基于机器学习的中西太平洋黄鳍金枪鱼渔场预报模型

为提供准确的中西太平洋黄鳍金枪鱼渔场预报信息,该研究利用2008-2019年中国水产集团43艘远洋延绳钓渔船在中西太平洋海域（0°～30°S;110°E～170°W）作业的渔业数据,通过方差膨胀因子筛选、归一化处理,选取时空因子、海洋环境因子及大尺度气候数据等共35种特征因子,构建了一种随机森林和极端梯度提升决策树相结合的XGBRF模型,并利用五折交叉验证法确定最佳参数,选择逻辑回归、分类与回归树、K最近邻、自适应增强、梯度提升决策树、极端梯度提升决策树和随机森林等模型作为对照,建立8种黄鳍金枪鱼渔场预测模型并进行模型间的比较分析。结果表明,XGBRF模型对中西太平洋黄鳍金枪鱼渔场的预测性能比其他模型更好,其准确率、渔场召回率、渔场F1得分、非渔场查准率和曲线下面积值AUC均最高,分别为75.39%、87.36%、82.64%、66.32%和79.48%,且模型的受试者工作特征曲线ROC更靠近左上角;海表温度是影响中西太平洋黄鳍金枪鱼渔场分布最重要的环境因子,其他因子依次是300 m水层温度、50 m水层盐度、叶绿素a浓度、南方涛动指数以及表层盐度因子,时空因子和其余大尺度气候因子的影...     

基于不同卷积神经网络模型的红壤有机质高光谱估算

以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习方法因具有强大的特征学习能力已被广泛应用于计算机视觉、自然语言处理等领域,但在土壤高光谱遥感领域研究较少。为探究其在小样本数据集下,通过高光谱数据估算土壤有机质（Soil Organic Matter,SOM）的可行性,以江西省奉新县北部为研究区,248个红壤样本为研究对象。对比分析深度学习方法CNN、多层感知器（Multilayer Perceptron,MLP）、常用的机器学习方法随机森林（Random Forest,RF）和支持向量机（Support Vector Machine,SVM）在不同光谱预处理下的建模效果,在此基础上分别建立5种各具特点的CNN结构模型,以探讨不同网络结构的建模效果,包括最早提出的LeNet-5、具有大卷积核的AlexNet-8、采用小卷积核的VGGNet-7、含有Inception结构的GoogLeNet-7以及使用残差学习的ResNet-13。此外,还探讨了VGGNet模型在5种不同网络深度下的模型效果。结果表明：在使用原始光谱的情况下,CNN模型依然能够取得较好的建模效果（相对分析误差>2.5）;浅层CNN结构优于深层建模效果,超参数较小的卷积核、步长和池化范围有助于提取更多的特征数量,提高建模精度;VGGNet-7网络结构在所有模型中表现最为突出,在训练集上决定系数为0.895,均方根误差为4.145 g/kg,相对分析误差为3.447,在验证集上决定系数为0.901,均方根误差为4.647 g/kg,相对分析误差为3.291,具有极好的模型估测能力;680、1 360、1 390、1 920、2 310 nm及其附近是VGGNet-7建模过程中所提取的SOM重要特征波长。因此,CNN能够简化光谱预处理过程,在土壤高光谱遥感小样本建模中具备可行性,具有非常广阔的应用前景,VGGNet-7可以应用于红壤地区通过高光谱数据快速、准确的估算SOM含量。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高等问题,提出了一种采用全卷积神经（Fully Convolutional Neural,FCN）网络与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合,然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明,采用全卷积神经网络与Stacking算法能有效提取湿地信息,总体分类精度为88.16%,Kappa系数为0.85。与采用全卷积神经网络与单一机器学习的随机森林（Random Forest,RF）、支持向量机（Support Vector Machin,SVM）与k-近邻（Nearest Neighbor,kNN）算法相比,该研究提出的湿地分类方法在总体分类精度上分别提高了4.87,5.31和5.08个百分点;与采用单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果,该文提出的湿地分类方法在总体分类精度上分别提高了2.78,4.48与4.91个百分点;该方法一方面能通过卷积神经网络提取遥感影像深层的语义特征,另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组,从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

基于改进卷积神经网络模型的玉米叶部病害识别

准确识别玉米病害有助于对病害进行及时有效的防治.针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法.改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映...     

