牛肉大理石花纹图像特征信息提取及自动分级方法

为了解决牛肉大理石花纹在人工分级中准确率和效率低的问题,该文基于计算机视觉和图像处理技术提出一种实用的牛肉大理石花纹自动评估和分级方法。通过图像解析,利用所提出的分级算法实现牛肉大理石花纹的快速提取,并计算反映大理石花纹丰富程度的10个特征参数。使用特征参数建立主成分回归模型,对牛肉大理石花纹等级进行预测,预测相关系数Rv=0.88,预测标准差SEP=0.56。校正时模型总体的回判正确率为97.0%,验证时总体的判别正确率为91.2%。在此基础上,开发了大理石花纹自动分级软件系统和硬件装置,并且在该试验室前期研制的样机上进行了试验,验证了算法的运算速度和准确率。结果表明,所提出的分级方法的检测速度和精度均能够满足企业中对牛肉大理石花纹分级的要求。     

牛肉大理石花纹计盒维和信息维的测定

对牛肉大理石花纹几何特征进行定量描述,是牛肉大理石花纹等级自动判定系统的关键技术。通过对牛肉大理石花纹图像分形特征的分析及分形维数的测定,试图以分形维对牛肉大理石花纹的分布特征进行定量描述。作者以中国及美国牛肉分级系统中的大理石花纹标准图版为研究对象,通过图像预处理,将其转化为二值数字图像,然后根据变粗视化程度的像素点覆盖法,编写出计盒维和信息维的测定程序,计算出上述每一幅图像在不同标尺下的非空盒个数及信息量,再根据标尺与非空盒个数及信息量的关系,分析图像的分形特征;通过回归分析的方法,测定出图像的计盒维数和信息维数。试验结果显示,在一定的标度范围内,牛肉大理石花纹标准图像具有分形性,并且显示出多重分形特征;图像的计盒维数和信息维数均呈现出随着牛肉大理石花纹等级的增加而增大的变化趋势。     

基于多尺度区间插值小波法的牛肉图像中大理石花纹分割

牛肉大理石花纹的丰富程度代表着脂肪含量的多少,是牛肉等级划分的重要指标。基于计算机图像的自动分级技术中图像的降噪和分割处理是大理石花纹提取的基础。该文利用多尺度区间插值小波解偏微分方程的方法对牛眼肌切面图像进行处理,基于中心相似变换的延拓方法有效解决边界效应。处理中自适应选取配置点,提高计算效率。试验证明,该算法不仅达到降噪目的,同时还实现了对不同对象区域的保边平滑,使图像纹理和边缘更加清晰。降噪结果与传统滤波法进行对比,峰值信噪比值平均比均值滤波高9.0 d B,比中值滤波高8.2 d B,比维纳滤波高6.6 d B,结构相似性数值平均比均值滤波高0.42,比中值滤波高0.40,比维纳滤波高0.34。与大津法相比,去噪后采用灰度进行图像分割的效果更好,既能分割出大脂肪,又能分割出小脂肪,提高了牛肉等级判定的准确度。     

基于深度学习的甜味剂分类模型

针对开发甜味剂过程中筛选百万级别甚至千万级别的天然或合成分子需要大量时间和资金的问题,该研究提出了一种基于深度学习的甜味剂分类模型.首先对数据集进行了扩增和优化,生成分子指纹以及分子图片,然后将注意力机制加入到DenseNet结构中,对分子特征和提取的特征进行融合.在20029个分子图像和分子指纹数据集上进行训练,并在...     

基于计算机视觉的牛肉分级技术综述

在中国牛肉分级标准颁布后，牛肉的自动分级就成为一个值得关注的新课题。国外的牛肉自动分级技术已较为成熟，而中国对此研究还处于起步阶段。综述了国内外牛肉自动分级技术的研究进展。中国的研究人员利用计算机视觉技术进行自动分级，需要从生产工艺，信息获取方式，牛肉本身性状的研究等多方面结合。提取牛肉大理石纹作为分级的关键技术之一，不但适合中国的标准，同时也与国外标准相一致。     

基于深度学习的水土保持措施遥感解译信息提取研究

近年来计算机视觉图像处理的发展与遥感影像分辨率的提高,使得遥感影像水土保持措施快速精准提取成为可能。为有效推进水土保持措施图斑精准快速提取的研发与应用,在总结水土保持措施信息提取和卫星遥感影像解译常用方法的基础上,系统分析深度学习方法在遥感解译和遥感影像水土保持措施提取方面的改进与运用,对研究发展趋势进行了展望分析。     

