基于数据平衡和深度学习的开心果品质视觉检测方法

为探究数据集中分类数量的平衡性对开心果品质检测的影响,将开心果图像与深度学习网络相结合,提出一种数据自动平衡的检测方法。根据行业标准将开心果数据集分为开口、闭口和缺陷3类,在此基础上再分为未经数据平衡和经过数据平衡2个数据集,分别使用AlexNet、GoogLeNet、ResNet50、SqueezeNet、ShuffleNet和Xception 6种网络对2类数据集进行分类测试。结果表明,经过数据平衡的数据集网络准确率均得到了提高,6种网络平均测试准确率由96.75%提高到99.26%,SqueezeNet网络的测试集准确率提升最明显,由93.76%提高到99.02%,ResNet50网络的测试准确率最高,为99.96%。本文方法可用于开心果品质视觉检测。     

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CT图像的苹果苦痘病与磕碰伤识别

对苦痘病进行持续、准确、量化的无损检测,以及育种专家对新品种苹果的抗苦痘病表型研究,都需要苦痘病准确识别技术的支持。针对磕碰伤对苦痘病识别产生干扰,降低了识别准确率问题,基于苹果CT图像,提出了一种苹果苦痘病和磕碰伤识别方法。首先,采用最大类间方差法、区域标记、中值滤波等方法,对337帧苹果CT图像进行图像分割和伤病区域定位;其次,对伤病区域进行特征提取,提取其形状特征、纹理特征和位置特征共18种特征信息;然后,利用多元逐步回归和类距离可分离性判据2种方法分别选取特征信息,将2种方法选出的相同特征作为本文的选用特征信息;最后,分别使用遗传算法优化的支持向量机和默认参数的支持向量机,对苹果苦痘病和磕碰伤进行识别。识别结果表明,经过遗传算法优化的支持向量机的总体识别准确率高于93%,默认参数的支持向量机算法的总体识别准确率高于84%。遗传算法优化后的支持向量机的识别准确率明显优于默认参数的支持向量机的识别准确率。     

基于改进Yolov5植物病害检测算法研究

苹果和番茄是日常生活非常常见的果蔬,准确地识别病害能够提升作物产量,减少经济损失。针对现有的植物病害检测方法不能准确且快速地检测植物叶片中病害区域的问题,设计一种基于改进Yolov5的深度学习方法,用于检测苹果、番茄叶片常见病害。通过数据增强和图像标注技术构建苹果、番茄叶片病害数据集,利用K-means算法对初始锚框进行调整,在此基础上使用复合主干网增强Yolov5主干网对病害特征的提取能力,使用Varifocal Loss函数提高对密集感染区域的识别精度。试验结果表明：改进后的Yolov5病害检测算法mAP达到95.7%,在原来Yolov5模型基础上mAP提升1.7%,平均检测一张图像耗时0.033 s,为苹果、番茄叶片病害检测提供一种高性能的解决方案,能够以较高的准确率对植物叶片病害进行分类与定位。     

基于彩色空间距离优化的秸秆覆盖率检测算法研究

秸秆覆盖率是保护性耕作重要的评价指标之一。针对田间秸秆形态各异、细碎秸秆难以识别的难题,基于机器视觉技术,提出了一种基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法。采用彩色空间距离方法对秸秆图像进行预处理,基于K-means算法实现秸秆和土壤背景的分类识别,使用数学形态学腐蚀和膨胀方法对识别后的图像进行处理,降低细碎秸秆对覆盖率的影响,最后计算秸秆图像的覆盖率。2022年10月,通过田间试验对北京小汤山国家精准农业研究示范基地采集的220幅玉米秸秆图像进行了算法验证。试验结果表明,对低秸秆覆盖率(0～30%)图像,识别准确率达到90%;对中等秸秆覆盖率(30%～60%)图像,识别准确率达到88%;对高秸秆覆盖率(60%以上)图像,识别准确率达到86%;整体秸秆覆盖率分等定级准确度达到98.18%。本研究设计的基于K-means和彩色空间距离灰度化方法相结合的田间秸秆覆盖率检测算法为保护性耕作评价提供了快速检测方法和手段。     