基于Stacking集成卷积神经网络的水稻氮素营养诊断

【目的】为实现水稻氮素营养状况的快速、准确诊断,提出了基于集成卷积神经网络的水稻氮素营养诊断模型,为建立高性能的氮素营养诊断模型提供思路和方法。【方法】水稻田间试验以超级杂交水稻‘两优培九’为材料,设置4个施氮水平(0、210、300、390 kg/hm²)。扫描获取水稻幼穗分化期顶部3片完全展开叶的叶片图像,将图像裁剪至只包含叶尖片段的图像,进行水稻叶片图像数据采集。分别以单一卷积神经网络模型DenseNet121、ResNet50、InceptionResNet V2为基学习器,多层感知机(MLP)为元学习器,集成卷积神经网络模型,比较了集成模型与单一卷积神经网络模型以及不同基学习器组成的集成模型的氮素营养诊断结果。【结果】4个单一模型中,DenseNet121的氮素诊断准确率最高,为96.41%。二元集成模型和三元集成模型的准确率均高于任意一个单一模型的准确率,由3个基学习器组成的集成模型的准确率最高,达到98.10%,相比准确率最高的单一模型准确率提高了1.69个百分点。【结论】采用DenseNet、ResNet50、InceptionResNet V2集...     

采用机器视觉与自适应卷积神经网络检测花生仁品质

该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法。构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征。为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络。为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测。试验结果表明,该方法对花生常见缺陷的平均识别率达99.7%,与传统的深度网络相比实现了更高的收敛速度与识别精度。     

采用HHT算法与卷积神经网络诊断轴承复合故障

针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。     

基于改进的轻量化卷积神经网络火龙果检测方法

在自然环境下对火龙果进行实时检测是实现火龙果自动化采摘的必要条件之一。该研究提出了一种轻量级卷积神经网络YOLOv4- LITE火龙果检测方法。YOLOv4集成了多种优化策略,YOLOv4的检测准确率比传统的YOLOv3高出10%。但是YOLOv4的骨干网络复杂,计算量大,模型体积较大,不适合部署在嵌入式设备中进行实时检测。将YOLOv4的骨干网络CSPDarknet-53替换为MobileNet-v3,MobileNet-v3提取特征可以显著提高YOLOv4的检测速度。为了提高小目标的检测精度,分别设置在网络第39层以及第46层进行上采样特征融合。使用2 513张不同遮挡环境下的火龙果图像作为数据集进行训练测试,试验结果表明,该研究提出的轻量级YOLOv4-LITE模型 Average Precision（AP）值为96.48%,F1值为95%,平均交并比为81.09%,模型大小仅为2.7 MB。同时对比分析不同骨干网络,MobileNet-v3检测速度大幅度提升,比YOLOv4的原CSPDarknet-53平均检测时间减少了132.33 ms。YOLOv4-LITE在GPU上检测一幅1 200×900的图像只需要2.28 ms,可以在自然环境下实时检测,具有较强的鲁棒性。相比现有的目标检测算法,YOLOv4-LITE的检测速度是SSD-300的9.5倍,是Faster-RCNN的14.3倍。进一步分析了多尺度预测对模型性能的影响,利用4个不同尺度特征图融合预测,相比YOLOv4-LITE平均检测精度提高了0.81%,但是平均检测时间增加了10.33 ms,模型大小增加了7.4 MB。因此,增加多尺度预测虽然提高了检测精度,但是检测时间也随之增加。总体结果表明,该研究提出的轻量级YOLOv4-LITE在检测速度、检测精度和模型大小方面具有显著优势,可应用于自然环境下火龙果检测。     

基于改进卷积神经网络模型的玉米叶部病害识别(英文稿)

