基于卷积神经网络的蓖麻种子损伤分类研究

不同形式的机械损伤对蓖麻种子发芽生长和榨油后的蓖麻油质量影响不同,因此对产生机械损伤的蓖麻种子进行识别分类非常重要。提出了基于卷积神经网络的蓖麻种子损伤分类算法。以种壳缺失、裂纹和完整蓖麻种子（无损伤）的分类为例,构建了蓖麻种子训练集和测试集,搭建2个卷积层（每个卷积层8个卷积核）、2个池化层和1个全连接层（128个节点）,实现分类。为提高分类的准确性和实时性,调整网络结构以及优化批量尺寸参数,得到较优的网络结构和批量尺寸;利用上下左右翻转扩充样本,改变优化器、学习率以及正则化系数对该网络进行组合试验,获得准确率及效率较优的组合。通过Dropout优化减小卷积神经网络模型的过拟合。试验结果表明：卷积层为5层、池化层为5层、批量尺寸为32时,该网络模型平均测试准确率为92.52%。在组合试验中,Sgdm优化器更新网络可以提高网络的分类性能;数据扩增可以增加样本的多样性,减小过拟合现象;通过Dropout优化卷积神经网络模型的过拟合;选择学习率为0.01,正则化系数为0.0005时,模型分类准确率达到94.82%,其中种壳缺失蓖麻种子准确率为95.60%,裂纹蓖麻种子准确率为93.33%,完整蓖麻种子准确率为95.51%,平均检测单粒蓖麻种子的时间为0.1435s。最后,开发蓖麻种子损伤分类系统,验证结果为：种壳缺失蓖麻种子的准确率为96.67%,裂纹蓖麻种子的准确率为80.00%,完整蓖麻种子的准确率为86.67%。该卷积神经网络模型在损伤蓖麻种子分类时具有较高的识别准确率,可在蓖麻种子在线实时分类的检测系统中应用。     

基于卷积神经网络的油茶籽完整性识别方法

针对现有油茶籽色选机无法识别碎籽的问题,提出一种基于卷积神经网络的油茶籽完整性识别算法。以油茶籽完整性识别为目标,构建油茶籽图像库;基于油茶籽完整性识别任务要求,通过对Alex Net网络进行优化得到适合油茶籽完整性识别的卷积神经网络模型,该网络具有4层卷积层、2层归一化层、3层池化层和1层全连接层。为了提高网络分类准确率和实时性,从网络结构简化和超参数优化两方面对卷积神经网络进行优化,最终网络结构(CO-Net)的分类准确率、训练收敛速度和泛化性能均得到了提高。实验结果表明,优化后的网络对油茶籽完整性识别准确率达98.05%,训练时间为0.58 h,模型规模为1.65 MB,单幅油茶籽图像检测平均耗时13.91 ms,可以满足油茶籽在线实时分选的要求。     

迁移学习在玉米叶片病害识别中的研究与应用

使用卷积神经网络对作物病害图片进行识别分类需要较长模型训练时间,采用迁移学习的方法可有效提高识别效率。首先探究迁移学习冻结全部网络层、冻结部分网络层和不冻结网络层时的识别效果,然后使用InceptionV3模型和Xception模型分别对玉米健康叶片、尾孢叶斑病、纹枯病以及锈病进行识别与分类。试验结果表明：迁移学习不冻结网络层时分类效果最好,准确率可达97.42%;冻结部分网络层次之,InceptionV3模型在可训练参数量为70%左右时识别效果较好,准确率可达92.04%;Xception模型在可训练参数量为80%时效果最好,准确率可达94.62%;冻结全部网络层时准确率相对较低,准确率为87.10%。整体来看,Xception模型比InceptionV3模型更适用于玉米叶片病害的识别。     

基于深度学习的种鸭蛋孵化早期受精信息无损检测

针对我国鸭蛋孵化行业剔除无精蛋的方法效率低、剔除的无精蛋已丧失食用价值、造成资源巨大浪费的问题,运用机器视觉技术,以孵化至第3天的种鸭蛋为研究对象,运用深度卷积神经网络(Convolutional neural networks,CNN)端对端的特点,在Alexnet神经网络基础上进行改进,将孵化第3天的种鸭蛋透射图像直接输入到深度卷积神经网络。用卷积层代替全连接层,改变卷积核的尺寸,搭建了种鸭蛋受精信息识别网络(Eggnet)模型,实现了对种鸭蛋孵化早期受精信息的无损判别。试验结果表明,该方法对孵化第3天的种鸭蛋图像测试集分类准确率高达98.87%,验证集分类准确率为97.97%,平均单枚蛋检测时间仅为0.24 s。     

