基于深度学习的白喉乌头与牧草高精度分类研究

采用无人机获取白喉乌头危害草原区的1 cm空间分辨率的无人机数字正射影像,分别在5×5、10×10、20×20、40×40、80×80像素5个尺度下选取白喉乌头和普通牧草2类训练样本,使用VGG16、VGG19、ResNet50等3种模型对图像切片的特征进行学习,以获取图像切片的深层特征,进而实现对2类地物的分类提取.对比5个分割尺度下3种模型得到的分类精度,发现不同的分割尺度对分类精度有明显影响,随着分割尺度的增加分类精度呈现出先升高再降低的趋势,在40×40像素尺度下3种方法都得到了最高的分类精度,分别为95.31％、96.88％、93.75％,白喉乌头的分类验证精度分别为86.52％、92.77％、93.81％.对分类结果进行分析发现,在40×40像素的尺度下对应的地面实际范围是40 cm×40 cm,与白喉乌头的单株长宽接近,能较好地提取白喉乌头整株的深层特征.     

基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移

【目的】在家蚕种茧雌雄鉴别设备推广应用中,为了减少新品种、新设备需要重新建模的难度和时间,进行了基于近红外光谱的家蚕种茧雌雄鉴别模型在多设备和多品种间的迁移研究。【方法】首先使用2种型号光谱仪(NirQuest512光谱仪和SW2540光谱仪)采集4个品种蚕茧(9芙、7湘、7夏和932)的近红外漫透射光谱数据;然后用源域数据集训练的卷积神经网络作为源域模型,并对其中的中间层输出进行可视化分析;针对不同的种茧品种和不同的采集设备对源域模型进行微调,构建了迁移后的模型;最后将迁移后的模型预测准确率与卷积神经网络(Convolutional neural networks,CNN)、支持向量机(Support vector machine,SVM)和随机森林(Random forests,RF)算法进行对比。【结果】采用源域1 700个9芙样本(NirQuest512光谱仪)构建的CNN源域模型,具有很好的雌雄分辨能力,分辨准确率达到99%以上。以源域CNN模型中间层输出作为输入构建的SVM和RF模型,雌雄分辨准确率分别为92%和90%以上,通过可视化分析表明卷积层能很好地提取雌雄特征。对于目标域中样本数量较少的100个7湘(NirQuest512光谱仪)、77个7夏和112个932的样本(SW2540光谱仪),训练集比例为70%时,通过微调源域CNN模型后得到的目标域CNN模型的准确率分别为96.90%、99.67%、97.29%,效果最优;独立的SVM模型准确率分别为92.49%、94.25%、93.65%,效果次之;独立RF模型的准确率分别为80.93%、80.17%、81.47%,效果稍差;独立CNN模型的准确率分别只有58.87%、56.33%、72.17%,效果最差。通过多次不同训练集数量的建模比较,同样显示在数据量较少的情况下,迁移学习后CNN模型最优,传统机器学习方法次之,深度CNN模型最差。【结论】不同光谱仪或者不同品种的情况下深度迁移学习模型的可迁移性,为使用多种光谱仪和采集多种品种蚕茧时快速建立一个蚕茧雌雄分类模型提供了理论和实践的依据。     

基于微波反射法的冬笋探测器设计

针对目前我国冬笋采收只能依靠传统人工经验法,没有合适的探测设备的问题,根据高频电磁波作用下冬笋与土壤的介电特性差异导致反射系数显著不同的原理,设计基于微波反射法的冬笋探测器。该探测器通过2块贴片天线向土壤发射并接收电磁波信号;构建基于卷积神经网络的回波序列检测模型,用于所设计冬笋探测器接收回波信号的分类,利用回波信号的电磁波衰减强度判断土壤内是否有冬笋存在。试验结果表明,本研究提出的回波序列检测模型通过冬笋探测器回波信号判断土壤内有无冬笋的准确率为79.08%,漏警率为21.47%,虚警率为20.37%,与支持向量机以及频谱阈值法相比,回波序列检测模型在冬笋探测的准确率、虚警率、漏警率方面均为最优。该探测器能对地下冬笋位置进行预测,可提高冬笋采收效率。     

