基于多信息融合的鸡蛋新鲜度检测研究

为了提高鸡蛋新鲜度检测的准确率和稳定性,应用多信息融合技术,通过BP神经网络将机器视觉和光照度两种传感器采集到的信息在特征层进行融合,构建了鸡蛋新鲜度融合模型。在模型的建立过程中,分别选取蛋黄与整蛋面积比值和鸡蛋透光度作为特征参数,建立这两个特征量与新鲜度的关系模型。经检验,通过该方法对鸡蛋新鲜度识别的准确率为92.5%。验证试验结果表明:基于机器视觉和光照度的多传感器融合技术检测鸡蛋新鲜度是可行的,检测结果的准确性和稳定性相对于单个模型有明显的提高。     

基于轻量化YOLOX算法的东北虎检测

以大型哺乳动物东北虎(Panthera tigris altaica)为例,通过使用圈养东北虎监测影像数据集(ATRW),采用YOLOX算法对东北虎进行目标检测研究,检测速度为87.59张/s,0.50阈值准确率(mAP_0.50)为97.32%,0.75阈值准确率(mAP_0.75)为75.10%,模型总参数量为8.938×10⁶。通过筛选无锚框算法,对选出的YOLOX算法进行轻量化、添加注意力机制及网络损失函数的优化,优化后的算法检测速度提升1.74张/s,mAP_0.50准确率提升1.02个百分点,mAP_0.75准确率提升1.53个百分点,模型的总参数量减少18.47%。算法改进后,在提升识别准确率的同时,有效降低了检测算法依托硬件的需求,为东北虎的野外行为研究、保护生物多样性及东北虎的野外相关数据收集提供了检测算法。     

特征提取和特征降维在猪只行为分类识别中的应用

为了有效改善猪只行为分类识别效果,试验采用三轴加速度传感器获取试验猪(猪A、猪B、猪C)在X轴、Y轴和Z轴三个方向上的加速度数据,建立试验猪只行为数据集,分别提取X轴、Y轴和Z轴的平均值、中位数、最大值、最小值、第一四分位数和第三四分位数,共同构成一个包含21个特征在内的数据集,分别采用ReliefF算法和随机森林算法就各特征对试验猪行为分类识别结果影响的大小进行分析与排序,删除与分类识别性能相关性小的特征,将21维数据集降维至9维。结果表明：将经ReliefF算法降维的数据集用于猪只行为识别与分类,猪A、猪B猪C的总体平均准确率分别为80.9%、81.7%和82.0%;将经随机森林算法降维后的数据集用于猪只行为识别与分类得到的总体平均准确率分别为86.4%、85.3%和87.2%。说明采用随机森林算法进行特征降维的效果更好,更适用于处理猪只行为数据。     

基于EfficientDet的蚕茧识别方法

蚕茧是纺织品重要的原材料,带有缺陷的蚕茧会对纺织品质量造成影响,目前人工检测的效率低,成本高,针对这一问题提出通过深度学习技术提高蚕茧缺陷检测的效率。本文首先通过左下角填充算法构造多蚕茧同时识别数据集,然后利用EfficientDet网络模型对该数据集进行识别,最后通过实验比较EfficientDet-D0、YOLOv5s、SSD神经网络在构建的数据集上的性能,实验结果表明EfficientDet-D0网络模型的mAP为82.4%,优于另外2种算法,具有较好的准确率。     

基于深度学习的猪只行为识别

在猪养殖过程中猪的行为与其健康状况有着密切的联系，及时发现猪的异常行为并加以治疗可以提高养殖的生产效益。利用深度学习技术进行猪只的行为识别，相较于传统人工方式效率更高。本文使用RealsenseD455相机采集猪只行为图像数据，使用Mosaic数据增强方法扩充数据集。将CBAM注意力机制模块加入YOLOv5模型，提高网络模型对猪只行为的特征提取能力。使用PyQt库设计了猪只行为识别系统，实现对训练的模型进行调用，通过上传猪只图片或视频并设置相关参数实现了猪只行为识别的可视化。该系统界面简洁操作便利，猪只姿态识别准确率达到90%以上，对猪只生产和基于深度学习的猪只行为识别研究具有一定的价值。     

