基于注意力机制的轻量化YOLO v5s蓝莓检测算法

为实现自然环境下蓝莓的精确快速检测,在YOLO v5s的基础上提出了一种结合轻量级网络和注意力机制的改进算法。首先,在主干网络和检测头的位置去除了最大目标检测层的结构,因而降低模型的参数量,增强模型对小目标的检测能力。其次,将MHSA(Multi-head self-attention,多头自注意力)替换了SPPF(Spatial pyramid pooling-fast,快速空间金字塔池化)前面的C3模块,使模型学习到更全面的特征表示,增强模型对蓝莓图像中复杂空间关系和上下文信息的理解能力。最后,在C3模块中加入了S-PSA(Sequential polarized self-attention,顺序极化自注意力),以便模型能够更好地捕捉特征图中相邻区域之间的上下文依赖关系。结果表明,改进后的YOLO v5s算法对成熟、半成熟和未成熟蓝莓的检测精度分别提升1.2、4.4、2.6百分点,平均精度提升2.7百分点,模型参数量减少76.0%。与当前主流轻量化目标检测模型相比,改进后的模型性能更加优越,能为自然环境下蓝莓采摘机器人视觉系统提供一种有效的方案。     

基于特征融合Transformer的EfficientNet v2网络对马铃薯叶片病害的识别

马铃薯叶片病害是影响马铃薯质量和产量的主要因素,为了能够快速准确地识别马铃薯叶片病害并采取对应的防控和救治措施,本研究提出一种新型马铃薯叶片病害识别方法。该方法利用EfficientNet v2网络提取图像特征,通过4个不同尺度的网络层进行金字塔融合,从而捕捉不同尺度下的图像细节和上下文信息,并在金字塔融合中的每个下采样环节都添加1个CBAM注意力机制模块,且每个CBAM模块后都加入Vision Transformer的Encoder模块进行特征增强,帮助提升所提取特征的丰富性和抽象能力,最后使用softmax进行分类。研究提出的模型识别准确率达到98.26%,相比改进之前提升3.47百分点,且其loss收敛更快,宏平均值与加权平均值都有明显提升。消融试验表明,该模型在各项指标上的表现最优,超过基线模型和融合模型,大幅提高图像分类识别任务模型的性能表现。该方法可有效提高病害区域的识别能力和检测准确率,且能在强干扰的环境下做到高精度识别,具有良好的鲁棒性和适应性,同时能解决病害识别中泛化能力弱、精度低、计算效率低等问题。     

基于改进YOLOv5s的番茄叶片病害检测方法

为了解决现有的农作物病害检测方法对不同番茄叶片病害检测的精度低、效果差的问题,提出一种基于YOLOv5网络模型改进的番茄叶片病害检测模型YOLOv5s-TLD。首先在原YOLOv5s模型的Backbone中构建DCAM注意力机制模块,通过制定双通道注意力和空间注意力机制加强模型对番茄叶片病理特征的提取能力,并减弱模型受复杂背景特征的影响,以提高模型对不同种类病害的检测精度和分类精度;然后应用融合Swin Transformer的C3STR模块替换原网络第6层的C3模块,强化模型在多尺度上建模的能力,实现模型对小尺寸的番茄叶片病害残差特征的高精度学习;再运用BiFPN加权双向特征金字塔网络替换原YOLOv5模型Head的PANet路径聚合网络,该网络采用跨尺度特征融合和可学习权重的方式融合模型不同层次的特征,在增强网络的特征融合能力的同时使网络获得更多的特征信息,以提高模型的感受野和特征表达能力;最后进行不同模型的检测对比试验,并在实际复杂场景下进行番茄叶片病害检测试验。试验结果表明：YOLOv5s-TLD模型平均精度均值和召回率分别为97.7%和96.3%,较原YOLOv5s模型平均精...     

基于改进YOLOX的自然环境下核桃识别算法研究

针对现有目标检测算法对自然环境下核桃识别存在漏检、误检等问题,提出了一种基于Swin Transformer多层特征融合改进的YOLOX-S核桃识别算法。首先,在主干特征提取网络中引入基于Swin Transformer的多层特征融合模块,借助Swin Transformer的多头注意力机制对小目标的特征信息进行提取并与特征图进行融合,可以有效解决因网络层数加深导致的高层特征图中小目标特征信息丢失问题;其次,为了提高算法的检测精度,引入更高效的Repblock模块对原网络中的CSP模块进行替换;最后,为了提高下采样效果,使用更为优秀的Transition Block模块作为主干特征提取网络的下采样模块。结果表明,改进后的YOLOX-S模型在采集的自然环境下核桃数据集上平均精度AP50达到96.72%,分别比Faster-RCNN、YOLOv5-S、YOLOX-S算法提高7.36、1.38、0.62百分点,检测速度达到46 f/s,模型参数大小为20.55 M。改进后的YOLOX-S算法具有更好的精度,改善了漏检和误检问题,对自然环境下的核桃有更好的识别效果。     