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。     

基于深度学习与图像处理的哈密瓜表面缺陷检测

针对传统人工检测哈密瓜表面缺陷效率低等问题,提出利用卷积神经网络（Convolutional Neural Networks, CNN）对哈密瓜表面缺陷进行快速检测。对原始图像进行主成分分析（Principal Components Analysis,PCA）、奇异值分解（Singular Value Decomposition, SVD）和二值化等预处理操作,通过数据扩充得到正常、霉菌、晒伤和裂纹的哈密瓜图像各2 500幅。构建一种改进的类似VGG卷积神经网络模型,将预处理后的图像输入模型,并使用随机梯度下降（Stochastic Gradient Descent, SGD）优化器进行算法优化,为探究CNN模型的特征提取原理,将改进的类似VGG模型每层卷积的特征进行可视化,最后利用开发的哈密瓜表面缺陷检测软件对模型进行试验验证。研究结果表明：图像预处理算法提高了模型的鲁棒性和泛化能力,改进的类似VGG模型优于AlexNet和VGG-16模型,其训练集和测试集准确率分别为100.00%和97.14%;对比预处理前后4类哈密瓜卷积特征可视化结果表明,随着卷积层层数的增加,哈密瓜表面缺陷特征越来越明显,图像预处理后卷积层特征提取效果优于原始图像提取效果。软件测试结果表明：静态下哈密瓜缺陷检测速率达到0.7 s/幅,识别准确率达到93.50%。研究结果可为哈密瓜表面缺陷在线检测技术提供理论依据和技术参考。     

群养猪侵略性行为的深度学习识别方法

为了解决因传统机器视觉和图像处理方法的局限性以及复杂的猪体姿态和猪舍环境导致对群养猪侵略性行为识别的有效性、准确率较低的问题,该文基于深度学习的方法,提出使用3DCONV的群养猪侵略性行为识别算法-3DConvNet。分3个批次采集18头9.6 kg左右的大白仔猪视频图像,选用第一批次中包含28 d内各个时段的撕咬、撞击、追逐、踩踏4大类,咬耳、咬尾、咬身、头撞头、头撞身、追逐以及踩踏7小类侵略性行为以及吃食、饮水、休息等非侵略性行为共计740段(27114帧)视频作为训练集和验证集,训练集和验证集比例为3:1。结果表明,3DConvNet网络模型在训练集上的识别准确度达96.78%,在验证集上识别准确度达95.70%。该文算法模型对于不同训练集批次的猪只以及不良照明条件下依然能准确识别侵略性行为,算法模型泛化性能良好。与C3D模型进行对比,该文提出的网络模型准确率高出43.47个百分点,单帧图像处理时间为0.50 s,可满足实时检测的要求。研究结果可为猪场养殖环境中针对猪只侵略性行为检测提供参考。     

基于迁移学习和改进CNN的葡萄叶部病害检测系统

为建立高效、准确的葡萄叶部病害检测系统,引入迁移学习机制,利用大型公开数据集对VGG16模型预训练,保持模型前端13个层的参数和权重不变,对全连接层和分类层改进后利用新数据集微调训练模型,包括对训练优化器、学习率和中心损失函数平衡参数的优选试验,最后将模型部署在Android手机端.试验表明,在微调训练阶段选择Adam...     

基于数学形态学的牛肉图像中背长肌分割和大理石纹提取技

牛肉图像中背长肌区域的分割和大理石纹提取是利用计算机视觉评定牛肉胴体等级的重要步骤.研究了利用数学形态学的方法来分割牛肉眼肌切面图像中背长肌区域并将大理石纹提取出来的技术.眼肌切面图像经过去除背景并进行肌肉和脂肪像素识别等预处理后,再用形态学腐蚀与膨胀相结合获得背长肌区域图像,通过图像逻辑运算提取大理石纹.结果表明,这种方法能有效地把背长肌区域与其周围肌肉组织分离开来并提取大理石纹.     