基于二叉决策树分类模型的草原牛行为识别

为了解决人工监测草原放牧牛运动行为工作量大、监测精度低的问题,试验提出一种基于二叉决策树分类模型的草原牛行为识别方法,即选取草原牛颈部三轴加速度计采集数据的X轴、Y轴、Z轴方差、均方根、平均值及三轴总体的矢量幅度(signal vector magnitude, SVM)和幅度(singal magnitude area, SMA)共11种统计特征量来构建查准率-查全率曲线(P-R曲线),通过P-R曲线获取各统计特征量所对应的最优行为类别分组方式及最优阈值,利用信息增益作为选择标准来构建二叉决策树分类模型,运用此模型对草原牛的躺卧、反刍、采食及慢走四种运动行为进行分类识别,并与K-均值(K-means)聚类算法比对。结果表明：K-means聚类算法只能识别躺卧行为,难以区分反刍、采食及慢走三种运动行为,但二叉决策树分类模型能够有效地将躺卧和慢走行为从躺卧、反刍、采食及慢走四种行为中识别出来,查准率和查全率均达到0.760以上。说明二叉决策树分类模型较常用的K-means聚类算法可更有效地完成草原牛行为分类,并且准确率更高。     

结合深度学习与图像处理的黄斑茧识别算法

剥茧缫丝是提取丝绸制品原料蚕丝的重要环节,在缫丝前需要对蚕茧进行筛选,剔除不合格的下茧。针对目前自动化识别上车茧和黄斑茧准确率低的问题,文中提出一种结合深度学习与图像处理技术的识别算法。引入空洞卷积改进YOLOv5s网络,利用改进后的网络对不同类别标签的蚕茧图片进行训练和预测;在此初识别基础上,对网络预测结果置信度小于70%的图片进行图像处理二次判别,在原始图片上根据网络预测的锚定框提取出蚕茧所在区域,经背景分割预处理后单独提取蚕茧HSV颜色模型中S通道图,在S通道图上分析蚕茧黄斑颜色特征,统计表面黄斑区域的面积占比和平均饱和度,并设定双阈值进行二次识别。经测试,该算法识别上车茧和黄斑茧的平均准确率达到94.94%,单张图片初识别加二次识别总时间为318.5 ms。     

拉曼光谱结合模式识别算法用以牛奶制品智能判别与参数优化

本试验以牛初乳奶片、乳酸奶片为对象,采集了多个样品的拉曼光谱并进行结构解析,随后以拉曼光谱为输入,先后论证了多种数据预处理方法的适用性,以及特征提取方法的选择、分类算法的参数优化。结果显示,奶片的拉曼光谱可提供样品丰富的化学结构信息,表征蛋白质、脂肪、糖类等营养物质信息,但由于样品间具有较高的谱图相似性,仅凭裸眼无法实现类别判别。引入支持向量机分类器,系统讨论了包括小波降噪、多元散射校正、求导、归一化多种数据预处理方法,结果发现小波降噪、多元散射校正、一阶求导以及归一化相结合的预处理可有效提高分类器识别率。进一步运用主成分分析特征提取算法,揭示出特征提取可提高分类算法的运行效率、去除冗余信息、节省运行时间、提高分类准确率。随后,比较了网格搜索算法、粒子群优化算法、遗传算法,用以支持向量机分类器参数优化,揭示出网格搜索算法可高效获得最佳惩罚参数(c=11.3731)和核函数参数(γ=0.00097656),可供建立优化的智能判别模型。     

基于贝叶斯网络的手写数字识别的研究与应用

手写数字识别在很多领域都具有广泛的应用前景,为了提高手写数字识别的精度,建立了能够针对不确定、不精确信息作出有效推理的贝叶斯网络模型。首先通过二值化、细化、归一化等方法对手写数字进行预处理,利用粗网格特征提取方法提取特征值,然后使用基于关联规则的贝叶斯网络分类器算法区分手写数字,最后通过实验验证方法的有效性。实验结果表明,贝叶斯网络分类模型有较强的分类能力,是一种有效的手写数字识别模型。     