基于机器视觉的胡萝卜表面缺陷识别方法研究

胡萝卜在生长与收获运输过程中,不可避免会出现一些外观缺陷,缺陷胡萝卜的剔除是胡萝卜上市销售前的重要环节。目前缺陷胡萝卜主要依靠人工分选,具有分选标准不稳定、劳动强度大、成本高等缺点。为了快速、准确、无损地检测缺陷胡萝卜,将机器视觉技术引入到胡萝卜分选过程中,以提高分选准确率和效率。胡萝卜表面缺陷包括青头、弯曲、断裂、分叉和开裂等,缺陷特征互不相同,所以不同缺陷需要不同的检测算法。青头检测利用胡萝卜正常区域与青头区域的颜色差异实现,胡萝卜图像在HSV颜色空间下,利用统计方法确定青头区域H、S和V的判别阈值;弯曲、断裂和分叉识别是根据正常胡萝卜与缺陷胡萝卜之间的形状差异实现,凸壳算法、Hu不变矩和Harris角点检测算法分别用来检测胡萝卜弯曲、断裂和分叉缺陷;开裂检测则是利用胡萝卜正常与开裂区域的纹理差异实现,Sobel水平边缘检测算子、Canny边缘检测算子结合形态学操作实现胡萝卜开裂区域提取。结果表明青头、弯曲、断裂、分叉和开裂的识别准确率分别为100%、91.14%、90.57%、94.57%和95.45%,总体识别准确率达94.91%,满足胡萝卜在线分选精度要求。     

基于CNN和SVM分类优化的大蒜鳞芽朝向识别研究

针对大蒜鳞芽朝上、直立栽种的特殊种植需求,研究实用性好、准确率高、抗干扰强的鳞芽朝向自动识别算法,具有重要的工程应用意义。提出基于卷积神经网络(CNN)和支持向量机(SVM)分类优化的改进算法(CNN-SVM),实现大蒜鳞芽朝向的自动识别与修正;提出SVM分类优化方案与随机参数择优、损失函数检测方法,以解决感受野小、分类效果差、过拟合等问题。研究结果表明：CNN-SVM算法的识别准确率为99.8%,单张图片识别时间为0.024 s。与经典CNN、SVM算法相比,本文所提算法对于感受野小、干扰强的识别效果更好;同时具有识别准确率高、计算规模小、对局部特征敏感等优点。不仅为大蒜自动智能播种设备的研发提供算法储备,而且可以推广应用于其他小物体识别。     

基于改进VGGNet的羊个体疼痛识别方法

针对目前人工识别羊个体疼痛过程中存在的经验要求高、识别准确率低、消耗成本高、延误疾病治疗等问题,引入当前主流图像分类网络VGGNet(Visual geometry group network)对有疼痛和无疼痛的羊脸表情进行识别,提出一种基于改进VGGNet的羊脸痛苦表情识别算法,改进后的网络为STVGGNet(Spatial transformer visual geometry group network)。该算法将空间变换网络引入VGGNet,通过空间变换网络增强对羊脸痛苦表情特征区域的关注程度,提高对羊脸痛苦表情的识别准确率。本文对原有的羊脸表情数据集进行了扩充,新增887幅羊脸表情图像。但是新的数据集图像数量仍然较少,所以本文利用ImageNet数据集进行迁移学习,微调后用来自动分类有痛苦和无痛苦的羊脸表情。对羊面部表情数据集的实验结果表明,使用STVGGNet实现的最佳训练准确率为99.95%,最佳验证准确率为96.06%,分别比VGGNet高0.15、0.99个百分点。因此,本文采用的模型在羊脸痛苦表情识别中有非常好的识别效果并且具有较强的鲁棒性,为畜牧业中羊的疾病检测智...     

