基于YOLO深度卷积神经网络的复杂背景下机器人采摘苹果定位

为提高苹果采摘机器人的工作效率和环境适应性,使其能全天候的在不同光线环境下对遮挡、粘连和套袋等多种情况下的果实进行识别定位,该文提出了基于YOLOv3(you only look once)深度卷积神经网络的苹果定位方法。该方法通过单个卷积神经网络(one-stage)遍历整个图像,回归目标的类别和位置,实现了直接端到端的目标检测,在保证效率与准确率兼顾的情况下实现了复杂环境下苹果的检测。经过训练的模型在验证集下的m AP(meanaverageprecision)为87.71%,准确率为97%,召回率为90%,IOU(intersection over union)为83.61%。通过比较YOLOv3与Faster RCNN算法在不同数目、不同拍摄时间、不同生长阶段、不同光线下对苹果的实际检测效果,并以F1为评估值对比分析了4种算法的差异,试验结果表明YOLOv3在密集苹果的F1高于YOLOv2算法4.45个百分点,在其他环境下高于Faster RCNN将近5个百分点,高于HOG+SVM(histogram of oriented gradient+support vector machine)将近10个百分点。并且在不同硬件环境验证了该算法的可行性,一幅图像在GPU下的检测时间为16.69 ms,在CPU下的检测时间为105.21 ms,实际检测视频的帧率达到了60帧/s和15帧/s。该研究可为机器人快速长时间高效率在复杂环境下识别苹果提供理论基础。     

群养猪侵略性行为的深度学习识别方法

为了解决因传统机器视觉和图像处理方法的局限性以及复杂的猪体姿态和猪舍环境导致对群养猪侵略性行为识别的有效性、准确率较低的问题,该文基于深度学习的方法,提出使用3DCONV的群养猪侵略性行为识别算法-3DConvNet。分3个批次采集18头9.6 kg左右的大白仔猪视频图像,选用第一批次中包含28 d内各个时段的撕咬、撞击、追逐、踩踏4大类,咬耳、咬尾、咬身、头撞头、头撞身、追逐以及踩踏7小类侵略性行为以及吃食、饮水、休息等非侵略性行为共计740段(27114帧)视频作为训练集和验证集,训练集和验证集比例为3:1。结果表明,3DConvNet网络模型在训练集上的识别准确度达96.78%,在验证集上识别准确度达95.70%。该文算法模型对于不同训练集批次的猪只以及不良照明条件下依然能准确识别侵略性行为,算法模型泛化性能良好。与C3D模型进行对比,该文提出的网络模型准确率高出43.47个百分点,单帧图像处理时间为0.50 s,可满足实时检测的要求。研究结果可为猪场养殖环境中针对猪只侵略性行为检测提供参考。     

基于深度学习的农作物病害图像识别技术进展

农作物病害的无损检测和早期识别是精准农业和生态农业发展的关键。随着图像采集和图像处理技术的进步,高光谱成像等先进成像探测技术和基于深度学习的图像分析技术越来越多地应用于农作物病虫害的无损检测中。本文首先简单介绍了以深度学习为代表的图像识别技术的基本原理,然后系统地阐述了基于深度学习的先进成像技术和先进图像识别分析技术在农作物病害检测识别中的国内外研究现状,分析了其在农作物病害检测识别上存在的优缺点,如具有快速、准确率高等优点以及数据量过大处理不便等缺点,并进一步指出,利用高光谱成像和热红外成像与深度学习相结合,将成为今后研究农作物病虫害早期检测的主要发展方向。     

深度学习在大田种植中的应用及展望

深度学习是目前机器学习领域最前沿和最具前景的技术,本研究采用归纳总结法,介绍了深度学习的特征及与传统机器学习的区别,归纳和梳理了深度学习在大田种植中的应用现状。结果表明:1)深度学习在大田种植中的应用初现端倪,主要集中在作物的识别与分类、农业遥感影像应用、土壤环境监测、农业场景识别等;2)采用的主要模型有卷积神经网络(CNN)、自编码(AE)、深度置信网络(DBN)、堆栈自编码(SAE)、全卷积神经网络(FCN)、深度神经网络(DCNN)等,其对各领域的分类与识别精度均有提高;3)目前存在的主要问题是标注数据缺乏,尤其在遥感图像分类领域,普遍采用了迁移学习、数据增强、微调等技术来解决标注数据缺乏的问题。随着大田种植领域数据的增长以及信息技术的快速发展,基于深度学习和多源异构数据的作物识别与分类、作物长势监测、病虫害预测预警、农作物产量预测、果树花朵及果体识别、水果质量及产量的优化控制等将会获得较快发展。     

