改进YOLOv5s对病理学图像中猪只小肠绒毛的检测

为解决传统小肠绒毛需要专业人员手动检测耗时耗力且存在主观性和不稳定性等问题,同时提高在复杂病理学图像中小肠绒毛检测的准确率和效率,该研究基于改进YOLOv5s提出对复杂病理学图像下猪只小肠绒毛检测的方法。首先,采用串联形式的混合池化对空间金字塔进行优化,增强特征提取与特征表达,提升检测精度;然后通过引入一种基于注意力机制的网络模块(simple attention mechanism, SimAM)与Bottleneck中的残差连接相结合,通过使用SimAM对Bottleneck中的特征图进行加权,得到加权后的特征表示,利用注意力机制加强模型对目标的感知。试验结果表明,该研究算法的平均精度（average precision）和每秒传输帧数（frame per second,FPS）达到92.43%和40帧/s。改进后的YOLOv5s在召回率和平均精度上相较之前提高2.49和4.62个百分点,在不增加模型参数量的情况下, 每帧图片的推理时间缩短1.04毫秒 。与经典的目标检测算法SSD、Faster R-CNN、YOLOv6s、YOLOX相比,平均精度分别提高15.16、10.56、2.03和4.07个百分点。结果表明,该研究能够为病理学图像中实现小肠绒毛自动化检测提供方法,保证复杂图像检测速度的同时,提高小肠绒毛的检测精度。     

面向大规模多类别的病虫害识别模型

早期病虫害精准识别是预警和防控的关键,但是病虫害种类繁多数量巨大,外部形态存在类间相似度较高而类内差异性较大等性状特征,导致病虫害识别仍然是一项极具挑战的工作。为实现病虫害识别分类任务中差异化特征的提取和表示,该研究提出一种大规模多类别精细病虫害识别网络模型（a large-scale multi-category fine-grained pest and disease network,PD-Net）。首先通过在基准网络模型中引入卷积块注意力模型,通过混合跨特征通道域和特征空间域实现模型在通道和空间两个维度上对关键特征提取和表示,用以增强网络对差异化特征的提取和表示能力。其次引入跨层非局部模块,提升模型在多个特征提取层之间对于多尺度特征的融合。在61类病害数据集和102类虫害数据集上的试验结果表明,对比AlexNet、VGG16、GoogleNet、Inception-v3、DenseNet121和ResNet50模型,该研究提出的面向大规模多类别病虫害识别模型,Top1识别准确率在病害和虫害集上分别达到88.617%和74.668%,精确率分别达到了0.875和0.745,召回率分别达到0.874和0.738,F1值达到0.874和0.732,试验结果对比其他模型均有一定幅度的提升,验证了PD-Net模型在大规模多类别病虫害识别上的有效性。     

基于改进Mask R-CNN模型的植物叶片分割方法

通过图像处理对植物叶片进行分割是研究植物表型性状的基础,但叶片间相互遮挡、叶片边缘特征不明显以及幼叶目标过小会对叶片分割效果造成很大的障碍。针对上述问题,该研究提出了一种基于改进Mask R-CNN模型的植物叶片分割方法,通过引入级联检测模块对模型检测分支进行改进,以提高遮挡叶片检测质量;利用注意力机制和一个2层3×3卷积模块对模型分割分支进行优化,以提高边缘特征表达能力;在模型测试过程中采用多尺度叶片分割策略,利用多个尺度上的最优目标以分割幼叶。测试结果表明,在CVPPP叶片分割挑战数据集中的对称最佳Dice得分Symmetric Best Dice（SBD）为90.3%,相比于利用域随机化数据增强策略并采用Mask R-CNN模型进行叶片实例分割的方法提高了2.3个百分点,叶片分割效果有显著提升。该研究提出的方法可以有效解决植物叶片分割效果不佳的问题,为植物表型研究提供技术支撑。     

采用改进YOLOv5的蕉穗识别及其底部果轴定位

为提高香蕉采摘机器人的作业效率和质量,实现机器人末端承接机构的精确定位,该研究提出一种基于YOLOv5算法的蕉穗识别,并对蕉穗底部果轴进行定位的方法。将CA（Coordinate Attention）注意力机制融合到主干网络中,同时将C3（Concentrated-Comprehensive Convolution Block）特征提取模块与CA注意力机制模块融合构成C3CA模块,以此增强蕉穗特征信息的提取。用 EIoU（Efficient Intersection over Union）损失对原损失函数CIoU（Complete Intersection over Union）进行替换,加快模型收敛并降低损失值。通过改进预测目标框回归公式获取试验所需定位点,并对该点的相机坐标系进行转换求解出三维坐标。采用D435i深度相机对蕉穗底部果轴进行定位试验。识别试验表明,与YOLOv5、Faster R-CNN等模型相比,改进YOLOv5模型的平均精度值（mean Average Precision, mAP）分别提升了0.17和21.26个百分点;定位试验表明,采用改进YOLOv5模型对蕉穗底部果轴定位误差均值和误差比均值分别为0.063 m和2.992%,与YOLOv5和Faster R-CNN模型相比,定位误差均值和误差比均值分别降低了0.022 m和1.173%,0.105 m和5.054%。试验实时可视化结果表明,改进模型能对果园环境下蕉穗进行快速识别和定位,保证作业质量,为后续水果采摘机器人的研究奠定了基础。     

