基于改进EMD-TEO倒谱距离的生猪音频信号端点检测

针对生猪音频信号识别中传统端点检测方法存在的抗噪能力差,准确率低等问题,将一种改进EMD-TEO(经验模态分解的Teager能量算子)倒谱距离的端点检测方法应用到生猪音频信号的端点检测,对生猪音频信号的2个端点检测特征参数(Teager能量参数和倒谱距离参数)进行研究.仿真试验结果表明:1)与EMD-TEO和倒谱距离端...     

基于音频识别的无人值守变电站设备在线监测

介绍了无人值守变电站主设备音频在线监测系统的原理与结构,然后重点介绍音频数据的监测与识别过程.首先系统利用传感器采集变电站设备的音频信号,数据采集器把多路音频数据传至监控主机,音频数据经频谱分析和处理后提取到MFCC特征参数作为信号特征,再把特征参数输入正弦基神经网络进行识别,实现高效、准确地判断电气设备运行状态或故障类型.该方法从根本上改进了以往人工监听电气设备判断故障的方法,提高了设备故障检测效率,为及时发现和处理设备故障提供了帮助.     

基于改进压缩感知的生猪音频信号处理

为了快速准确地获取生猪的音频信息,消除无线信道的拥塞问题,提出基于普减法的压缩感知。在信息采集端采用微处理器NanoPCT4控制的麦克风采集音频信号,通过基于普减法的稀疏基矩阵和测量矩阵,减小声音传输量,接收端运用OMP算法,将压缩信号进行恢复重构,实现对生猪音频信号的快速准确传输。结果表明,通过运用这套压缩-重构系统,重构率提高20.75%,重构时间缩短近0.20 s,去噪后的峰值信噪比较未去噪的峰值信噪比增大了近1.50 dB,降低了信息传输量,节省了信号处理、存储和传输的时间,同时也降低信号失真。     

基于深度卷积神经网络的柑橘黄龙病症状识别

【目的】探究深度学习在柑橘Citrus spp.黄龙病症状识别上的可行性,并评估识别器的识别准确率。【方法】以黄龙病/非黄龙病引起的发病叶片图像及健康叶片图像为训练素材,基于卷积神经网络及迁移学习技术构建二类识别器(I-2-C和M-2-C)和八类识别器(I-8-C和M-8-C)。【结果】M-8-C模型的整体识别表现最优,对所有图像的识别准确率为93.7%,表明构建的神经网络识别器能有效辨别柑橘黄龙病症状;I-8-C和M-8-C对所有类型图像的平均F1分值分别为77.9%和88.4%,高于I-2-C(56.3%)和M-2-C(52.5%),表明症状细分有利于提高模型的识别能力。同时M-8-C比I-8-C略高的平均F1分值表明基于MobileNetV1结构的八类识别器识别表现略优于基于InceptionV3的八类识别器。基于M-8-C改进的识别器M-8f-C能够转移到智能手机上,在田间测试中取得较好的识别表现。【结论】基于深度学习和迁移学习开发的识别器对黄龙病单叶症状具有较好的识别效果。     

基于改进深度卷积神经网络的水稻病虫害识别

病虫害影响水稻质量和产量，快速、准确地检测出水稻病虫害有利于及时防治。针对传统图像识别方法存在特征提取繁琐、识别率低以及对田间环境下的作物病虫害识别困难等问题，本文提出一种以DenseNet121为基础网络，结合迁移学习与坐标注意力机制的水稻病虫害识别模型。该模型引入坐标注意力学习图像特征的通道间关系和空间位置的重要性以增强模型的特征提取能力，采用迁移学习策略训练模型以缓解模型在小数据集上的过拟合现象、减小计算资源以及提升模型的识别性能。利用从田间复杂环境收集的水稻病虫害数据集，对该模型与ResNet50、Xception、InceptionV3、InceptionResNetV2及原DenseNet121等卷积神经网络模型的识别效果进行比较，结果表明，该模型能有效识别出水稻常见8种病虫害和健康植株，识别准确率达到98.95%,模型参数量仅为7.23 M,识别效果优于其他模型。这可为田间环境下的其他作物病虫害识别提供参考。     