基于卷积神经网络的牧草种子图像识别

传统的灰度图像处理方式会降低数据集的复杂性,进而降低模型识别相似种子的准确率。因此,将卷积神经网络中传统的图像灰质化处理方法改进为归一化典型判别分析(nCDA)算法与卷积神经网络(CNN)相结合的方法(CNN-nCDA),该方法基于多光谱仪采集的种子图像信息,以深度学习框架TensorFlow为基础,利用卷积神经网络构建种子识别算法,可区分高相似度牧草种子。结果表明,仅依靠传统灰度图难以区分形态相似的种子(62.11%～72.5%),而采用CNN-nCDA策略对不同类别种子分类的准确率可达100.0%,优于单独使用nCDA (90.0%～100.0%)、线性判别分析(LDA)(97.3%～100.0%)、支持向量机(SVM)(92.4%～97.5%)的准确率。综上所述,多光谱成像技术中的nCDA算法与卷积神经网络相结合技术,具有较高的校准和验证能力,对现场快速筛选种子具有良好的应用前景。     

影像特征提取及分类器的设计

本文旨在使用Matlab编程语言实现通过计算机识别来提取影像特征进而实现对影像的分类是实现计算机解译的重要过程。主要编程实现特征提取方法和分类器的设计这两个环节,从而实现对影像的自动分类,并对其分类结果提出精度评价方法。     

基于CEEMD和RNN-LSTM的饲喂管道堵塞故障识别

为了解决稀料饲喂系统使用过程中管道堵塞程度难以识别的问题,试验采用一种基于完全经验模态分解(complete ensemble empirical mode decomposition, CEEMD)的改进循环神经网络(recurrent neural network, RNN)-长短期记忆模型(long and short-term memory, LSTM)算法来实现对饲喂管道堵塞状态的检测,即对采集到的饲喂管道中的声音反馈信号进行CEEMD分解,得到本征模态函数(intrinsic mode function, IMF)分量,从IMF分量中提取能量占比和近似熵作为特征向量构建特征集合M₁;根据皮尔逊相关系数和能量占比的特性选取特征中相关性强的和包含信息量多的IMF分量重新构建特征集合M₂;再利用BP神经网络(back-propagation network)和RNN-LSTM算法模型分别对三通件管道、无堵塞管道、轻度堵塞管道、中度堵塞管道、重度堵塞管道5种工况进行分类识别。结果表明：单一特征的识别准确率低于多特征识别准确率,经过特征筛选...     

基于改进的LogitBoost算法的垃圾网页检测研究

实现垃圾网页的有效检测可以有效提高搜索引擎检索质量,促使网页的设计向着面向用户的方向发展。由于垃圾网页是面向搜索引擎设计的,正常网页是面向用户设计的,因而两者在特征方面存在众多区别,通过机器学习方法可以根据垃圾网页与正常网页在特征方面的不同对垃圾网页进行有效识别。通过对常见单分类器和集成学习分类器处理垃圾网页数据集的对比实验,发现集成学习方法 logitboost较为突出,所得结果明显优于单一分类器和常用集成学习算法,所得结果也更接近真实值,并通过对logitboost所用的预处理方法和基分类器进行改进,发现用resample对垃圾网页进行预处理,以REPTree算法为基分类器的logitboost算法对垃圾网页数据集的分类有较高的精确度。     

母羊发情声音数字化识别模型的建立

本试验旨在通过构建模型,利用计算机技术识别母羊发情的叫声。对40只崂山奶山羊发情、羔羊寻母、母羊饥饿和饲料刺激4种类型声音进行录制,通过搭建程序对原始声音进行声音信号分析,然后将声音进行预处理并进行特征参数提取,发现母羊发情、饥饿、羔羊寻母状态下羊的声音强度和频率有显著差异。利用隐马尔可夫模型(HMM)、支持向量机(SVM)和迭代算法(Adaboost)3种声音模型对羊声音进行识别准确率验证,结果显示3种声音模型识别羊的发情状态与试情结果吻合率为96.67%、84.17%和87.92%。从动物行为学的角度分析,可以利用计算机处理羊的声音识别出母羊发情等状态。     

