基于改进YOLO v4的自然场景下冬枣果实分类识别

为实现冬枣园机械化自动化采摘以及冬枣树精准化管理,针对自然场景下冬枣果实的快速、准确分类识别问题,提出一种基于YOLO v4模型改进的冬枣果实分类识别模型CC-YOLO v4。利用改进的CSP跨阶段部分连接结构和多尺度特征融合的CBAM卷积注意力模块,减小网络规模的同时增强特征提取能力,改善果实分类识别的误检和遮挡目标的漏检情况;采用Softmax交叉熵损失函数代替Sigmoid二元交叉熵损失函数作为分类损失函数,引入EIoU损失函数代替CIoU损失函数作为边界框回归损失,进一步改善果实分类识别的误检并提升预测框精度。试验结果表明,CC-YOLO v4模型对3类冬枣果实的查准率P均值为81.86%,平均检测精度均值mAP为82.46%,IoU均值为81.35%,模型参数量和大小分别为26.9 M和108 MB,检测速度可达28.8 F/s。与其他模型相比,本模型具有更好的分类识别能力、识别速度和较小的模型复杂度。在不同果实数量情况下进一步试验,本研究方法具有良好的精度和鲁棒性,对解决自然场景下冬枣果实的精准分类识别问题具有重要参考价值。     

基于机器视觉的田间水稻苗列识别算法的研究

利用YUV色彩空间模型,以完全查表法对水稻秧苗列图像进行灰度化,通过基于傅里叶变换指导生成图像形态学运算的结构元素,提出一种结合傅里叶变换进行膨胀和腐蚀的方法,提取秧苗列轮廓,采用改良的逆投影变换对苗列图像进行垂直俯视投影,得到实际田间苗列位置,进而利用苗列实际走向信息,实现机器视觉导航系统跟踪苗列行进。对摄像机不同角度获取的苗列图像的处理结果表明,在容许识别定位误差小于50像素点、角度偏差小于6°的前提下,对苗列中心线识别与提取导航基准线的准确率为95.2%,可较好地实现田间自然环境下秧苗图像背景分割和苗列中心线提取。     

基于笔划和笔顺的汉字识别算法

以笔划为基元结构笔划的顺序来表示汉字的结构信息，在此基础上提出了一种笔写汉字识虽的匹配算法，对于结构类似的汉字，该算法可以通过特征关系予以识别，从而提高汉字的识别率。     

基于二进制搜索的RFID标签防碰撞算法研究

标签防碰撞技术是射频识别（RFID）系统中提高标签识别效率的关键技术。在基本二进制搜索算法（Bs）的基础上,研究了结合动态二进制搜索算法（DBS）和返回式二进制搜索算法（BBS）优点的返回式动态二进制算法（BDBS）,提出改进算法IBDBS,并对其进行优化。仿真结果表明,该算法能减少阅读器问询标签的数据量并提高系统吞吐率,有效地提高标签识别的速度。     

基于YOLO的番茄病虫害识别算法研究

本文以番茄病虫害为研究对象,为了实现对其病虫害识别,本文采取了以YOLO为基础识别算法。对番茄病虫害的危害展开研究,对基于YOLO的番茄病虫害识别算法进行分析,旨在确保番茄病虫害是识别效果,降低番茄病虫害对发生概率,保证番茄的生长发育水平,推动番茄的增产增收,全面满足番茄种植户的相应需求,并推动农业发展的信息化水平进步。     

基于模糊神经网络的大米品种识别算法研究

基于机器视觉技术,针对实际大米图像中不可避免的存在籽粒连接的情况,采用模糊BP神经网络进行大米品种识别。应用形态学中腐蚀、膨胀算法提取单粒大米籽粒,去除碎米后,对单粒整精大米籽粒进行外观特征提取,采用模糊BP神经网络进行大米品种识别,仿真结果表明,其可达到较高的检测精度。     

基于圆弧的原木轮廓的识别与验证

针对原木端面存在相交圆、阴影等导致原木轮廓难以获得完整的圆轮廓问题,提出了基于圆弧的原木轮廓识别方法.首先分析了圆弧在数字化图像中的性质,从各种边缘线条中区分出圆弧边缘;其次,定义验证模型,以判断识别结果是否为合格圆.结果表明,该方法可以从大量干扰的边缘中找到轮廓,并利用部分轮廓边缘识别原木端面.     