基于机器视觉的温室蓝莓花期蜜蜂授粉监测

为评估日光温室蓝莓开花窗口期内授粉蜜蜂投放量的合理性,基于机器视觉对蓝莓的蜜蜂授粉次数进行统计。针对检测环境复杂、目标尺度小、易被遮挡等问题,对数据集进行改进泊松融合数据增强处理;并优化设计YOLOv5模型结构,通过引入GAM注意力机制和Transformer模块,增强模型特征提取能力,特征金字塔网络采用BiFPN结构及CARAFE模块补充上下文信息;使用EIoU损失函数和Soft NMS边界框筛选算法,提高边界框的定位精度,解决目标遮挡漏检问题。结果显示,改进后网络的平均精度均值达到96.6%,较原网络提高3.5个百分点,在GPU上对单张蓝莓授粉图像的平均检测时间为11.4 ms。研究结果表明,本研究建立的模型的识别准确度、检测速度及鲁棒性能满足对蓝莓的蜜蜂授粉次数的实时监测。     

基于多尺度卷积与通道域增强的草莓病害识别方法

为提高草莓病害图像的分类准确性，提出一种基于通道域增强的深度超参数化金字塔卷积残差网络(CEM-DOPConv-ResNet18)。首先，针对草莓病害的多尺度特点，基于金字塔卷积与深度超参数化卷积提出深度超参数化金字塔卷积(DOPConv),在提取多尺度病害特征的同时，缓解参数量增加导致的收敛干扰；其次，提出基于双重池化的通道增强模块，用以提高模型的特征选择能力，增强有用尺度下的特征；最后，将上述方法与ResNet18结合，将原本的3×3卷积替换为DOPConv,同时在残差块中加入通道增强模块，构建出草莓病害分类网络。为验证模型识别性能与模块有效性，在草莓病害图像数据集上进行对比试验和消融试验。对比试验结果表明，与原有ResNet18模型相比，CEM-DOPConv-ResNet18的准确率达97.867%,提高3.045百分点，同时内存占用量下降16.6%;消融试验结果表明，相较于原始金字塔卷积，DOPConv可以优化模型收敛，对通道增强模块具有更高的兼容度。该模型提高了草莓病害的分类准确率，降低了网络复杂度，为病害的精准识别提供了一种有效解决模型。     

基于多尺度特征融合细粒度分类网络的扎把烟叶分级方法

当前我国烟叶分级主要采用的人工分级方法受主观因素的影响,易出现分级精度低、不稳定等问题。为了提高烟叶分级结果的准确度与可信度,通过对实地采集的烟叶RGB图像数据进行分析,并针对扎把烟叶数据复杂、类间差异较小的问题,提出了基于弱监督数据增强网络的多尺度特征融合细粒度扎把烟叶分级方法。本方法在Resnet-50提取特征的基础上,首先利用多尺度特征融合模块融合不同层次特征,再通过卷积层学习得到代表重要局部区域的注意力图,最后利用双线性注意力池化操作进一步从局部区域中提取细粒度特征并用于分类。另外,本方法引入了注意力分散约束损失,以防止不同注意力图所关注区域之间的冗余。最终模型经训练后在测试集上,分级准确率与宏F1分数分别为91.261%和91.780%,相比于以往细粒度分类模型分别提升了3.6%和2.8%。结果表明,相比与其他深度学习方法,该方法在扎把烟草数据集上取得了更好的性能。     

基于自学习特征金字塔网络的人体关键点检测算法

针对现有卷积神经网络结构不能充分挖掘高低级语义特征的缺点,提出一种联合自学习的属性金字塔模块(JSLAPM),其由多维自学习模块(MSLM)和特征金字塔模块(FPM)构成,可应用到任意主干网络结构中。MSLM通过学习空间维度以及通道维度上的特征矩阵重要性来调整特征矩阵,而FPM通过融合不同深度的特征矩阵来增强特征属性的表达能力。此外,结合通道分离提取模块(CSEM),提出了一种特征金字塔注意力网络(FPANet)。实验结果表明,所提出的网络模型可将VGGNet和ResNet的主干网络精度分别提升了近3%。     

