后与ResNet50、BoTNet、 EfficientNet相比,平均识别准确率分别高出3.57、0.53、3.98个百分点,而识别速度分别为ResNet50、BoTNet、EfficientNet的4.4、4.9、2.0倍。试验证明GFDL-Net在图像全局特征提取能力方面的改进能有效提升网络的泛化能力与鲁棒性,可将其应用于解决变化样本的农作物病害识别任务中。     

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进：将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1 837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术...     

基于深度主动学习与CBAM的细粒度菊花表型识别

针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于最优标号和次优标号法（Best vs second best,BvSB）在未标记菊花样本中选取信息量较大的样本进行标记,并将标记后的样本放入训练样本中;其次,使用深度卷积神经网络ResNet50作为本文的主干网络训练标记样本,引入混合注意力机制模块CBAM,使模型能够更为准确地提取细粒度图像中的高层语义信息;最后,用更新后的训练样本继续训练分类模型,直到模型达到迭代次数后停止。实验结果表明,该方法在少量菊花标记样本下,精确率、召回率和F1值分别达到93.66%、93.15%和93.41%。本文方法可为标号数据不足情况下的菊花等花卉智能化识别提供技术支撑。     

基于残差网络和小样本学习的鱼图像识别

针对鱼种类多、数据采集难度大,且需要细粒度图像识别等问题,提出了一种基于度量学习的小样本学习方法.采用基于度量学习的小样本学习网络以及ResNet18的残差块结构,提取鱼图像的深层次特征,并将其映射至嵌入空间进而在嵌入空间判断鱼的种类.为了进一步提升识别准确率,利用小样本学习模型在mini-ImageNet数据集进行预...     

小麦腥黑穗病害的模式识别诊断方法研究

针对小麦腥黑穗病害的形状和纹理特征选取了最有利于病害分类的6个特征参数,并分别利用最小距离法、BP神经网络和支持向量机3种模式识别方法实现了对小麦腥黑穗病害的诊断研究。对包括小麦网腥黑穗病、小麦印度腥黑穗病以及小麦矮腥黑穗病共48个孢子病害图像进行了分类诊断实验。实验表明,支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,当核函数是Sigmoid时,支持向量机法性能最优,总体识别率达到93.9%。     

自然场景下树上柑橘实时识别技术

采用G-B色差分量,通过Otsu自适应阈值分割算法分割成熟柑橘图像,采用基于距离变换的分水岭分割将遮挡、重叠柑橘逐个分开,利用凸包算法修复遮挡区域,设定圆度阈值去除误分割区域,然后提取柑橘轮廓,并运用基于Tukey权重函数的最小二乘圆拟合特征圆,提取了柑橘的中心坐标及半径.对87幅图像中592个柑橘进行了识别试验,总体识别率达87.2%,遮挡或重叠柑橘识别率均超过80%.     

皮棉表面多类异性纤维的高光谱图像检测

为了考察高光谱成像技术检测多类异性纤维共存时的性能,也为其今后用于商业化皮棉质量评价,或在线皮棉杂质分拣提供研究基础,试验采集丙纶丝和毛发共存的样本高光谱图像。依据单一异性纤维分割的最佳波段图像,获得灰度平均和小波变换后融合图像。通过对比小波变换融合图像,灰度平均图像,以及全波段下主成分和独立成分得分图像,获得用于目标分割的最佳图像。采用最优特征集和分类树判别方法,判别最佳图像分割后的连通区域,剔除噪声点和假阳性。依据目标判定原则,训练集和独立验证集的异性纤维识别率分别为84.09%和75.86%。结果表