基于改进ResNet18的苹果叶部病害多分类算法研究

针对传统苹果叶部病害分类方法精准性差、效率低等问题,提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支,强化网络对叶部病害区域的特征提取能力,提高病害的识别精度和实时性。为更好地引导网络学习到零散分布的病害斑点的特征,引入特征图随机裁剪分支,不仅实现有限样本空间的扩充,还进一步优化网络结构,提高训练速度。试验以苹果5类常见的叶部病害(黑星病、黑腐病、雪松锈病、灰斑病、白粉病)为主要研究对象,并与主流分类算法模型进行对比。试验结果表明,所提ResNet18-CBAM-RC1模型病害分类准确率可达98.25%,高于ResNet18(93.19%)和VGG16(96.13%),能够有效提取叶片病害特征,增强对多类病害的识别,提高识别准确率。此外,模型内存占用量仅为37.44 MB,单幅图像推理时间为9.11 ms,可满足嵌入式设备上果园病害识别的实时性要求。     

自然环境下树上绿色芒果的无人机视觉检测技术

为了快速检测芒果树上的芒果,本文提出了一种基于无人机的树上绿色芒果视觉检测方法。本文采用深度学习技术,利用YOLOv2模型对无人机采集的芒果图像进行检测,首先通过无人机采集树上芒果图像,对芒果图像进行人工标记,建立芒果图像的训练集和测试集,通过试验确定训练模型的批处理量和初始学习率,并在训练模型时根据训练次数逐渐降低学习率,最终训练出来的模型在训练集上的平均精度(Mean average precision,MAP)为86.43%。通过试验,分析了包含不同果实数和不同光照条件下芒果图像的识别准确率,并设计了芒果树产量估计试验,试验结果表明:本文算法检测一幅图像的平均运行时间为0.08s,对测试集的识别准确率为90.64%,错误识别率为9.36%;对含不同果实数的图像识别准确率最高为94.55%,最低为88.05%;顺光条件下识别准确率为93.42%,逆光条件下识别准确率为87.18%;对芒果树产量估计的平均误差为12.79%。表明本文算法对自然环境下树上芒果有较好的检测效果,为农业智能化生产中果蔬产量的估计提供了视觉技术支持。     

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。     

土地利用/覆被深度学习遥感分类研究综述

基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题.近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域.相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本.基于深度学习在土地利用...     

基于深度学习的水果图像识别系统

随着模式识别领域不断的发展,图像识别作为该领域中的典型应用,受到了众多学者的关注,尤其是在图像快速识别方面。对此,该文将从深度学习的概述入手,选择卷积神经网络算法应用于水果图像识别中。通过对卷积神经网络算法的网络结构以及卷积神经网络训练过程的详细分析,采用卷积神经网络架构设计、分类器设计建构了基于卷积神经网络的水果图像识别系统。并将识别结果与传统水果图像识别结果进行对比验证,为水果图像识别领域提供参考。      

基于改进YOLOv3的田间复杂环境下菠萝拾捡识别研究

为实现果实拾捡机器人在光照不均、菠萝与周围环境的颜色相似性及果实间的遮挡和重叠等田间复杂环境下对单类别菠萝的快速准确识别,提出采用深度学习下的深层残差网络改进YOLOv3卷积神经网络结构,通过单个卷积神经网络遍历整个图像,回归果实的位置,将改进的YOLOv3的3个尺度检测分别融合相同尺度模块特征层的信息,在保证识别准确率的情况下,采用多尺度融合训练网络实现田间复杂环境下端对端的单类别菠萝果实检测。最后,对改进的算法进行性能评价与对比试验,结果表明,该算法的检测识别率达到95%左右,较原始方法检测性能提升的同时,检测速度满足实时性要求,该研究为拾捡果实机器人在复杂环境下提高识别菠萝果实的工作效率和环境适应性提供理论基础。     

FC-CNN:基于卷积神经网络的水果图像分类算法

针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法.该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活...     