准确识别玉米病害有助于对病害进行及时有效的防治。针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法。改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet 模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映射的区域大小,Inception模块和ResNet 模块的结合用于提取出玉米叶片病害的可区分特征。同时模型通过对批处理大小、学习率和 dropout参数进行优化选择,确定了试验的最佳参数值。试验结果表明,与经典机器学习模型如最近邻节点算法（K- Nearest Neighbor,KNN）、支持向量机（Support Vector Machine,SVM）和反向传播神经网络（Back Propagation Neural Networks,BPNN）以及深度学习模型如AlexNet、VGG16、ResNet 和Inception-v3相比,经典机器学习模型的识别率最高为77%,该研究中改进后的卷积神经网络模型的识别率为98.73%,进一步提高了模型的稳定性,为玉米病害检测与识别的进一步研究提供了参考。     

基于迁移学习的卷积神经网络花生荚果等级图像识别

针对花生荚果人工分级效率低、机械分级不精确等问题,该研究提出一种基于迁移学习的卷积神经网络花生荚果等级图像识别方法。利用翻转、旋转、平移、对比度变换和亮度变换等操作,对获取的5个等级花生荚果图像进行数量扩充和预处理,得到花生荚果等级图像数据集;对比分析了GoogLeNet、ResNet18和AlexNet 3种基本模型下花生荚果图像分级识别的性能;通过迁移AlexNet卷积层对花生荚果等级识别模型进行了改进,用批归一化替换局部响应归一化且将激活函数置于批归一化层前后不同位置,设计了4种不同的识别训练模型;对改进的4种AlexNet模型进行迁移学习对比试验和超参数学习率优化试验,研究了非饱和激活函数和改进的非饱和激活函数对模型性能的影响。试验结果表明,在满足测试精度的基础上AlexNet模型所用训练时间最少;基于AlexNet的改进模型的迁移学习中学习率是需要优化的超参数,合适的学习率能够加快模型的训练并提升识别能力;改进模型中批归一化的引入及网络参数的减少,缩减了220 s训练时间,模型性能提高。所构建的花生荚果等级识别模型（Penut_AlexNet model,PA模型）对花生荚果5个等级分类识别准确率达到95.43%,该模型对花生荚果等级识别具有较高的准确率,也可为其他农产品精确分级提供参考。     

基于图像和卷积神经网络的蝴蝶兰种苗生长势评估

在蝴蝶兰（Phalaenopsis aphrodite）产业中，种苗在达到最短营养栽培时长时的生长势在其后续的栽培链和最终的经济利润中起着重要的作用。当前在商业大型温室中主要采取人工方式对每株种苗进行评估，既费时又费力。基于RGB图像进行植物生长评估的相关研究依赖于从图像中手动提取人工定义的特征，从而影响了机器学习模型的有效性和泛化能力。本研究使用卷积神经网络（Convolutional Neural Network，CNN）来探讨其以端对端方式评估温室中蝴蝶兰种苗生长势的可行性。对在温室中采集的图像数据集，采用不同的CNN架构（VGG、ResNet和Inception-v3）结合不同的训练机制（从头训练、微调、特征提取）建立基准模型，其中微调取得了最佳的分类结果。考虑到本研究的目标任务是对具有复杂图像背景的单个温室种苗的形态分类，为进一步提高模型性能，在可控的实验室条件下采集了更多的种苗图像。实验室图像进行背景分割后，用于协助模型更好地学习植株的形态，即建立增强模型。与基准模型相比，2种增强方式总体上在温室测试集的F1-score取得了0.03～0.05的提升。采用增强方式II的VGG模型取得了最高的性能（温室测试集上的F1-score为0.997），并对该模型的特征图进行可视化。在高层特征图中，目标种苗区域被激活，同时滤除了大部分背景（包括相邻种苗的叶片），进一步证明了能够采用CNN对温室种苗进行有效的形态学习和刻画。总体结果表明，深度学习模型可用于基于图像的蝴蝶兰种苗生长势评估，并且可扩展用于温室下其他植物类型的生长评估。     