基于MFCC与神经网络的小蠹声音种类自动鉴别

昆虫发出的各种声音具有种间特异性,是非常可靠的分类依据。利用这一特性,本实验旨在探索一种对昆虫自动分类的新方法。本实验录制了红脂大小蠹、云南切梢小蠹、短毛切梢小蠹和华山松大小蠹4种小蠹虫的胁迫声,利用Adobe Adition2.0对每个声音文件进行降噪,再将其截取成只含有一个脉冲组的声音片段。在MATLAB环境下对这...     

基于分层卷积神经网络的牧草种子识别模型

针对目前识别牧草种子存在主要依赖于耗时费力的人工种植识别、自动化程度低等问题,本文提出并构建了基于深度学习的多层卷积神经网络禾本科牧草种子分类识别模型.通过改进单层卷积层优化提取牧草种子深度特征,并通过softmax种子分类器对10类禾本科牧草种子进行训练与分类,同时与其他分类识别方法进行比较分析.结果 表明:本模型对...     

基于深度迁移学习模型的花卉种类识别

为了解决传统花卉识别方法中特征提取主观性强、模型泛化能力差、错分率高的问题,提出一种基于Inception_v3的深度迁移学习模型的花卉图像识别方法。本研究对5种常见花卉图像进行识别分类,首先对原始图像进行预处理,通过对每张图像进行水平翻转、旋转操作,扩增数据集;其次,采用预训练完毕的Inception_v3模型,对其在ImageNet上训练好的网络参数进行迁移学习,对各个参数进行微调,并保留原模型的特征提取能力,并将原模型的全连接层替换为符合本研究要求的5分类softmax分类输出层,从而构建基于深度迁移学习的识别模型。对5种花卉共计11 000张图像进行训练和验证,平均识别正确率达到93.73%,与传统的花卉识别方法相比,识别率得到提高,模型鲁棒性更强,具有一定的使用价值。     

基于双路卷积神经网络的植物叶片识别模型

目的针对卷积神经网络识别植物叶片过程中，叶片边缘形状对卷积层的过度作用而导致相似边缘形状叶片识别错误的问题，提出了一种双路卷积神经网络的植物叶片识别模型。方法模型考虑了叶片信息的边缘形状与内部纹理特征，构建了双路卷积神经网路结构，其中形状特征路径运用7层卷积层的网络结构，前3层采用大尺寸11×11及5×5的卷积核提取大视野特征，完成叶片形状特征提取，另外4层卷积层采用3×3小尺寸卷积核提取叶片细节特征；纹理特征路径采用6个3×3卷积核的卷积层，提取叶片纹理图像细节特征；然后通过特征融合层将两类特征相加为融合特征，并利用全连接层对植物叶片种类进行识别。结果实验结果表明，双路卷积神经网络模型与单路卷积神经网络和图像处理分类识别模型相比，在Flavia叶片数据集与扩充植物叶片数据集上，Top-1识别准确率分别提高到了99.28%、97.31%，Top-3识别准确率分别提高到了99.97%、99.74%，标准差较其他识别与分类模型下降到0.18、0.20。结论本文提出的叶片识别模型能有效避免相似叶片边缘形状干扰而导致识别错误的问题，可以提高植物叶片的识别准确率。      

基于BP神经网络的数字识别

介绍了字符识别的几种方法及神经网络的基本原理,并将BP神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP神经网络的数字识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。     

多特征Camshift 和Kalman滤波结合的猪只智能跟踪

为了实现猪只的智能跟踪,提出了一种多特征Camshift和Kalman滤波结合的猪只跟踪算法.首先采用最大类间方差法从背景中分割出猪只,从而统计出猪只的颜色特征和纹理特征;然后获取当前帧图像的联合特征概率分布图,利用Camshift算法求得猪只的位置;最后使用Kalman滤波预测猪只下一帧位置,实现多猪只跟踪.研究结果表明,猪只跟踪算法具有较强的鲁棒性,且更好满足实时性的要求.研究结果可为猪只健康养殖提供技术上的支持.     