基于马氏距离的模糊支持向量机及其在用户行为识别中的应用研究

基于支持向量机的分类原理,对具有显著不平衡性的用户行为数据进行分析,旨在探索一种利用用户浏览商品网页时的行为特征,识别用户关于商品品牌购买偏好的方法。文章提出一种基于马氏距离的高维空间类中心隶属度构建方法,将该方法与支持向量机和基于欧式距离的高维空间类中心隶属度的模糊支持向量机进行比较,通过一组对比实验,证明该方法用于对用户行为偏好识别的有效性和优越性。     

一种基于极大团扩展的蛋白质复合物识别算法

后基因组时代如何识别蛋白质复合物并预测其功能是蛋白组学的一项基本任务,然而传统实验方法获取的蛋白质复合物不仅数量有限而且成本代价高昂,采用新技术和方法提高蛋白质复合物的识别效率是现阶段与蛋白质相关的药物设计唯一现实可行的手段。本文基于蛋白质相互作用网络的小世界原理和蛋白质复合物内蛋白质之间的最短距离一般不超过2的事实提出了一种新的基于极大团扩展的蛋白质复合物识别算法NCIA。该算法针对蛋白质网络中的极大团利用聚类系数进行扩展以提高蛋白质复合物识别的准确率。将该方法应用于酵母蛋白质相互作用网络,相关数据表明与其他典型的蛋白质复合物识别算法相比较,该方法具有很好的识别能力。     

基于无线传感器网络的产前母猪行为监测系统

目前大规模集约化母猪养殖业主要是依靠饲养员对产前母猪行为的连续观察,通过直觉和经验从而判断母猪的分娩时间。但是该技术不仅要求大量人力,效率低下,而且往往会出现人为疏忽造成刚分娩的仔猪死亡现象。针对这一问题,设计了一种基于无线传感器网络的产前母猪行为特征监测系统。该系统通过给母猪佩戴加速度传感器采集节点,实时监测母猪的行为,并通过支持向量机分析加速度数据并建立模型,分类识别母猪的站立、躺卧、进食、筑巢等典型行为特征。试验结果表明,系统能够实时连续的记录母猪产前行为特征参数,可准确识别出母猪的四种典型行为,准确率为93.3%。     

基于改进YOLOv4的地面鸡蛋识别算法研究

为实现散养模式下智能收集地面鸡蛋的需求,研究提出一种基于改进YOLOv4的地面鸡蛋识别算法,基于原YOLOv4目标识别算法,通过添加SENet模块增强识别算法获取目标特征的能力,裁剪路径聚合网络分支加快特征提取速度,使用soft-NMS算法降低漏检率,提高模型的准确率。结果显示,改进后的YOLOv4算法相比于Faster-RCNN和YOLOv3算法,mAP分别提高了12.2%、5.68%,识别速度分别提高了29.45FPS、1.23FPS;与YOLOv4算法相比,改进后的YOLOv4算法提高了识别效率,mAP提升了2.08%,识别速度为41.49FPS。结果表明,改进后的YOLOv4目标识别算法能够快速准确地识别出弱光条件下以及复杂环境中的地面鸡蛋,改善了地面鸡蛋因被遮挡而产生的漏检问题,为地面鸡蛋采集等装置提供了视觉技术支持。     

统计模式识别概论及应用

本文采用统计模式识别方法对车辆进行识别,利用主成分变换法对车辆和背景训练及测试样本进行特征提取,并应用遗传算法对特征提取阶段的结果进行特征选择,然后对测试样本做同样的提取特征的处理,最后应用训练好的支持向量机分类器进行分类识别检测。此基于统计特征的车辆识别算法不仅具有较好的适应性,而且能有效的提高识别率和降低误识别率。     

基于中继协作的动态频谱共享研究

提出了一种基于中继协作的动态频谱共享的算法系统模型与协议内容,分别得出了在该模型下的主用户与认知用户的中断概率闭式解,并且根据主用户中断概率闭式解设计了认知用户子载波比例分配依据;最后通过仿真结果验证了理论分析的正确性和协议的有效性,在该协作频谱共享可以满足认知用户频谱接入的同时,可以有效降低主用户的中断概率,此外,可以看到本文提出的算法有效的避免了主用户性能"溢出"的问题。