基于迁移学习的花类图像分类方法研究

传统的花类识别方法和普通卷积神经网络模型无法对花类图像进行准确的特征提取,花类之间较高的相似性使得分类识别较难。针对以上问题,为提高图像识别率,提出一种基于VGG16网络的迁移学习方法,对花卉图像进行分类。首先对花卉图像进行数据加强,然后对数据集预训练模型进行迁移学习,修改全连接分类层,最后对优化器与激活函数进行微调,得出分类结果。实验表明：该模型在花类分类识别中比传统方法和普通卷积神经网络模型得出的准确率高,迁移后准确率达到89.10%。     

基于全卷积神经网络的林区航拍图像虫害区域识别方法

针对航拍林区虫害图像的虫害区域不规则和传统识别方法泛化能力差的问题,提出一种基于全卷积神经网络(Fully convolution networks,FCN)的虫害区域识别方法。采用八旋翼无人机航拍虫害林区、获取林区虫害图像,并对虫害区域进行像素级标注,用于模型训练;将VGG16模型的全连接层替换为卷积层,并通过上采样实现端到端的学习;使用预训练的卷积层参数,提升模型收敛速度;采用跳跃结构融合多种特征信息,有效提升识别精度,并通过该方法构造了5种全卷积神经网络。试验表明,针对林区航拍虫害图像,FCN-2s在5种全卷积神经网络中区域识别精度最高,其像素准确率为97. 86%,平均交并比为79. 49%,单幅分割时间为4. 31 s。该方法与K-means、脉冲耦合神经网络、复合梯度分水岭算法相比,像素准确率分别高出44. 93、20. 73、6. 04个百分点,平均交并比分别高出50. 19、35. 67、18. 86个百分点,单幅分割时间分别缩短47. 54、19. 70、11. 39 s,可以实现林区航拍图像的虫害区域快速准确识别,为林业虫害监测和防治提供参考。     

基于深度学习的大田甘蓝在线识别模型建立与试验

针对大田蔬菜对靶施药过程中靶标难以精准识别定位的问题,以甘蓝为研究对象,进行基于深度学习的靶标在线识别方法与模型研究。对比3种当前性能较优的目标检测模型Faster R-CNN、SSD和YOLO v5s,选择YOLO v5s作为田间甘蓝识别迁移学习模型,提出一种MobileNet v3s主干特征提取网络与深度可分离卷积融合的YOLO-mdw大田甘蓝目标识别方法,实现复杂环境下的大田甘蓝实时识别;提出一种基于卡尔曼滤波和匈牙利算法的甘蓝目标定位方法,并将模型部署于NVIDIA Xavier NX开发板上。试验结果表明,YOLO-mdw识别模型在晴天、多云、阴雨天气条件下识别准确率分别为93.14%、94.75%和94.23%,图像处理时间为54.09 ms,相对于YOLO v5s模型用时缩短26.98%;速度不大于0.6 m/s时,识别准确率达94%,平均定位误差为4.13 cm,平均甘蓝直径识别误差为1.42 cm。该靶标识别系统能在大田复杂环境下对甘蓝进行实时识别定位,为对靶施药提供技术支持。     

基于改进型LeNet-5的苹果自动分级方法

针对目前传统机器学习对苹果分级的局限性,改进经典卷积神经网络LeNet-5模型以提高分级准确率。试验在原基础上添加卷积层至4层以加深网络深度,改用LeakyReLU激励函数并加入Dropout层防止过拟合,修改输入图像大小为32×32×3。同时将此与GoogLeNet迁移模型、初始LeNet-5模型、传统机器学习进行对比。试验对不同等级的红富士苹果进行训练与测试,发现改进后的LeNet-5效果最好,测试集准确率达98.37%、AUC值为0.907 5,识别一个苹果仅需0.12 s,能够满足工厂自动化分级的需求。综上,改进型LeNet-5模型可用于苹果的高效分级。     

