采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

改进Multi-scale ResNet的蔬菜叶部病害识别

基于深度网络的蔬菜叶部病害图像识别模型虽然性能显著，但由于存在参数量巨大、训练时间长、存储成本与计算成本过高等问题，仍然难以部署到农业物联网的边缘计算设备、嵌入式设备、移动设备等硬件资源受限的领域。该研究在残差网络（ResNet18）的基础上，提出了改进型的多尺度残差（Multi-scale ResNet）轻量级病害识别模型，通过增加多尺度特征提取模块，改变残差层连接方式，将大卷积核分解，进行群卷积操作，显著减少了模型参数、降低了存储空间和运算开销。结果表明，在PlantVillage和AI Challenge2018中15种病害图像数据集中取得了95.95%的准确率，在自采集的7种真实环境病害图像数据中取得了93.05%的准确率，在准确率较ResNet18下降约3%的情况下，模型的训练参数减少93%，模型总体尺寸缩减35.15%。该研究提出的改进型Multi-scale ResNet使蔬菜叶部病害识别模型具备了在硬件受限的场景下部署和运行的能力，平衡了模型的复杂度和识别精度，为基于深度网络模型的病害识别系统进行边缘部署提供了思路。     

油炸兔肉软罐头生产线设计

油炸兔肉软罐头食用方便,营养丰富,容易储藏和长途运输,市场前景广阔.本文从油炸兔肉软罐头生产工艺确定、物料衡算、设备选型等几个方面进行设计,设计出了一条投资少、成本低、运行稳定、生产效率较高的小型油炸兔肉软罐头生产线,适于小型肉制品加工厂推广使用.