基于量化构造特征参数的树种计算机识别算法

简述了以往木材树种识别专家系统的数学算法,探索提出了一种新的基于由图像处理技术提取的木材构造解剖特征量化参数的计算机木材识别的算法———最大相似法 该方法可采用最小差值判别、树种综合特征阈值及综合加权相似3种方式来达到木材树种识别的目的,同时讨论了这3种方式的计算方法 这三者的主要区别在于:最小差值判别法是一种绝对的比较方法,它不考虑提取量化特征过程中所存在的误差与树种自身存在的变异,主要依靠多参数来修正误差;树种综合特征阈值法是一种相对的比较方法,它承认了客观误差的存在,利用适当的阈值来修正测量误差与树种品质的变异;综合加权相似法是在主成分综合分析的基础上,将每个特征量对树种的影响程度大小(即贡献率的大小)作为系数进行相似系数的计算,而前两者则将所有特征量视为平等 通过以上3种方式基于量化参数实现的木材树种识别方式具有比传统的专家系统检索方法更为客观,且在多参数情况下的容错能力更强等优点     

基于双重稳健回归的果树行间可行驶区域识别算法

【目的】提出一种复杂环境下以天空为背景的果树行间可行驶区域识别算法,以便农业机器人导航系统中工作路径的提取。【方法】通过蓝色分量(B分量)进行树冠和背景天空的分离,改进Otsu算法实现更好的分割效果,形态学处理后根据树顶分布规律,进行动态阈值“V形”感兴趣区域寻找及特征点提取,使用泰尔-森稳健回归剔除干扰点后,使用随机采样一致性(Random sample consensus,RANSAC)算法进行拟合,得到树顶处直线,通过斜率变换关系得到可行驶区域边缘直线斜率,利用剔除后特征点信息和剔除阈值获得关键点坐标,以斜率为约束条件,代入关键点,得到可行驶区域边缘直线方程,并使用最小二乘法进行拟合,以此实现可行驶区域识别。【结果】试验结果表明,本文双重稳健回归算法较泰尔-森算法和RANSAC算法平均偏差角度分别减小了8.28%和9.88%,标准差分别减少了6.25%和22.89%,准确率分别提高了4.64%和10.49%。【结论】研究结果可为农业机器人在大多数标准化果园复杂环境中的可行驶区域识别和路径提取提供研究思路。     

基于WEB三维虚拟场景的建立

随着万维网的发展,在网上实现3 维图形的显示、漫游、分析和量测成为研究的焦点内容之一.本文总结了基于WEB的三维虚拟场景的建立与编程技术--VRML与Java3D技术,对这两种技术的运行机理、实现机制作了较详细的论述,并给出了相应的实例.实例证明基于VRML和Java3D建立WEB上的三维模型可以提供给用户一个逼真的、实时的、可交互的三维虚拟场景.     

一种改进的基于二叉树的防碰撞算法

针对RFID系统中基于二叉树的标签防碰撞算法存在识别时间长、通信数据量大的问题,提出了一种改进的算法.算法充分利用上一次查询的信息,标签根据碰撞位先后应答读写器以减少碰撞的发生.读写器检测到接收的数据中有2个碰撞位即停止接收后续数据,以减少冗余数据的传输.算法将识别范围内所有标签进行分组,并且整个识别过程采用后退策略.仿真结果表明,提出的算法具有较高的识别效率.     

基于损失函数优化的命名实体识别算法研究

命名实体识别(NER)算法在解码实体时,高标签预测精度可能解码出低实体预测精度。针对此问题,选择W2NER作为基模型,对其交叉熵损失函数进行优化,提出了RCL-NER算法。该算法在保证全局关系标签高预测精度的同时,实现了较高的关系实体转换率。算法在两个广泛使用的公共数据集上的实验结果表明,在不连续数据集CADEC中,实体F1值最多提高了1.81个百分点,关系实体转换率最多提高了1.52个百分点;在连续数据集CoNLL-2003中,实体F1值最多提高了0.36个百分点,关系实体转换率最多提高了0.11个百分点。提出的RCL-NER算法通过对损失函数进行优化,提高了实体的预测精度。     

基于PERCLOS的机动车驾驶员驾驶疲劳的识别算法

阐述了PERCLOS测评驾驶疲劳的机理，对测试驾驶疲劳的几种方法的测试精度进行了比较，认为P80是最好的。应用二维高斯模型、灰度直方图、灰度模式匹配等图像分析和识别手段定位和追踪眼睛睁开、闭合的变化过程，统计出眼睛闭合时间。利用概率和数理统计方法给陆了一种行之有效的、基于PERCLOS的机动车驾驶员疲劳程度测的新算法。     