基于深度残差学习的成熟草莓识别方法

为解决自然状态下成熟草莓存在的背景干扰、信息丢失等问题,提出一种基于深度残差学习的草莓识别方法。首先,引入深度可分离卷积降低残差网络参数,从不同角度提取成熟草莓特征,通过交叉熵损失函数来识别分类层中的草莓。其次,嵌入压缩和激励模块学习特征权重,使用特征重新校准改善网络的学习和表征属性。最后,采用添加空间金字塔池化、加权衰减优化方法提高模型的泛化能力,优化识别结果。试验结果表明,和现有其他深度模型相比,该方法能够有效地定位复杂背景下的成熟草莓,不易受到干扰环境的影响,具有更高的识别准确率和灵敏度,在数据集C中的识别准确率和灵敏度最高,分别达到92.46%和94.28%。     

基于二值化卷积神经网络的农业病虫害识别

卷积神经网络的使用提高物体识别的准确率,但还是存在运行时间长、参数量较大的问题。针对这些问题提出使用二值化卷积神经网络模型对植物病虫害进行识别。试验中以VGG16模型为基准,采用深度网络模型对植物病虫害进行分类,相比于传统植物分类方法有效提高准确率;以符号函数和尺度因子α代替浮点型权值参数,将权值二值化以提高模型的计算速度;采用了PlantVillage数据集共54 306张图片,并且设置不同比例、环境下的数据集用以排除固有偏差对实验的影响,并且对原数据集进行图片扩充以消除样本分布不均的情况。试验表明二值化模型达到原模型近两倍的计算速度,且在分割数据集下测试平均识别准确率能达到96.8%。     

基于改进ResNet的植物叶片病虫害识别

轻量化植物叶片病虫害识别算法设计是实现移动端植物叶片病虫害识别的关键。研究提出一种基于改进ResNet模型的轻量化植物叶片病虫害识别算法Simplify ResNet。以人工采集图像和PlantVillage数据集图像为实验数据,根据移动端植物病虫害识别对准确率、速度和模型大小的实际需求,改进ResNet模型。使用5×5卷积替代7×7卷积,采用残差块的瓶颈结构代替捷径结构,采用模型剪枝处理训练后的模型。通过测试集5 786幅图像测试Simplify ResNet模型,证明5×5卷积和残差块的瓶颈结构可有效降低模型参数量,模型剪枝可有效降低训练后的模型大小。Simplify ResNet模型对测试集图像的识别准确率为92.45%,识别时间为48 ms,内存大小为36.14 Mb。与LeNet、AlexNet和MobileNet等模型相比,其准确率分别高18.3%,7.45%和1.2%。为移动端植物病虫害识别解决最重要的算法设计问题,为移动端植物病虫害识别做出有益探索。     

基于改进ResNet-18模型的弧齿锥齿轮安装位置偏差分类识别方法研究

针对现有的弧齿锥齿轮安装位置偏差分类识别效率低的问题,使用改进的ResNet-18神经网络构建轻量级弧齿锥齿轮安装位置偏差分类识别模型,改进的网络修改了ResNet-18网络第一卷积层,并引入了通道与空间注意力机制。实验结果表明,改进ResNet-18较原网络对于齿面接触印痕图像的分类准确率提高了3.23%,损失值降低了0.04。该方法为齿轮安装偏差识别提供了新路径,对弧齿锥齿轮总成的安装调整作业提供了一定的指导。     

基于RFID和图像处理的目标物识别处理系统的研究

介绍了RFID技术和图像处理技术,研究了基于图像处理和卷积神经网络的水果识别与分类模型,设计了一套水果目标物识别处理系统,可以实现对苹果、梨子、水蜜桃和香蕉等4种水果的识别与分类。实验结果表明:卷积神经网络模型采用自主学习型的网络,识别错误率只有0.93%,相比其他传统模型分类错误率降低较多,证明了卷积神经网络模型性能优良,具有较好的可行性。     

基于轻量化VGG的植物病虫害识别

深度神经网络模型被广泛应用在植物病虫害识别任务中,并取得巨大成功。同时,这些网络的计算复杂度和参数量也在不断增加,这将对神经网络的部署提出重大挑战,尤其是在硬件资源有限的设备或实时应用上。针对该问题,提出一种轻量化的病虫害识别模型,结合Ghost模块对VGG16进行改进,同时减少模型卷积层的卷积核个数,并引入Ranger优化器。试验结果表明,该模型在PlantVillage数据集上准确率为99.37%,FLOPs为88.45 M,比VGG16下降71.86%,有较快的收敛速度,在复杂环境下,模型的准确率为92.40%,识别时间为VGG16的50%。     