基于深度卷积神经网络的水稻田杂草识别研究

目的 利用深度卷积神经网络对水稻田杂草进行准确、高效、无损识别,得出最优的网络模型,为水稻田种植管理以及无人机变量喷施提供理论依据。方法 以水稻田杂草为主要研究对象,利用CCD感光相机采集杂草图像样本,构建水稻田杂草数据集(PFMW)。利用多种结构的深度卷积神经网络对PFMW数据集进行特征的自动提取,并进行建模与试验。结果 在各深度模型对比试验中,VGG16模型取得了最高精度,其在鬼针草、鹅肠草、莲子草、千金子、鳢肠和澎蜞菊6种杂草中的F值分别为0.957、0.931、0.955、0.955、0.923和0.992,其平均F值为0.954。在所设置的深度模型优化器试验中,VGG16-SGD模型取得了最高精度,其在上述6种杂草中的F值分别为0.987、0.974、0.965、0.967、0.989和0.982,其平均F值为0.977。在PFMW数据集的样本类别数量均衡试验中,无失衡杂草数据集训练出来的VGG16深度模型的准确率为0.900,而16.7%、33.3%和66.6%类别失衡的数据集训练的模型准确率分别为0.888、0.866和0.845。结论 利用机器视觉能够准确识别水稻田杂草,这对于促进水稻田精细化耕作以及无人机变量喷施等方面具有重要意义,可以有效地协助农业种植过程中的杂草防治工作。     

基于分层卷积深度学习系统的植物叶片识别研究

深度学习已成为图像识别领域的研究热点。本文以植物叶片图像识别为研究对象,对单一背景和复杂背景图像分别给出了优化预处理方案;设计了一个8层卷积神经网络深度学习系统分别对Pl@antNet叶片库和自扩展的叶片图库中33 293张简单背景和复杂背景叶片图像进行训练和识别,并与传统基于植物叶片多特征的识别方法进行了比较分析。实验证明:本文提供的CNN+SVM和CNN+Softmax分类器识别方法对单一背景叶片图像识别率高达91.11%和90.90%,识别复杂背景叶片图像的识别率也能高达34.38%,取得了较好的识别效果。利用本文实现的分层卷积深度学习识别系统在数据量大而无法做出更多优化的情况下,叶片图像的识别率更高,尤其是针对复杂背景下的叶片图像,取得了极佳的识别效果。      

基于改进YOLOv3的猪脸识别

针对生猪智能化管理中传统标识方法存在的易脱标,易引起生猪感染等问题,采用基于改进YOLOv3模型的非侵入式方法,对生猪多个体识别进行研究.针对原有的YOLOv3模型,在Darknet53特征提取器中引入密连块,结合下采样层组成新的骨干网络;在YOLOv3模型中添加改进的SPP单元,最终构建了YOLOv3 DB_SPP模...     

基于深度LSTM神经网络的大气可降水量估算模型

基于深度长短期记忆(LSTM)神经网络,分别利用地面气象多要素(气温、气压、露点温度、相对湿度、水汽压、小时降水量)和单要素(水汽压)建立怀化地区GPS大气可降水量估算模型LSTM₅和LSTM₁,并对模型精度进行分析。结果表明,利用地面气象要素建立的2种大气可降水量深度LSTM模型有较好的估算精度,决定系数均大于0.94,均方根误差均值小于1.158 1 mm,平均绝对误差均值小于0.709 9 mm,平均绝对百分比误差均值小于4.54%,较基于水汽压的可降水量线性拟合或二次多项式拟合模型的估算精度提升了70%以上,且LSTM₁模型精度略优于LSTM₅模型;模型估算精度与大气可降水量条件相关,当可降水量较低或较高时,模型估算结果更为理想;同时模型估算精度与观测站海拔呈现正相关,观测站海拔越高LSTM模型精度越高。     

