基于改进MobileNet的轻量级外来入侵植物识别模型研究

外来入侵植物防治的首要任务是准确识别入侵植物种类, 然而外来入侵植物种类繁多, 存在类间同质和类内异质现象, 给技术人员甄别与防治外来入侵植物带来了挑战。为了准确、实时和高效地识别外来入侵植物, 本文提出基于改进MobileNet的轻量级外来入侵植物图像识别模型(MobileNet-LW)。以专业人员鉴定得到的113种 11 628幅外来入侵植物图像作为研究对象, 并按照6∶2∶2的比例划分训练集、验证集和测试集。通过Retinex、旋转和高斯噪声等方法对图像进行数据增强。为了减少类间同质现象对模型误检的影响, 在模型MobileNet基础上添加了SE通道注意力机制和深度连接注意力网络, 提高网络对关键特征的提取能力。为了降低模型计算消耗和内存消耗, 采用通道剪枝方法对网络瘦身;为了弥补剪枝后造成模型准确率降低, 采用教师网络-助教网络-学生网络的形式对剪枝后的网络进行知识蒸馏, 学生网络通过软知识的学习来提高识别外来入侵植物的准确率。通过消融试验测试模型的性能, 利用平均准确率、平均召回率和平均F1值3个评价指标, 对现阶段经典模型与改进后模型MobileNet-LW所获得的识别结果进行评价。消融试验结果显示, 在相同数据集条件下, 所有改进点对模型的性能都有所提升, 且改进后算法在外来入侵植物图像识别中准确率提高了5.4百分点, 模型参数量减少了约53%;模型对比试验表明, EfficentNet、DBTNet、ResNet-101、ConvNext和MobileNet-LW 5个模型平均准确率分别为72.3%、74.9%、76.1%、79.7%和86.1%, 表明改进后的网络提高了外来入侵植物的识别准确率。基于改进MobileNet的轻量级外来入侵植物识别模型对113种外来入侵植物识别具有较高的准确率, 且模型具有轻量化特点。     

基于Res2Net和双线性注意力的番茄病害时期识别方法

针对番茄叶片型病害在早晚期具有类内差异大、类间差异小的特点,常规神经网络对此类病害的分类效果不佳的问题,提出了基于Res2Net和双线性注意力的番茄病害时期识别方法,通过多尺度特征和注意力机制,提高网络的细粒度表征能力。首先,提出EFCA通道注意力模块,在不降维的基础上,使用二维离散余弦变换代替全局平均池化,以减少常规通道注意力获取时的信息丢失。其次,在外积之后加入最大池化和concat操作,避免双线性融合后因维度过高导致的特征冗余。在7种不同种类和14种不同程度病害番茄叶面型病害数据集实验中,本文方法分类准确度分别为98.66%和86.89%。     

基于CNN-S-GPR的宁夏枸杞高光谱影像估产方法

针对现有遥感估产方法未对通道间依赖关系建模和无法整合影像外其他特征的问题,以宁夏枸杞估产为例,提出了一种基于CNN-S-GPR的高光谱影像年际作物估产模型。首先,运用直方图降维、归一化、时间序列融合和维度转换4种特征工程方法构建枸杞估产数据集,实现多波段、多时相影像融合;然后,采用卷积神经网络自动提取数据集特征,简化特征提取操作;接着,融合通道注意力机制,以表征不同通道间的重要程度;最后,引入高斯过程回归,整合影像特征及空间位置特征,进一步提高估产准确性。实验结果表明,与其他估产模型相比,该模型平均相对误差和均方根误差下降了0.44~0.95个百分点和52.48~82.65t,且决定系数达到0.91。结合宁夏16个县的枸杞年际产量实现了复杂拟合,对全区农业规划布局及可持续发展具有参考价值。     