基于卷积网络和哈希码的玉米田间杂草快速识别方法

为提高作物与杂草识别的准确性,结合深度卷积网络强大的特征提取能力和哈希码便于存储和快速检索的特点,提出了基于深度卷积网络和二进制哈希码的田间杂草快速识别方法。结合预训练好的多层卷积网络,增加二进制哈希层构建杂草识别模型,并利用所采集的杂草数据集对模型进行fine-tuning。所提出的二进制哈希层可有效地的将高维杂草特征进行压缩,以便于实际田间杂草特征的存储和后续计算。在进行杂草识别时,利用训练好的模型提取输入图像的全连接层特征码和哈希特征码,与数据库中的全连接层特征码和哈希特征码进行对比,分别计算其汉明距离与欧氏距离,找出与其最相似的K张图像,统计这K张图像的标签,将其归入频率最高的一类,以达到分类识别的目的。本文通过对比不同卷积层数和不同二进制哈希码长度对杂草识别的影响,最终确定了包含4层卷积网络和128位哈希码长度的杂草识别模型。试验结果表明所提出的研究方法在田间杂草识别上可以达到98.6%准确率,并且损失函数稳定性相较于普通模型有所提高。同时在其他杂草数据集上也有良好的表现,准确率达到95.8%,说明提出的方法具有通用性。经实地测试表明利用本文提出的模型识别杂草进行对靶喷雾可以达到92.7%的杂草施药率,能够有效减少农药浪费,适用于精准喷雾。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

多类农田障碍物卷积神经网络分类识别方法

针对农田作业场景中可能会遭遇更大生命财产损失的人和其他农业车辆等动态障碍物, 提出了一种基于卷积神经网络的农业自主车辆多种类障碍物分类识别方法。搭建了包括1个输入层、2个卷积层、2个池化层、1个全连接层和1个输出层的卷积神经网络识别模型;建立了人和农业车辆的障碍物数据库,其中包括训练集和检测集;利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作,再次经过3×3卷积核的卷积操作和2×2池化操作后,通过自动学习获取并确定网络模型参数,得到最佳网络模型。试验结果表明,障碍物的检测准确率可达94.2％,实现了较好的识别效果。     

基于改进SqueezeNet模型的多品种茶树叶片分类方法

为实现茶树叶片种类的准确、无损、快速分类,以复杂背景下6个品种的茶树叶片图像作为研究对象,通过卷积神经网络实现茶树叶片品种分类。选择经典轻量级卷积神经网络SqueezeNet,通过在Fire模块中增加批归一化处理,实现网络参数不显著增加的前提下大幅提升网络对多品种茶树叶片分类的准确率;通过将Fire模块中的3×3标准卷积核替换为深度可分离卷积,进一步缩小网络模型,降低网络对硬件资源的要求;通过在每个Fire模块中引入注意力机制,增强网络对重要特征信息的提取能力,提升模型分类性能。试验结果表明,原始SqueezeNet模型对多品种茶树叶片分类准确率为82.8%,增加批归一化处理后模型在测试集的准确率达到86.0%,参数量只有7.31×10⁵,相对于改进前参数量仅增加0.8%,运算量与改进前基本相同;将Fire模块中的3×3标准卷积核替换成深度可分离卷积后的模型在测试集的准确率为86.8%,准确率提高0.8个百分点,参数量下降至2.46×10⁵,模型参数量减小66.3%,运算量下降60.4%;引入注意力机制后的模型测试集分类准确率达到90.5%,...     

基于多层EESP深度学习模型的农作物病虫害识别方法

为了提取图像高层语义特征、解决各种植物病虫害图像尺寸不相同的问题,提出了多层次增强高效空间金字塔(Extremely efficient spatial pyramid,EESP)卷积深度学习模型。首先,对图像进行预处理;其次,构建多层融合EESP网络模型,该模型通过对每层设置不同的空洞率进行空洞卷积,选择性地提取不同层次的特征信息,通过融合各层信息获得各种农作物病虫害图像的不同特征;最后,通过Softmax分类方法实现农作物病虫害识别。数据集包括10种农作物的61种病虫害类别,迭代训练300次,得到本文方法 Top1分类准确率最高达到了88.4%,且采用三阶EESP模型达到了最佳效果。     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。