基于改进YOLOv4算法的番茄叶部病害识别方法

为快速准确识别自然环境下的番茄叶片病害,提出一种基于改进YOLOv4算法的轻量化番茄叶部病害识别方法。该方法根据番茄病害特征采用K均值聚类算法调整先验框的维度,并使用宽度因子为0.25的MobileNetv1代替YOLOv4原有的主干网络CSPDarknet53进行特征提取,并在特征融合网络PANet中引入深度可分离卷积代替原有的3×3标准卷积,同时在主干网络的2个输出特征层和空间金字塔池化输出层分别嵌入卷积块注意力模块(CBAM),提高模型识别精度。试验结果表明,改进后的模型对8类番茄叶片整体检测精准性(mAP)为98.76%,参数量为12.64 M,传输帧数为1 s 101.76帧,相较于原YOLOv4模型,模型参数量减少80%,每秒传输帧数比原始YOLOv4模型提高了130%。     

基于多尺度特征融合和密集连接网络的疏果期黄花梨植株图像分割

由于自然环境下果蔬植株的果实、枝干和叶片等目标尺度不一、边缘不规则,因此造成其准确分割较为困难.针对该问题,提出1种多尺度特征融合和密集连接网络(Multi-scale feature fusion and dense connection net-works,MDNet)以实现黄花梨疏果期植株图像的准确分割.在研究中借鉴了编码-解码网络,其中编码网络采用DenseNet对多层特征进行复用和融合,以改善信息传递方式;解码网络使用转置卷积进行上采样,结合跳层连接融合浅层细节信息与深层语义信息;在编码、解码之间加入空洞空间金字塔池化(Atrous spatial pyramid pooling,AS-PP)用于提取不同感受野的特征图以融合多尺度特征,聚合上下文信息.结果表明,ASPP有效提高了模型的分割精度,MDNet在测试集上的平均局域重合度(MIoU)为77.97％,分别较SegNet、Deeplabv2和DNet提高了8.10个、5.77个和2.17个百分点,果实、枝干和叶片的像素准确率分别为93.57％、90.31％和95.43％,实现了黄花梨植株果实、枝干和叶片等目标的准确分割.在翠冠梨植株图像的独立测试中,MIoU为70.93％,表明该模型具有较强的泛化能力,对自然环境下果蔬植株图像的分割有一定的参考价值.     

基于感知哈希的水稻生长期检测

利用感知哈希算法,针对水稻不同生长发育期的特征,通过比较图像相似度实现水稻生长发育期的自动识别。通过感知哈希算法提取每张待测图片的哈希码,并与已标注过发育期的图库中的水稻图像哈希码进行对比,找出相似度最高的哈希码所代表的标签,输出水稻的移栽期、返青期、分蘖期、拔节期、孕穗期、抽穗期、乳熟期、成熟期共8个主要生长发育期,并针对该算法进行了鲁棒性、敏感性和检索准确性试验。将自动识别的结果与气象观测站台的人工观测数据进行对比,结果表明识别误差在4.00 d内,平均误差为2.69 d。     

基于改进DINO的牧场杂草检测

针对传统杂草识别方法对与牧草有相似特征的杂草的识别精度低的不足,提出一种基于改进DINO检测网络的牧场杂草检测模型。为了增强有效特征和精确位置信息的提取,并减少无效信息的干扰,在端到端模型DINO的主干网络ResNet中加入结合空间注意力和通道注意力的CBAM-G注意力机制模块;通过增加网络深度,让主干网络可以提取到更深层次的目标特征;引入更加轻量化的SFPN模块,替换了算法中原有的特征融合模块;最后为了提高特征提取网络与Transformer的稳定度和检测性能,在模型特征提取网络中加入高斯误差线性单元。结果表明,改进后的检测模型在Kaggle的牧场杂草数据集上的像素精度AP₅₀达到了95.89%,AP₇₅达到了89.23%,相较于原始模型可以更好地利用多尺度特征信息,并提升识别精度。     