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%。     

基于流形光谱降维和深度学习的高光谱影像分类

高光谱影像存在的"休斯(Hughes)现象"是制约高光谱影像分类精度的一个重要因素。为了提高高光谱影像分类精度,提出一种基于流形光谱特征的高光谱影像分类算法。首先使用t分布随机邻域嵌入算法对高光谱影像进行降维;其次将降维后的高光谱数据作为输入层,使用卷积神经网络提取空间深层特征;最后,将提取到的深层空间-光谱特征从隐层特征空间映射到样本标记空间并进行分类。结果表明,与其他算法相比,该研究究算法的总体精度和Kappa系数最高,3个数据集总体精度分别为99.05%、99.43%和98.90%,Kappa系数分别为98.78%、98.97%和98.34%,显著提高了高光谱影像的分类精度,减少了分类用时,有效解决了传统降维方法容易忽视局部特征的缺点。将流形学习降维和深度学习分类相结合为高光谱遥感影像分类和土地利用研究研究提供了一种思路。     

基于深度集成学习的青梅品级智能反馈认知方法

针对传统机器判定水果品级的开环认知模式存在特征空间和分类准则一旦建立不再更新的缺陷,模仿人由整体到局部反复推敲比对的思维信息交互认知模式,探索了一种具有认知结果熵测度指标约束的青梅品质智能反馈认知方法。首先,在有限论域不确定条件下从信息论角度建立具有信息完备性评价指标的非结构化多层面动态特征表征的青梅品级认知智能决策信息系统模型。其次,基于架构自适应的卷积神经网络(adaptive structure convolutional neural networks,ASCNNs)和集成随机权向量函数连接网络分类器(random vector functional-link net,RVFL),建立青梅图像由整体到局部有明确品级特征表征映射关系的特征空间数据结构与分类准则。再次,基于广义误差和广义熵理论,建立青梅图像认知结果的熵函数形式测度评价指标。最后,建立基于不确定过程认知结果性能测度指标约束的动态反馈认知智能运行机制。针对1 008幅青梅图像的平均识别率为98.15%,表明该文方法有效地增强了特征空间的泛化能力以及分类器的鲁棒性。该研究可为基于可见光的青梅品级快速准确机器认知提供参考。     

基于深度学习与融合地形特征的黄土陷穴面向对象提取方法

黄土陷穴作为黄土高原地区一种特殊的地貌类型及地质灾害,其研究对指导黄土地区水土保持与工程建设工作具有重要意义。现阶段对陷穴的研究多基于传统野外调查,该方式成本高、效率低。为此,该研究开展面向对象与卷积神经网络（Convolutional Neural Networks,CNN）相结合的黄土陷穴自动化提取方法研究,并讨论融合地形特征对CNN模型提取精度的影响。研究选取黄土陷穴发育的典型区域,基于WorldView3遥感数据与ALOS高程数据,通过莫兰指数与灰度共生矩阵熵值确定影像的分割尺度,以面向对象的方式提取黄土陷穴的光谱、形状、纹理以及地形特征,制作融合地形特征与未融合地形特征的两类训练样本,进而训练两种CNN模型对同一区域内黄土陷穴进行提取,根据精确率、召回率以及F1分数评价模型的提取精度、分析对比两种CNN模型的提取结果,并建立支持向量机（Support Vector Machine,SVM）模型与CNN模型进行比较。研究结果表明,融合地形特征进行训练的CNN模型精确率达94.62%,召回率达86.27%、F1分数达90.26%,综合提取性能最好,相较于未融合地形特征训练的CNN模型,黄土陷穴的错分量大大减少,精确率提升18.10个百分点,F1分数提升9.15个百分点;两种CNN模型F1分数均达80%以上,比SVM模型分别高出6.94个百分点,16.09个百分点,提取结果均优于SVM模型;综上,融合地形特征的CNN模型可快速、精确地提取黄土陷穴,从而为黄土地区陷穴防治工作提供支持。     

深度学习在猪只饲养过程的应用研究进展

随着人工智能技术的兴起,深度学习技术发展迅猛,在图像及音频识别、自然语言处理、机器人技术、生物信息学、化学和金融等领域中应用广泛,也是目前发展精细畜牧业重要工具。养猪业是中国的重要农业产业,生猪的体况、行为及健康状况直接影响猪场的收入水平,通过深度学习技术可以快速、准确地了解猪只的相关信息并进行精确管理,提高猪只饲养效率及动物福利水平。该研究阐述了深度学习在目标猪只检测、猪只图像分割、猪只体况及异常监测、猪只行为识别上的应用现状,提出了深度学习技术在猪只饲养过程中的改进策略,以方便研究人员快速了解其研究进展。同时总结和分析了深度学习技术在猪只饲养过程中关于数据来源及数据集、应用范围、模型优化的不足与展望,提出应建立适用于猪只领域的公共数据集和统一的数据集标准,扩大深度学习的应用范围,优化DL（Deep Learning）模型以满足实际任务需求,将深度学习应用于猪场生产实践中。该研究旨为提高猪只福利化养殖和猪场经济效益提供依据,以推动深度学习在猪只饲养过程中应用的进一步发展。