基于YOLOV3优化模型的复杂场景下茶树嫩芽识别

茶叶智能采摘的关键技术之一是待采摘嫩芽的识别,而嫩芽大小、环境光照、拍摄角度等因素都会给嫩芽的精准识别带来困难。针对复杂场景下传统茶树嫩芽识别方法准确率低的问题,文章提出一种基于YOLOV3深度卷积模型的识别方法,并通过增加SPP模块优化模型,提高模型对茶树嫩芽的识别能力。实验结果表明,YOLOV3模型和YOLOV3优化模型均能在复杂场景下实现茶树嫩芽识别,且YOLOV3优化模型的平均精度均值mAP比YOLOV3模型提高3.5百分点,达到91%,说明YOLOV3优化模型能够更好地应用于自然场景下的茶树嫩芽识别。     

基于轻量级神经网络的农作物病害识别算法

应用深度学习的图像分析技术,可较早地、无损地检测作物病害,但移动端计算资源的有限性限制了深度学习在移动端的应用和发展.利用迁移学习方法,进行多种神经网络的预训练,将其在ImageNet图像数据集上学到的知识迁移运用到多种农作物数据集及番茄单作物数据集的多种病害识别上,并进行多个深度学习模型在多种作物数据集的计算复杂度、...     

基于植株整体形状特征的杂草识别算法的研究

为解决传统基于植物叶片形状特征的杂草识别中识别率不高的问题,该文以生长中期的生菜与四种伴生杂草稗草、小飞蓬、鬼针草和车轴草为主要研究对象,提出了一种基于植株整体形状特征的杂草识别算法。实验结果表明,利用BP神经网络对单株植物进行识别,准确率达99.20%以上,对多角度拍摄的单株生菜图像的识别准确率为98.60%,对生菜与杂草的混合图像的识别准确率达99.10%,大大提高了杂草识别率,同时本算法对其他一些作物也有一定的适用性。     

基于卷积神经网络的黄瓜白粉病智能识别算法研究

采用AlexNet、VGG16、GoogLeNet和ResNet50等4种CNN模型对黄瓜4个病害级别的白粉病叶片图像进行反复迭代训练,探究迭代次数、BATCH＿SIZE参数对4种模型识别分类效果的影响,分析不同CNN模型的性能,以选择出应用于黄瓜白粉病识别的最优模型。结果表明:从训练集损失函数的损失率、识别准确率及训练时间综合考量,在当前试验样本条件下,迭代次数为40次,BATCH＿SIZE值等于90时,ResNet50模型结果最优,其训练用时为24 min,模型识别准确率为91.30%,对黄瓜白粉病不同病害级别智能识别具有较好的分类性能。     

基于深度学习的苹果树侧视图果实识别

【目的】传统果树侧面果实识别方法精度难以满足实际果实识别的需求,研究深度学习方法对提高苹果树侧面果实识别精度、增强模型对苹果复杂生长环境的适应性和泛化性具有重要意义。【方法】文章提出基于深度卷积神经网络对广域复杂背景环境下的侧面苹果特征进行学习的方法,完成苹果树侧面果实多目标识别任务。【结果】在广域复杂场景下,基于VGG16为特征提取网络的Faster-RCNN多目标检测模型在果实多目标检测任务中,识别精度达到91%,单幅影像识别时间约为1.4 s,相较于ResNet50作为特征提取层的目标检测模型识别精度提高4%;在相同影像数据下,模型识别精度的主要影响因素是遮挡,导致模型漏判果实数量较多,VGG16在不同程度遮挡区域的漏判率比ResNet低6%。【结论】基于VGG16卷积神经网络果树侧视图果实识别算法对广域复杂场景下的果实提取效果较好,特别是在具有遮挡情况下的识别结果更优,能够为果园产量估算提供一定的借鉴。     

基于Fisher判别准则的雷达产品识别降水方法

利用2006-2007年合肥多普勒天气雷达和安徽省全省自动雨量站的较长时间序列观测数据,基于Fisher多因子二级判别方法建立判别函数,以雷达产品数据作为预报因子来识别降水。结果表明,春、秋季和夏季的雷达产品数据与自动雨量数据具有较好的相关性;Fisher判别函数对降水的识别准确率较高,雨天的历史回报准确率分别达到76.16％和82.38％。     

基于虚拟现实技术的复杂场景调度策略的研究与应用

虚拟现实系统中场景模型的复杂度和交互实时性之间的矛盾是虚拟场景绘制中存在的主要问题,也是制约虚拟现实应用发展的瓶颈。主要讨论了复杂场景的分块调度策略及其改进方案,并将其应用到联合站虚拟培训系统中,将地形分块调度策略与视锥体裁剪技术相结合,并引入包围盒技术,较好的解决了分块调度策略中块与块之间的“跳闪”现象。