基于分水岭算法结合卷积神经网络的玉米种子质量检测

为实现玉米种子快速、准确地优选,以不同质量的玉米种子为研究对象,提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法。首先利用分水岭算法分割出单粒玉米种子,然后通过卷积神经网络模型对每粒种子进行质量分类,根据分水岭算法得到的单粒种子的位置,将结果在图像中进行标注,实现种子质量检测。使用改进型的InceptionV3模型进行试验,模型测试结果表明：质量良好和带有缺陷的两类种子的平均准确率为94.18%,平均召回率为94.61%,F1值（调和平均评价）为94.39%。同时为突出卷积神经网络模型的性能,将结果与传统的机器学习方法进行比较,其F1值高出LBP+SVM模型20.39%。     

基于多注意力机制与编译图神经网络的高光谱图像分类

针对高光谱图像(Hyperspectral image,HSI)分类研究中小样本学习时,无法达到理想分类效果的问题,以多注意力机制融合、编译图神经网络与卷积神经网络有机结合提出了一种新的高光谱图像分类方法。设计了一种基于混合注意力机制的网络(Multiple mixed attention convolutional neural network,MCNN)与编译图神经网络（Compiled graph neural network,CGNN）,在学习样本有限的情况下,其能有效保留HSI的光谱与空间信息。引入的图编码器与图解码器可以有效地映射不规则的HSI地物类别特征信息。设计的多注意力机制可以重点关注一些重要的空间像素特征。研究了不同训练样本下对不同算法学习示例分类的影响,在公共数据集Botswana (BS)的实验表明,本文方法比CEGCN(CNN-enhanced graph convolutional network)、WFCG(Weighted feature fusion of convolutional neural network)算法总体分类精度(Overall classification accuracy,OA)分别高2.72、3.86个百分点。同样在IndianPines(IP)数据集上仅用3%训练样本数据的实验结果显示,本研究方法比CEGCN与WFCG算法的OA分别高0.44、1.42个百分点。说明本研究提出的方法不仅对HSI具有良好的空间与光谱信息感知能力,而且在微小学习数据下仍然表现出强有力的分类准确性。     

基于机器视觉的葡萄品质无损检测方法研究进展

我国葡萄产量逐年上升,田间葡萄品质检测有益于提高葡萄收获后流入市场的经济效益。传统田间葡萄品质检测主要依靠人工进行破坏性检测,存在经验差异导致的误差。随着深度学习、图像检测技术的发展,基于机器视觉的田间葡萄品质检测克服了传统人工检测的局限性,以快速精准、实时无损检测的优势得到了大量应用。葡萄品种不同,衡量其内、外在品质评级的指标也不同。本文根据葡萄品种与品质评价指标,从品种的机器视觉检测方法、品质的机器视觉检测方法展开,对国内外基于机器视觉技术的田间葡萄品质无损检测相关研究进行系统性分析与总结。总结了不同机器视觉检测方法对葡萄品质指标检测的优缺点,并对田间葡萄品质无损检测研究面临的问题进行了讨论,指出了今后的发展趋势与研究方向。     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。     

基于深度学习的农作物病虫害检测算法综述

农作物病虫害对农业产量和品质影响巨大。数字图像处理技术在农作物病虫害识别中发挥重要作用。深度学习在该领域取得显著突破,效果优于传统方法。深度学习方法的特征提取能力更强,能准确捕捉细微特征,提高检测精度和可靠性。深度学习为农业提供了有力支持。本研究综述了基于深度学习的农作物病虫害检测研究,从分类网络、检测网络和分割网络3方面进行了概述,并对每种方法的优缺点进行了总结,同时比较了现有研究的性能。在此基础上,进一步探讨了基于深度学习的农作物病虫害检测算法在实际应用中面临的难题,并提出了相应的解决方案和研究思路。最后,对基于深度学习的农作物病虫害检测技术的未来趋势进行了分析和展望。