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。     

用于复杂环境下果蔬检测的改进YOLOv5算法研究

针对不同光照,遮挡重叠,大视场等复杂环境下,自动采摘机器人无法快速准确地识别果蔬目标的问题,提出一种用于复杂环境下果蔬检测的改进YOLOv5(You Only Look Once v5)算法。首先,在主干网络Backbone中的CBL模块中嵌入卷积注意力机制(Convolutional Block Attention Module, CBAM),提高目标特征的提取能力。其次,引入完全交并比非极大抑制算法(Complete IOU Non-maximum suppression, CIOU-NMS),考虑长宽边长真实差,提高回归精度。最后,用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network, BiFPN)替换原始YOLOv5的路径聚合网络(PANet),融合多尺度特征提高识别精度和准确率。以苹果为例进行试验,结果表明：改进YOLOv5算法精准率为94.7%,召回率为87%,平均精度为92.5%,相比于原始YOLOv5算法AP提高3.5%,在GPU下的检测时间为11 ms,可以实现复杂情况下的果蔬快速准确识别。     

基于空间注意力和可变形卷积的无人机田间障碍物检测

为了解决植保无人机作业时,传统田间障碍物识别方法依赖人工提取特征,计算耗时较长,难以实现在非结构化田间环境下实时作业识别的问题,提出一种优化的Mask R-CNN模型的非结构化农田障碍物实例分割方法。以ResNet-50残差网络为基础,将空间注意力(Spatial attention, SA)引入残差结构,聚焦跟踪目标的显著性表观特征并主动抑制噪声等无用特征的影响;引入可变形卷积(Deformable convolution, DCN),通过加入偏移量,增大感受野,提高模型的鲁棒性。构建包含农田典型障碍物的数据集,通过对比试验研究在ResNet残差网络结构中的不同阶段中加入空间注意力和可变形卷积时的模型性能差异。结果表明,与Mask R-CNN原型网络相比,在ResNet的阶段2、阶段3、阶段5加入空间注意力和可变形卷积后,改进Mask R-CNN的边界框(Bbox)和掩膜(Mask)的平均精度均值(mAP)分别从64.5%、56.9%提高到71.3%、62.3%。本文提出的改进Mask R-CNN可以很好地实现农田障碍物检测,可为植保无人机在非结构化农田环境下安全高效工作提供技术支撑。     

基于改进YOLOF模型的田间农作物害虫检测方法

田间害虫图像数据采集困难,并且传统的检测模型大多使用复杂的特征金字塔(Feature pyramid network, FPN)结构提升精度,这在一定程度上影响了检测的实时性。为此,本研究通过设计诱虫灯装置构建害虫数据集FieldPest5,并且对无FPN结构的检测器YOLOF进行改进,提出兼顾检测精度和效率的害虫检测模型YOLOF＿PD。首先,增加Cutout数据增强方法缓解害虫图像中的遮挡问题,并且使用CIoU损失函数获得更好的框回归位置;其次,在原有坐标注意力机制(Coordinate attention, CA)的全局平均池化(Global average pooling, GAP)路径中增加全局最大池化(Global max pooling, GMP)路径,并且使用可学习参数自适应更新不同路径的权重,提出自适应坐标注意力机制(Adaptive coordinate attention, ACA),增强模型的信息表征能力;最后,对YOLOF膨胀编码器中的Projector和Residual模块进行改进,在Projector模块的3×3卷积后引入ACA注意力机制,在Residua...     

基于探地雷达和深度学习的果树根径预测方法

针对果树根系相较于果树枝干或冠层难以观察和取样的问题,提出一种基于探地雷达和卷积神经网络的果树根系半径和深度预测方法。首先,使用开源软件gprMax构造所需的探地雷达A-Scan数据集;然后,将输入数据导入注意力模块,对特征信息重新分配权重,突出关键特征对模型的影响;最后,通过卷积层提取特征信息,通过全连接层将前面卷积层所学到的局部特征综合为A-Scan数据的全局特征,完成对根系半径和深度的准确预测。为了证明提出方法的可行性与有效性,在仿真数据和实测数据上分别进行实验。结果表明,该方法可以实现对根系半径和深度的有效预测,其中,在仿真数据上对根系半径预测的最大误差为2.9mm,R2为0.990,均方根误差为0.00068m,深度预测最大误差为11.2mm,R2为0.999,均方根误差为0.0020m;在实测数据上对根系半径预测最大误差为1.56mm,深度预测最大误差为9.90mm,总平均相对误差为5.83%,能够实现对根系半径和深度的准确预测。     

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。     

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。