育肥猪生长过程中脸部变化对识别模型准确率的影响

为探究猪脸识别模型对育肥猪猪脸生长变化的识别效果,采用深度卷积网络,对大白育肥猪生长过程中脸部变化与识别模型准确率之间的关系进行研究。结果表明:1)在预训练的DenseNet201、MobileNetV3_small、SeNet154和Xception 4种模型中,SeNet154模型猪脸识别效果最好,对验证集的识别准确率可达98.80%,选其为猪脸识别模型;2)分别用试验期间第1～2、1～3、1～4和1～5天采集的猪脸图像数据训练该模型,并分别使用第3～8、4～9、5～10和6～11天的数据逐天测试模型的猪脸识别效果发现,使用第1～4与1～5天数据训练的模型猪脸识别效果相当且优于使用第1～2与1～3天数据训练的模型。使用第1～4天数据训练的模型对第5天数据的识别准确率最高,为96.74%,其后5天的识别准确率逐天下降,到第10天为84.17%。分析认为,造成识别准确率下降的原因是猪脸生长、光照变化以及污渍附着。3)使用第(n-4)～(n-1)天(5≤n≤10)的数据重新训练动态模型后,对第n天猪脸数据的识别准确率均在95.82%以上。深度卷积网络模型在猪脸识别方面有较高的识别准确率,可以用于育肥猪的脸部识别;建议在育肥猪的猪脸识别系统中每天都使用至少前4天,且≥10 800组图像数据重新更新猪脸识别模型。     

基于细支卷烟物理指标的烟丝尺寸分析

通过神经网络多层感知与逐步回归分析,研究细支卷烟烟丝尺寸分布与物理指标的相关性,确定影响细支卷烟物理指标及其稳定性的烟丝尺寸分布.结果表明:(1)对细支烟物理指标影响较大的烟丝尺寸主要分布在8～3.35mm和1～2.5mm;(2)≥3.35mm尺寸烟丝对吸阻产生极显著正相关影响(P<0.01),对总通风和总通风标偏产生显著负相关影响(P<0.05),2.5～1mm尺寸烟丝对硬度产生极显著负相关影响(P<0.01).(3)细支烟在实际生产过程中,降低超长丝(>8mm)比例,增加8～3.35mm烟丝尺寸比例,可以很好地平衡各项物理指标,提高物理质量的稳定性.     

山区公路弯道车辆轮迹集中分布区的识别

为识别山区公路弯道车辆轮迹集中分布区,实现对轮迹集中分布区内的交通标线和道路结构的建设与养护,基于实地行车状态数据,采用BP神经网络建立了双车道公路弯道左、右转车辆轮迹模型;采用重心聚类法对驶经弯道的车辆进行分类,根据道路参数和占比最大车辆入弯时行驶状态的临界值,建立轮迹模型,计算出弯道左转车辆、右转车辆和左、右转车辆叠加轮迹集中分布区.结果表明:弯道的左、右转车辆叠加轮迹集中分布区内的交通标线范围为-28.54～-24.38 m和-13.20～18.67 m;叠加轮迹集中分布区在道路横断面方向上的分布是-150～50 cm.     

一种植物病害图像识别卷积网络架构

针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97％,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考.     

基于深度残差网络的茶园杂草分类及模型压缩方法研究

为提高茶园杂草分类深度模型的准确性,减少深度模型的冗余参数问题.以茶园常见的10类杂草图像为数据样本,分别基于深度学习的ResNet50、VGGNet和AlexNet网络结构构建杂草分类模型;在此基础上,进一步利用剪枝算法压缩深度模型ResNet50.通过实验对比3个模型测试集的平均准确率分别为0.86、0.72和0.63;此外,通过对比ResNet50的茶园杂草模型在训练集和测试集上压缩前后效果,显示结果基本一致.研究表明ResNet50在这3个模型中是最优分类模型,且压缩后的深度模型ResNet50提升了模型的性能.因此,该研究也为移动端设备的分类提供了理论基础.     

基于GAF-DenseNet的旋耕作业质量等级识别模型

为实现基于拖拉机多传感器实测载荷数据的旋耕作业质量准确识别,提出一种基于GAF-DenseNet的拖拉机旋耕作业质量等级识别模型,设计旋耕作业质量等级分级标准,开展旋耕作业田间试验,并进行模型准确性验证和性能分析。该模型通过格拉姆角场（Gramian angular field, GAF）算法,在保留原始载荷序列的时间依赖性的前提下,对时间序列数据进行唯一编码。DenseNet网络对图像阵列中内含的载荷信息进行深层挖掘,通过特征重用、模型压缩等技术环节,在保证特征提取深度的同时,显著提升该网络的运算效率。分析结果表明：过大或过小的重采样滑动窗口大小均会降低模型性能,且格拉姆角差场（Gramian angular difference field, GADF）实验效果强于格拉姆角和场（Gramian angular summation field, GASF）,实验数据显示在重采样滑动窗口大小为250且选用格拉姆角差场的条件下,模型性能达到最优。增长率k与模型整体性能呈正相关的趋势,但过大的k值会降低模型的实时性能且对于准确性提升有限,实验场景下将增长率k设为24更能符合实际需求。GAF-DenseNet模型准确率和F1值分别达到96.816%和96.136%,并且在实时性能上具有良好表现,推理时长可低至16s。在与其他智能算法对比分析中,该模型整体性能均优于对照组实验结果。     

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%。