基于改进YOLOv4模型的群养生猪姿态检测

为了提升猪舍环境下生猪姿态检测的速度和性能，在YOLOv4模型的基础上提出一种改进的Mini＿YOLOv4模型。首先，该模型将YOLOv4的特征提取网络改为轻量级的MobileNetV3网络结构，以降低模型参数量；其次，在检测网络的CBL＿block1、CBL＿block2模块中使用深度可分离卷积代替传统卷积，避免了复杂模型导致的内存不足和高延迟问题；最后，将原YOLOv4网络每个尺度的最后一层3×3卷积改为Inception网络结构，以提高模型在生猪姿态检测上的准确率。应用上述模型，对生猪的站立、坐立、腹卧、趴卧和侧卧5类姿态进行识别。结果显示，Mini＿YOLOv4模型较YOLOv4模型在检测精度上提升了4.01百分点，在检测速度上提升近1倍，在保证识别精度的同时提升了实时性，可为生猪行为识别提供技术参考。     

基于并联卷积神经网络的水果品种识别

为了解决传统的水果图像识别算法在特征提取上的缺陷,以及传统卷积神经网络识别率低的问题,设计了一种基于并联卷积神经网络来提取水果特征的识别方法,利用ELU激活函数替代ReLU激活函数,利用最大类间距损失函数结合传统SoftmaxWithLoss损失函数来提高对相似品种的识别准确率。选取Fruit-360数据集中的8个品种,利用边界均衡生成对抗网络(BEGAN)结合传统的数据增强方法生成大量高质量的数据集,并用其进行训练。结果表明,该模型对8个品种的平均识别准确率达98.85%,具有良好的识别效果。     

基于矢量量化的猪咳嗽声识别

针对猪的规模化养殖中频发的呼吸道疾病问题,提出通过监测咳嗽状况对猪的健康状况进行预警,以谱减法去噪和端点检测为猪咳嗽信号主要预处理方法,以矢量量化(vector quantization,VQ)匹配算法为核心算法,分别构建基于标准梅尔频率倒谱系数(Mel-frequency cepstral coefficient,MFCC)和改进的MFCC 2种猪咳嗽声识别模型。测试结果显示,以标准MFCC为特征矢量构建的识别系统的识别率、误判率和综合识别率分别达到88%、14%和87.3%,基于改进的MFCC特征矢量构建的识别系统与之相比有很大提高,其识别率、误判率和综合识别率分别达到91%、12%和90.0%。试验表明,采用改进的MFCC与矢量量化相结合构建猪咳嗽识别系统是可行的,能够应用于猪的呼吸道疾病预警。     

基于灰色神经网络与马尔科夫链的城市需水量组合预测

【目的】针对城市需水量预测系统具有非线性和随机波动性的特点,建立基于马尔科夫链修正的组合灰色神经网络预测模型,以提高模型的预测精度。【方法】比较分析灰色GM(1,1)模型、BP神经网络模型以及二者线性组合的灰色神经网络预测模型的预测效果,建立基于马尔科夫链修正的组合灰色神经网络预测模型,并以榆林市2000-2009年的用水量实际数据为研究对象,通过实例比较分析模型的检验预测精度。【结果】经马尔科夫链修正处理后,建立的基于马尔科夫链修正的灰色神经网络组合模型的预测精度更高,预测误差的绝对值均小于4%,且均方差σ为1.00,小于组合灰色神经网络模型与GM(1,1)模型、BP神经网络模型预测误差值的均方差。【结论】基于马尔科夫链修正的组合灰色神经网络需水量预测模型,对城市需水量的预测优于灰色神经网络及各单项预测模型,不仅预测精度高,而且能同时反映出数据序列发展变化的总体趋势和系统各状态之间的内在规律,适合描述随机波动性较大的预测问题。