基于语义分割的作物垄间导航路径识别

针对目前农作物垄间导航路径识别目前存在准确性、实时性差、通用性弱及深度学习模型解释困难等问题,该研究在Unet模型的基础上进行剪枝与优化,提出了保留Unet模型特征跳跃连接优势的Fast-Unet模型,并以模型所识别的导航路径为基础,通过最小二乘法回归生成垄间导航线与偏航角。本研究首先在棉花垄间导航路径数据集上进行模型训练,随后将训练的模型迁移至玉米、甘蔗等小样本数据集进行导航路径识别,通过使用梯度加权类激活映射法对模型识别过程与迁移学习过程进行解释,对各模型识别结果进行可视化对比。Fast-Unet模型对棉花、玉米、甘蔗导航路径提取精度指标平均交并比分别为0.781、0.881和0.940。模型推理速度为Unet的6.48倍,在单核CPU上处理RGB图像的推理速度为64.67帧/s,满足农作物导航路径识别的实时性需求。研究结果可为田间智能农业装备的导航设备研制提供技术与理论基础。     

基于语义分割的棉花垄间实时道路识别

为解决棉花垄间道路识别准确性和实时性差的问题,建立用于棉花垄间道路实时识别的Quarter-Unet模型,深度学习语义分割模型FCN和Unet对棉花垄间道路识别的适应性,选择适应性更好的Unet模型,对其VGG16主干进行剪枝,得到Half-Unet和Quarter-Unet,采用640幅图像组成的训练集和160幅图像组成的验证集进行研究,结果表明,与Unet模型相比,在识别的MIoU基本不变的情况下,Quarter-Unet的内存占用量降至19.5%,而处理速度提高至155%,为后续研发棉花田间智能农机导航设备提供了技术基础。     

用于体质量估测的黄羽鸡姿态关键帧识别与分析

体质量是评价家禽生长状况的关键指标,但家禽姿态的变化会影响体质量估测精度。本研究提出了一种SE-ResNet18+fLoss网络对平养模式下黄羽鸡姿态关键帧进行识别,融合了注意力机制SE模块和残差结构,并改进了损失函数,通过Focal Loss监督信号来解决样本不平衡问题,同时引入梯度加权类激活图对末端分类规则的合理性进行解释。利用4295幅鸡只图像构建数据集,测试集中鸡只的站立、低头、展翅、梳理羽毛、坐姿和遮挡6类姿态情况识别的F1值分别为94.34%、91.98%、76.92%、93.75%、100%和93.68%;黄羽鸡姿态关键帧的识别精确率为97.38%、召回率为97.22%、F1值为97.26%、识别速度为19.84f/s,识别精度、召回率和F1值均优于ResNet18、MobileNet18 V2和SE-ResNet18网络,在提高黄羽鸡姿态关键帧识别精度的同时保证了实时性,为准确估测家禽体质量提供了技术支持。