基于帧间路径搜索和E-CNN的红枣定位与缺陷检测

针对红枣自动分级视频图像中红枣定位、缺陷检测难问题,提出一种基于帧间最短路径搜索的目标定位方法和集成卷积神经网络模型(Ensemble-convolution neural network,E-CNN)。通过建立图像坐标系及图像预处理,获得图像中单个红枣目标的位置坐标,并将其映射至空间坐标系中,结合帧间最短路径判定规则,实现目标位置坐标随视频时间序列更新、传递,并且运用此方法快速、有效地构建数据集。基于"Bagging"集成学习方式,采用E-CNN通过训练集构建基础卷积神经网络树模型,再根据每棵基础树模型输出结果,通过"投票"方式得出模型最终结果。试验结果表明,利用帧间最短路径搜索的目标定位方法,定位准确率达100%。同时,使用E-CNN,模型的识别正确率和召回率分别达到98. 48%和98. 39%,分类精度大于颜色特征分类模型(86. 62%)、纹理特征分类模型(86. 40%)和基础卷积神经网络模型(95. 82%)。E-CNN模型具有较高的识别正确率及较强的鲁棒性,可为其他农产品分选、检测提供参考。     

基于历史帧路径搜索的红枣动态图像采集

图像采集是实现红枣品质分级和检测的关键前提。针对基于静态图像的采集方式不能全面反映外观品质、实时性差和基于传输式图像采集方式的机械、电路设计复杂且适用性不足的缺点,提出一种基于历史帧最小路径搜索,实现对视频中红枣目标进行跟踪、标定,建立红枣动态样本集的方法。首先利用RGB(red,green,blue)颜色空间转换HSV(hue saturation value)空间图像的明度(V)分量,基于V分量建立掩膜对RGB图像执行掩膜去背景。同时,针对视频图像中获得的二值图像,建立坐标系,获得每帧图像基于轮廓外接最小正矩形的特征向量,将当前帧和前一帧中的特征向量基于最小路径搜索的方法,加入约束条件,实现对视频中每个红枣目标的跟踪和标定,最后基于正矩形参数的感兴趣区域(region of interest,简称ROI),实现动态样本建立。利用此算法,对拍摄的视频图像的检测表明建立的动态样本集能更全面地反映红枣外观品质。该算法简单、有效,特别在实现基于深度神经网络的红枣在线检测中具有较大的应用潜力。     

基于气流与多点激光技术的牛肉新鲜度检测装置研发

为了提高气流-激光技术在冷鲜肉品质检测方面的预测性能,该研究根据牛肉黏弹性与其品质的相关性,基于气流与多点激光技术研发了牛肉新鲜度检测装置。该装置硬件系统主要包括气流控制模块、位移信息采集模块、载物台升降模块和气室。基于该检测装置获取不同新鲜度牛肉样本的黏弹性信息,采用S-G卷积平滑（Savitzky-Golay smooth, S-G）、一阶导数处理（First derivative, FD）、一阶导数处理结合S-G卷积平滑（Savitzky-Golay smoothing after the first derivative pre-processing, FD+S-G）对样品黏弹性信息进行预处理,并测定牛肉新鲜度指标挥发性盐基总氮（Total Volatile Basic Nitrogen, TVB-N）含量, 建立了牛肉TVB-N含量的较佳预测模型。模型验证集的相关系数与均方根误差分别为0.859和1.337 mg/100 g。基于QT应用程序开发框架设计完成了检测装置控制软件,并将预测模型植入软件内部,实现了该检测装置的一键式操作。为验证检测装置稳定性进行外部验证试验,结果表明该检测装置预测值与国标测量参考值间相关系数为0.887,均方根误差为1.385 mg/100 g。该检测装置基于黏弹性原理实现了牛肉新鲜度的无损检测,预测性能较好,可以为肉品新鲜度检测提供参考。     

基层森林资源保护管理中存在问题及对策分析

森林是国家的重要自然资源,不但能够调节整个生态系统,还可应用到物资生产当中,为国家创造经济价值。如今,地球环境正在不断恶化,森林资源对我国发展来说具有重大意义。但是从目前情况来看,很多木材商人以及林农缺乏保护森林的意识,导致森林被大量砍伐和破坏。因此,阐述了保护森林资源的意义,并针对当前森林资源保护管理中存在的问题提出了具体的解决对策。     

基于卷积神经网络干制哈密大枣纹理分级

【目的】研究一种基于卷积神经网络干制哈密大枣纹理分级的方法。利用卷积神经网络解决干制哈密大枣的纹理分类问题。【方法】将大小统一的彩色图片输入网络,卷积核自动提取其纹理特征,进行分类。【结果】分类准确率达到了97.7%。【结论】与常用的灰度共生矩阵提取干制哈密大枣纹理特征(最大概率,相关性,对比度、能量、同质性和熵),再用BP神经网络和支持向量机(SVM)分类准确率相比的方法,避免了复杂纹理提取和图片预处理的过程,在测试时间相近的情况下识别率更高。     

基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

【目的】研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取验本集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值。