基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数

鳞翅目害虫是蔬菜作物中最重要且常见的一类害虫。由于受到复杂田间背景,光照及害虫姿态等的影响,传统的害虫自动识别与检测计数方法准确率比较低。为实现在田间快速准确地对目标害虫进行自动识别和检测计数,分别提出了基于深度卷积神经网络的识别模型和检测计数模型。针对菜粉蝶、棉铃虫、甜菜夜蛾、小菜蛾、斜纹夜蛾这5种常见且容易混淆的蔬菜鳞翅目害虫,构建了分类识别数据集和检测计数数据集,并分别进行了实验,平均识别率达到94.5%,检测均值平均精度(mAP)达到76.6%,与传统方法相比,证明了此方法的优越性。实验结果表明,该方法对于蔬菜鳞翅目害虫的识别和检测计数是可行的,且达到了实际应用水平。     

高职院校教师学习力提升研究

现阶段,随着知识更新速度加快,高职院校教师应努力提升自身的学习力。高职院校教师学习力的构成要素包括学习内驱力、学习能力、学习互惠力和学习创新力。高职院校教师与高职院校必须共同努力,从完善管理制度、信息共享、构建教师学习共同体等途径出发提升学习力。     

中老年CD-1小鼠海马Staufen蛋白含量改变及其与认知功能减退的相关性研究

探讨中老年CD-1小鼠海马Staufen（Stau）蛋白含量的改变及其与空间学习记忆功能减退之间的相关性。选取3月龄（青年）和15月龄（中老年）CD-1小鼠各10只（雌雄各半）。采用Morris水迷宫评估空间学习记忆能力,用免疫组织化学技术检测海马Stau蛋白的相对含量。结果发现,与3月龄小鼠相比,15月龄鼠在Morris水迷宫中学习期游泳路程显著延长（P<0.01）,记忆期靶象限游泳路程百分比显著降低（P<0.05）,且海马CA1区和CA3区Stau蛋白含量显著升高（P<0.05）。相关性分析显示,15月龄小鼠CA1区、CA3区Stau蛋白含量与学习期游泳路程呈正相关（P<0.05）,CA3区Stau蛋白含量与记忆期靶象限路程百分比呈负相关（P<0.05）。以上结果提示中老年CD-1小鼠海马Stau蛋白含量呈亚区特异性增加,且可能与海马相关性空间学习记忆的损害有关。     

基于Stacking集成学习的夏玉米覆盖度估测模型研究

以基于无人机多光谱影像提取的夏玉米植被指数作为特征变量,利用皮尔森相关系数结合随机森林反向验证权重的方法进行特征选择,去除冗余特征。以随机森林、梯度提升树、支持向量机和岭回归作为初级学习器,以岭回归作为次级学习器,建立基于Stacking集成学习的夏玉米覆盖度估测模型,并通过5折交叉验证进一步提升模型泛化能力,采用随机搜索和网格搜索结合的方法对模型超参数进行优化,使用4种回归指标进行模型精度评价,并利用次年数据验证其鲁棒性。结果表明,与单一模型以及决策树、Xgboost、Adaboost、Bagging集成框架相比,Stacking集成学习模型具有更高的精度和更强的鲁棒性,R2为0.9509,比单一模型平均提升0.0369,比其他集成模型平均提升0.0417;Stacking集成学习模型RMSE、MAE和MAPE分别为0.0432、0.0330和5.01%,各指标分别比单一模型平均降低0.0138、0.0130和2.14个百分点,分别比其他集成模型平均降低0.0185、0.0126和2.15个百分点。本研究为夏玉米覆盖度估测提供了新的方法。     

基于polyphyletic损失函数的荔枝花检测方法

针对密集分布的荔枝花遮挡严重导致检测困难,现有研究方法忽略了非极大抑制过程中密集建议框之间的相互作用的问题,为提升检测精度、降低漏检率,提出了一种基于polyphyletic损失函数的检测方法。该方法在损失函数中包含一个聚合损失项,以迫使建议框接近并紧凑定位相应目标,同时增加专门为密集作物场景设计的边界框排斥损失,使预测框远离周围对象,提高密集荔枝花检测鲁棒性。与Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN进行对比,实验表明,该方法在标准苹果花数据集上识别精度比其他方法高2个百分点,验证了该方法检测的通用性,同时,该方法在自建荔枝花数据集的平均精度均值达到87.94%,F1值为87.07%,缺失率为13.29%,相比Faster R-CNN、Focus Loss、AdaptiveNMS和Mask R-CNN分别提高20.09、14.10、8.35、4.86个百分点,具有较高检测性能。因此,本文提出的方法能够高效地对密集荔枝花进行检测,为复杂场景下的密集作物检测提供参考。