融合多尺度特征和多重注意力的水下目标检测

探明海洋生物资源的分布情况,对渔业捕捞和海洋牧场管理具有重要意义。该研究针对水下环境复杂、水下目标存在多尺度、多类别及小目标较多等复杂情况,提出水下目标两阶段网络检测方法。首先通过改进多尺度特征提取和融合,获取水下目标多尺度信息和增强目标特征,得到更加丰富的目标特征信息,然后构建多重注意力,利用空间和通道维度中的全局特征依赖关系,进一步挖掘深层特征信息和隐藏信息,突出背景和目标的差异性,最后在模型训练中采用样本均衡方法,自适应均衡正负样本比例,减少无效样本,实现模型快速收敛。在国际水下机器人大赛公开数据集UPRC2019、WildFish及自建数据集上对所提方法进行试验,其mAP（mean Average Precision）分别达到85.3%、96.9%和97.8%,召回率分别达到90.6%、98.7%和98.9%,相较于Libra RCNN（CVPR2019）、Double head RCNN（ECCV2020）和STransFuse（2021）等检测方法,本文方法mAP要比上述方法分别高9.58、12.2和4.1个百分点。研究结果可为海洋渔业生物监测、水下机器人精准捕捞作业提供技术支撑。     

改进Mask R-CNN的真实环境下鱼体语义分割

鱼体语义分割是实现鱼体三维建模和语义点云、计算鱼体生长信息的基础。为了提高复杂环境下鱼体语义分割精度,该研究提出了SA-Mask R-CNN模型,即融合SimAM注意力机制的Mask R-CNN。在残差网络的每一层引入注意力机制,利用能量函数为每一个神经元分配三维权重,以加强对鱼体关键特征的提取;使用二次迁移学习方法对模型进行训练,即首先利用COCO数据集预训练模型在Open Images DatasetV6鱼类图像数据集完成第一次迁移学习,然后在自建数据集上完成第二次迁移学习,利用具有相似特征空间的2个数据集进行迁移学习,在一定程度上缓解了图像质量不佳的情况下鱼体语义分割精度不高的问题。在具有真实养殖环境特点的自建数据集上进行性能测试,结果表明,SA-Mask R-CNN网络结合二次迁移学习方法的交并比达93.82%,综合评价指标达96.04%,分割效果优于SegNet和U-Net++,较引入SENet和CBAM注意力模块的Mask R-CNN交并比分别提升了1.79个百分点和0.33个百分点,综合评价指标分别提升了2.03个百分点和0.38个百分点,模型参数量分别减小了4.7和5MB。研究结果可为鱼体点云计算提供参考。     

农机维修中应该注意的问题分析

主要是对农机维修过程中所要注意的分题进行探讨分析,并详细阐述了其中问题形式,希望能够对相关农机维修工作人员的维修工作有所帮助。     

发动机冷却系统节温器的原理与检修

节温器（thermostat）是根据冷却水温度的高低自动调节进入散热器的水量，改变水的循环范围，以调节冷却系的散热能力，保证发动机在合适的温度范围内工作。节温器必须保持良好的技术状态，否则会严重影响发动机的正常工作。     

Attention embedded lightweight network for maize disease recognition

Crop disease has a negative impact on food security. If diverse crop diseases are not identified in time, they can spread and influence the quality, quantity, and production of grain. Severe crop diseases can even result in complete failure of the harvest. Recent developments in deep learning, particularly convolutional neural networks (CNNs), have exhibited impressive performance in both image recognition and classification. In this study, we propose a novel network architecture, namely Mobile-DANet, to identify maize crop diseases. Based on DenseNet, we retained the structure of the transition layers and used the depthwise separable convolution in dense blocks instead of the traditional convolution layers, and then embedded the attention module to learn the importance of interchannel relationship and spatial points for input features. In addition, transfer learning was used in model training. By this means, we improved the accuracy of the model while saving more computational power than deep CNNs. This model achieved an average accuracy of 98.50% on the open maize data set, and even with complicated backdrop conditions, Mobile-DANet realized an average accuracy of 95.86% for identifying maize crop diseases on a local data set. The experimental findings show the effectiveness and feasibility of the Mobile-DANet. Our data set is available at https://github.com/xtu502/maize-disease-identification .     

基于what-where双通道理论的移动机器人场景仿生识别

为解决自主移动农业机器人在复杂工作环境进行视觉导航的场景识别,根据what-where双通道理论建立了场景感知模型以及场景表示模型,提出了一种基于概率框架的场景仿生识别方法。基于对比度假设和中心假设计算显著图并建立能量函数对该显著图进行优化;利用专家网络分析视觉注意焦点的内容作为what信息,以视觉注意焦点转移形成的扫视序列作为where信息;根据动作识别规则,利用what信息和where信息建立可观测的马尔可夫链模型实现场景识别。移动机器人场景识别过程与人的识别过程相似,实验证明所提方法对室内场景识别性能良好,准确率平均达87.3%。