基于联合特征与中心方向信息的图像哈希算法

为了提高哈希技术对旋转操作的识别能力,提出了全局-局部联合特征耦合中心方向信息估计的图像哈希认证技术.首先,引入2D线性插值技术,对输入的图像进行预处理,使其对任意的缩放操作都具有固定尺寸的哈希序列;然后,将预处理图像转变为HSV彩色空间,借助二维离散小波变换(Discrete Wave Transform,DWT)处理V分量,利用其低频系数形成二次图像;再引入奇异值分解(Singular Value Decomposition,SVD)处理二次图像,提取其全局特征,将其作为第一个中间哈希序列;基于Fourier机制,借助残差方法,确定图像的显著区域,获取其位置与纹理的局部特征,作为第二个中间哈希序列;随后,引入Radon变换,通过计算图像的中心方向信息,将其与2个中间哈希序列组合,形成过渡哈希数组;借助Logistic映射,定义动态引擎参数,从而设计了分段异扩散技术,对过渡哈希数组进行加密,输出最终的哈希序列;最后,通过估算原始哈希序列与待检测哈希序列的Hamming距离,将其与用户阈值进行比较,完成图像认证.实验结果显示:与当前的图像哈希技术相比,所提算法具有更高的鲁棒性与安全性,对旋转攻击能力具有更好的识别能力.     

基于多尺度注意力卷积神经网络的苹果叶部病害识别方法

针对传统苹果叶部病害识别方法识别率低和现有卷积神经网络(CNN)训练时间长的问题，提出一种基于多尺度注意力卷积神经网络的苹果叶部病害识别方法。该方法由多尺度空洞卷积模块Inception与改进的残差模块组成，其中，多尺度空洞卷积模块Inception用于图像的多尺度特征提取，在卷积模块中引入双注意力机制增强网络模型，显著表示图像中叶部病斑区域特征，降低非病斑区域与背景区域对识别结果的干扰，在原始残差模块上引入卷积层与非线性激活函数改进的残差模块，增加鲁棒性判别特征的跨层融合，在苹果病害叶片图像数据集上的识别准确率达96%以上。结果表明，所提出的方法具有参数量少、占用内存小以及性能好的优势，可进一步应用于田间苹果叶部病害智能识别系统。     

基于无锚框YOLO检测网络的麦穗检测方法

小麦产量可由单位面积的小麦麦穗总数估算得出。基于采集小麦图像序列特征并进行检测的方法受光照等因素影响大,检测精度不高。为准确定位麦穗位置,估计麦穗数量,引入深度卷积神经网络进行麦穗检测工作。针对麦穗比例多样,先验锚框设定无法完美契合的弊端,舍弃了目标检测网络中常用的矩形先验锚定框（anchor）,提出了一种基于YOLO框架的无锚框（anchor-free）麦穗目标检测方法。采用CSPDarkNet53作为特征提取网络,中间层采用特征图金字塔网络结构FPN(Feature Pyramid Networks)设计特征处理模块,增大感受野并提取图像的多尺度信息,获得融合高低层语义信息的特征图,后端采用FoveaBox式无锚框检测器完成目标检测。在WEDD与GWHD两个不同分辨率的公开麦穗数据集上测试表明,该网络的检测平均精度AP值相较于YOLOv4网络分别提升了8.81%和1.69%,并在GWHD数据集上帧率达到36FPS。本算法能够实时有效地进行麦穗精确检测,为后续小麦估产、育种等创造了条件。     

基于自注意力卷积网络的遥感图像分类

  目的  遥感图像分类技术在森林资源调查、生态工程规划以及森林病虫害防控等林业监测业务中,扮演着至关重要的角色。通过引入自注意力模块增强卷积网络对遥感图像的特征刻画能力,以期提高遥感图像的分类效果。  方法  该文提出了一种融合自注意力机制和残差卷积网络的遥感图像分类方法,首先利用卷积神经网络提取丰富的深度纹理语义特征,然后在卷积网络的最后3个瓶颈层嵌入多头自注意力模块,挖掘遥感图像复杂的全局结构信息。嵌入自注意力模块的卷积分类网络,能够有效提升遥感图像的分类精确度。该研究使用RSSCN7、EuroSAT与PatternNet 3个公开的遥感图像数据集,基于Pytorch深度学习库训练与测试该方法,并增加与已有分类框架算法精度和性能的对比试验。同时,使用不同批次、不同数量大小的数据训练改进研究提出的方法,并测试分类效果。  结果  试验得出,该研究提出的方法在3个遥感分类数据集上的平均识别率分别达到了91.30%、97.88%和97.37%,其中在前两个数据集上较现有的基于深度卷积网络的算法分别提升了2.26%和3.73%。同时,该算法的总参数量为2.08 × 107,较现有参数量最低的方法减少了5.2 × 106。  结论  相比已有的遥感图像分类框架,该研究提出的方法能够在图形处理器（GPU）加速的环境中,取得更为准确的分类效果。同时有效减少了模型的参数量,提高了算法执行的效率,便于后续的实际应用部署。      