基于图像和卷积神经网络的蝴蝶兰种苗生长势评估（英文）

在蝴蝶兰(Phalaenopsisaphrodite)产业中,种苗在达到最短营养栽培时长时的生长势在其后续的栽培链和最终的经济利润中起着重要的作用。当前在商业大型温室中主要采取人工方式对每株种苗进行评估,既费时又费力。基于RGB图像进行植物生长评估的相关研究依赖于从图像中手动提取人工定义的特征,从而影响了机器学习模型的有效性和泛化能力。该研究使用卷积神经网络(Convolutional Neural Network,CNN)来探讨其以端对端方式评估温室中蝴蝶兰种苗生长势的可行性。对在温室中采集的图像数据集,采用不同的CNN架构(VGG、ResNet和Inception-v3)结合不同的训练机制(从头训练、微调、特征提取)建立基准模型,其中微调取得了最佳的分类结果。考虑到该研究的目标任务是对具有复杂图像背景的单个温室种苗的形态分类,为进一步提高模型性能,在可控的实验室条件下采集了更多的种苗图像。实验室图像进行背景分割后,用于协助模型更好地学习植株的形态,即建立增强模型。与基准模型相比,2种增强方式总体上在温室测试集的F1-score取得了0.03～0.05的提升。采用增强方式Ⅱ的VGG模...     

基于改进卷积神经网络的油茶果壳籽分选方法

为了进一步提升油茶果壳籽分选效率,该研究采集油茶果脱壳后经过初步筛分的果壳与茶籽图像,构建壳籽分类图像数据集,以VGG16为基础网络,通过深度可分离卷积模块和全连接层神经元数目优选等方式缩小模型规模,采用跨层特征融合机制与引入指数线性单元（exponential linear units, ELU）激活函数优化网络结构,提出一种适用于油茶果壳籽分选的卷积神经网络模型。结果表明,跨层特征融合机制加强了深层网络特征的有效信息表达能力,相比于未融合时的模型精度得到了明显提升,并且三次跨层特征融合总体优于一次与二次融合方式。ELU激活函数加快了模型收敛速度,同时缓解了梯度爆炸,提高了模型鲁棒性。当全连接层神经元个数减少为128时模型得到进一步压缩,并且拟合程度较好。改进模型在油茶果壳籽图像分类上的验证集准确率为98.78%,模型的占存仅需8.41MB,与未改进的VGG16模型相比,准确率提高了0.84个百分点,模型占存减少了519.38MB,并且改进模型的性能相比于AlexNet、ResNet50与MobileNet_V2等其他网络更具优势,同时在测试试验中该模型分选准确率达到了98.28%,平均检测时间为85.06 ms,满足油茶果的壳籽在线快速分选要求。该研究提出的改进卷积神经网络模型具有较高的准确率与较强的泛化能力,可为深度学习运用于油茶果壳籽实时分选提供理论参考。     

基于轻量型卷积神经网络的马铃薯种薯芽眼检测算法

马铃薯种薯芽眼属于小目标物体,识别难度大、要求高。为了在试验台（芽眼识别装置）上快速、准确地完成识别任务,该研究提出一种基于轻量型卷积神经网络的芽眼检测模型。首先,为了降低模型的计算量和聚焦小目标物体,替换YOLOv4的主干网络CSPDarkNet-53为GhostNetV2轻量型特征提取网络;其次,在YOLOv4的颈部网络中,使用深度可分离卷积（depthwise separable convolution,DW）模块代替普通卷积块进一步降低模型计算量;最后,更改边界框损失函数为具有角度代价的边界框损失函数（SIoU）,避免因预测框的位置不确定,而影响模型收敛速度和整体检测性能。结果表明,改进后芽眼检测模型参数量为12.04 M,使用笔记本电脑CPU检测单张图片的时间为0.148 s,从试验台收集的测试数据显示平均精度为89.13%。相对于其他主干特征提取网络CSPDarkNet-53、MobileNetV1、MobileNetV2、MobileNetV3、GhostNetV1,其检测精度分别高出1.85、0.75、2.67、4.17、1.89个百分点;与同类目标检测模型SSD、Faster-RCNN、EifficientDet、CenterNet、YOLOv7相比,在检测精度上,分别高出23.26、27.45、10.51、18.09、2.13个百分点,在检测时间上,分别降低0.007、6.754、1.891、1.745、0.422 s,且模型参数量具有明显优势。该研究为小目标物体检测和模型部署提供技术支撑。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。