基于卷积神经网络的水稻钵体软盘穴播量检测

为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测。本文在每层卷积单元网络结构参数保持固定的前提下,选取2～4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高。本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98.76%。为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s。研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考。     

基于ECLDeeplab模型提取华北地区耕地的方法

准确提取耕地信息对农业资源调查、遥感估产以及灾害监测等具有重要意义,从遥感图像中提取耕地的信息属于图像识别和分类的问题,目前深度学习是非常适合的方法。以语义图像分割(Deeplab)模型为基础,选择耕地为提取目标,建立了一种从高分2号遥感影像上提取耕地信息的方法耕地提取语义图像分割(ECLDeeplab)。首先分析了耕地在高分2号遥感影像上的表现特点;其次依据耕地的具体特点对Deeplab的结构进行调整,形成了能够提取耕地的网络结构;最后用训练成功的网络进行提取耕地,得到精度较高的分割结果。应用方法对山东省肥城市的2016年12月至2017年3月的10幅影像进行了试验,试验结果表明,该方法获取的耕地精度为88.3%,提取耕地信息得到了较好的结果。     

基于BP神经网络对薇甘菊预处理方法的选取

以入侵植物薇甘菊高光谱图像为研究对象,基于4种预处理方法对薇甘菊高光谱图像进行降低噪声处理,分别研究了基于主成分分析的特征提取方法和基于BP神经网络的分类模型,筛选出薇甘菊高光谱识别的最优预处理方法,以实现薇甘菊的快速准确识别。结果显示,预处理方法为一阶、二阶微分的识别率分别为81.2%和76.92%;标准正态变量变换(SNV)和一阶微分+SG平滑的识别率分别为89.74%和87.18%。多次试验得到基于SNV预处理方法的识别率最稳定,即得到最优预处理方法为SNV。     

多变环境下基于多尺度卷积网络的猪个体识别

【目的】通过实现复杂多变环境下非接触式猪个体身份识别,提高畜牧行业的生产效率。【方法】以猪舍环境下猪的脸部图像为基础,提出了一种基于多尺度卷积神经网络在多变环境下的猪个体身份识别模型。利用改进的多尺度网络结构,该模型实现了深度和宽度的扩展,网络深度达到了86层。网络不仅使用了对称和非对称的两种方法拆分卷积核和多通道的方法并行提取猪脸特征,还利用网络融合技术和Batch Normalization结构过滤掉通道中的冗余信息。避免了深层网络参数激增,增强了模型对猪脸特征的提取能力并提高模型的识别速度。利用预处理后的11 695张猪脸数据集训练并验证模型,通过设置7组不同环境下的对比实验,分析改进的模型在复杂环境下的识别效果。【结果】86层的基于多尺度分类网络的识别模型权重大小和每轮样本的训练时间分别为498.4 M和66 s,比16层的VGG网络权重小1140 M,每轮训练速度快8 s。利用7组测试集的对比实验的结果表明,提出的模型在7种环境下的识别率都高于其他网络,尤其是在真实养殖环境下识别率高达99.81%。当猪脸图像中出现遮挡和旋转的情况时,提出的模型识别率皆高于92%。【结论】提出的针对脸部特征的猪个体身份识别模型是有效的,并在多变环境下具有较高的识别率和鲁棒性,为实现一体化管理及追踪溯源的研究提供参考。     

基于多尺度卷积神经网络的轴承故障诊断研究

针对现有的轴承故障诊断数据特征提取单一的问题,本文提出了一种基于多尺度卷积神经网络的轴承故障诊断方法,以轴承运行时采集的故障信号为研究对象,使用多个尺寸的卷积核提取原始信号,使提取到的信号更加丰富,有效解决特征提取能力不强的问题,无需人工提取故障特征。试验结果表明,该方法具有较高的轴承故障诊断准确率。     

基于FCN的无人机玉米遥感图像垄中心线提取

为解决农业机器人在玉米田行间行走的全局路径规划问题,该研究提出一种基于全卷积神经网络(Fully ConvolutionalNetworks,FCN)的无人机玉米遥感图像垄中心线提取方法。基于无人机获取的高精度可见光遥感图像,设计了针对农田垄中心线提取的数据集标注方法,采用滑动窗口法进行图像分块,利用深度学习语义分割网络FCN对垄中心线附近7～17像素宽度范围的垄线区域进行提取,模型在测试田块上精确率达66.1%～83.4%,召回率达51.1%～73.9%,调和平均值为57.6%～78.4%;对拼接后的图像使用影像分割投影法提取中心线,探究了垄线区域宽度对垄中心线提取精度的影响,训练采用9像素的垄区域宽度,可得到垄中心线在77 mm左右偏差范围准确率为91.2%,在31.5 mm左右偏差范围内为61.5%。结果表明,基于FCN对无人机玉米遥感图像进行处理,可得到整片田地的垄中心线栅格地图,方便农业机器人进行全局路径规划。     

基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题，提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism，MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module，MSFF Module）；其次在DenseNet基础上，结合浅层网络主要提取纹理、细节特征，深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法，通过不同形式引入注意力机制及多尺度特征融合结构，使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能；同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明，MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升，其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点，召回率分别提高了6.31和5.00个百分点，F1得分分别提高了7.25和5.55个百分点，平均识别准确率可达95.92%，具有较高的识别准确率及广泛的适用性，能够满足番茄叶片缺素图像的高精度分类需求，可为植物叶片缺素识别提供参考。     

机器学习在奶牛临床疾病预测中的应用

机器学习是指计算机通过大量数据训练及分析来模拟人类的学习行为,从而获得新的知识和技能,是人工智能的核心。近年来,机器学习在奶牛疾病预测领域的应用已成为国际上的研究热点。论文介绍了利用奶牛机体生理指标和生产数据建立奶牛疾病预测模型的方法,重点阐述了如何利用决策树和神经网络筛选奶牛疾病风险因子、预测疾病和疾病分类。同时,综述了机器学习预测代谢性疾病、跛行、乳房炎、热应激和传染性疾病的进展。     

基于多列空洞卷积神经网络的麦穗计数方法研究

田间麦穗计数因主要依靠人工而存在耗时长、成本高等问题,为提高麦穗计数的效率和准确性,提出基于人群计数卷积神经网络的麦穗计数方法,在图像基础上进行麦穗数量自动化计数.试验改进了现有人群计数模型中的多列卷积神经网络MCNN和空洞卷积神经网络CSRNet,并对MCNN和CSRNet进行融合,建立了多列卷积神经网络MCSRNet.测试结果表明:MCSRNet网络对麦穗的预测准确率可以达到92.4％,较MC-NN和CSRNet分别提高1.0％和4.0％,且训练迭代次数分别减少39次和5次.另基于独立数据集进行了测试,MCSRNet网络平均准确率为81.9％,较MCNN和CSRNet分别提高了0.4％和0.7％.MCSRNet的麦穗计数结果R2为0.80,优于MCNN和CSRNet.以上研究结果表明,MCSRNet网络有较高的麦穗计数准确率,同时有较快的训练速度,可为后续基于图像的小麦产量预测提供技术方法.