基于多尺度注意力U-Net的结球甘蓝青虫检测方法

针对结球甘蓝青虫姿态多样、形状不规则以及传统U-Net对多尺度图像检测的鲁棒性较差等问题，本研究提出一种基于多尺度注意力U-Net(MSAU-Net)的结球甘蓝青虫检测方法。该方法将多尺度空洞Inception和注意力引入到U-Net,通过设置不同膨胀率的初始卷积层卷积核和全局池化层类型，提取多尺度深层次的结球甘蓝青虫检测特征。首先，对原始图像进行超像素聚类，极大减少结球甘蓝青虫图像的基元数量；其次，利用多尺度空洞U-Net提取不同大小的结球甘蓝青虫特征；最后，通过注意力连接将MSAU-Net同层的浅层、深层特征拼接，得到结球甘蓝青虫图像的关键特征，加快网络训练。MSAU-Net方法在结球甘蓝青虫数据集上的平均检测精度为95.26%,较U-Net方法提高了约6个百分点。MSAU-Net方法能较好地检测到大小不同的结球甘蓝青虫，能够应用于结球甘蓝青虫自动检测系统。     

基于多层注意力机制的农业病虫害远程监督关系抽取研究

针对大多数现有关系抽取模型存在对语义特征提取不充分、速度慢且数据集匮乏的缺点,提出一种PCNN(piecewise convolutional neural network)模型和多层注意力机制相结合的远程监督关系抽取方法进行农业病虫害领域的关系抽取。模型由两个实体把句子分成三段,对卷积后的每一段进行最大池化获得特征,同时在实例和池化特征层面上分别引入注意力机制有效降低信息噪声。在F1评价指标上比传统方法提高了5.75%,在耗时上是传统方法的10.93%,且减少了手工标注数据集的成本。     

基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型

【目的】网箱生物识别和统计是海洋牧场的养殖管理的关键参考因素之一。针对混响噪声和复杂背景的干扰,构建不同光照条件下鱼类检测数据集,采用前视声呐成像技术,提出一种基于 YOLOV5-MobilenetV3 和声呐图像的鱼类识别轻量化模型（LAPR-Net）,实现浑浊或黑暗场景下水体网箱的鱼类识别。【方法】以罗非鱼为研究对象,基于 YOLOV5 模型的框架结构,主干网络模块采用轻量级 MobileNetV3 bneck 模块,利用线性瓶颈的逆残差结构和深度可分离卷积提取声呐图像中鱼类的特征,通过注意力机制 SE-Net 获取声呐图像多尺度语义特征并增强特征之间的相关性;颈部网络采用路径聚合网络结构,对目标特征进行多尺度融合,增强特征融合能力;预测部分采用基于非极大抑制方法进行最大局部搜索,去除冗余的检测框,筛选置信度最高的检测框,最终输出并显示鱼的检测结果,包含位置、类别以及检测目标的概率。【结果】选择 4 种其他主流的检测模型进行对比试验,包含 YOLOV3-ting（Darknet53）、YOLOV5（CSPdarknet53）、YOLOV5（Repvgg）、YOLOV5s（Transformer）,提出模型参数量为 3 545 453、计算量为 6.3 G、mAP 为 0.957,模型平均每张图片推理速度为 0.08868 s,同 YOLOV5 模型相比,改进后模型 mAP 提高 9.7%。【结论】本文提出的模型提高了训练和识别速度,降低了硬件设备要求,可为海洋牧场网箱养殖鱼类检测模型提供参考。     

基于颜色特征的茄子病害图像检索方法

为克服当前蔬菜病害诊断专家系统依靠文字提供信息的不准确性,提出一种基于颜色特征的茄子病害图像检索方法。详细分析茄子病害图像的颜色特征,在符合人眼视觉特征的HIS颜色空间上进行图像预处理。提取图像的均值、方差、偏度、峰度、能量作为检索特征值,构建图像特征矩阵。利用高斯归一化方法进行归一化处理后,采用欧式距离进行相似性度量。在Visual C＋ ＋6．0开发环境下,采用C＋＋编程开发了基于颜色特征的茄子病图像检索系统。结果表明,基于颜色特征的茄子病害图像检索方法的查准率为65％,查全率为83％,识别效果较好。将该算法应用于茄子病害诊断专家系统,将大大提高系统的鲁棒性,能够满足病害诊断的要求。