基于改进SSD的柑橘实时分类检测

针对人工分拣柑橘过程中,检测表面缺陷费时费力的问题,该文提出了一种基于改进SSD深度学习模型的柑橘实时分类检测方法。在经改装的自制打蜡机试验台架下采集单幅图像含有多类多个柑橘的样本2 500张,随机选取其中2 000张为训练集,500张为测试集,在数据集中共有正常柑橘19 507个,表皮病变柑橘9 097个,机械损伤柑橘4 327个。该方法通过单阶段检测模型SSD-ResNet18对图片进行计算和预测,并返回图中柑橘的位置与类别,以此实现柑橘的分类检测。以平均精度AP(average precision)的均值m AP(mean average precision)作为精度指标,平均检测时间作为速度指标,在使用不同特征图、不同分辨率和ResNet18、MobileNetV3、ESPNetV2、VoVNet39等4种不同特征提取网络时,进行模型分类检测效果对比试验研究。研究表明,该模型使用C4、C5特征图,768×768像素的分辨率较为合适,特征提取网络ResNet18在检测速度上存在明显优势,最终该模型的m AP达到87.89%,比原SSD的87.55%高出0.34个百分点,平均检测时间为20.27 ms,相较于原SSD的108.83 ms,检测耗时降低了436.90%。该模型可以同时对多类多个柑橘进行实时分类检测,可为自动化生产线上分拣表面缺陷柑橘的识别方面提供技术借鉴。     

采用轻量级网络MobileNetV2的酿酒葡萄检测模型

为提高高分辨率田间葡萄图像中小目标葡萄检测的速度和精度,该研究提出了一种基于轻量级网络的酿酒葡萄检测模型（Wine Grape Detection Model,WGDM）。首先,采用轻量级网络MobileNetV2取代YOLOv3算法的骨干网络DarkNet53完成特征提取,加快目标检测的速度;其次,在多尺度检测模块中引入M-Res2Net模块,提高检测精度;最后,采用平衡损失函数和交并比损失函数作为改进的定位损失函数,增大目标定位的准确性。试验结果表明,提出的WGDM模型在公开的酿酒葡萄图像数据集的测试集上平均精度为81.2%,网络结构大小为44 MB,平均每幅图像的检测时间为6.29 ms;与单发检测器（Single Shot Detector,SSD）、YOLOv3、YOLOv4和快速区域卷积神经网络（Faster Regions with Convolutional Neural Network,Faster R-CNN）4种主流检测模型相比,平均精度分别提高8.15%、1.10%、3.33%和6.52%,网络结构分别减小了50、191、191和83 MB,平均检测时间分别减少了4.91、7.75、14.84和158.20 ms。因此,该研究提出的WGDM模型对田间葡萄果实具有更快速、更准确的识别与定位,为实现葡萄采摘机器人的高效视觉检测提供了可行方法。     

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、Fa...     

基于改进MobileNetV3-Large的鸡蛋新鲜度识别模型

鸡蛋在运输贮存过程中一直伴随着品质的不断衰减,如何快速、准确地识别鸡蛋新鲜度是业界和学者们共同关注的话题。针对鸡蛋内部气室和蛋黄等新鲜度特征差异不显著的问题,该研究提出一种基于改进MobileNetV3-Large的轻量级鸡蛋新鲜度识别模型。首先在深度可分离卷积中引入动态卷积（Dynamic Convolution, DC）模块,改进后的深度可分离动态卷积模块能够为不同的鸡蛋图像动态生成卷积核参数,提高模型特征提取能力;其次在注意力模块中引入坐标注意力（Coordinate Attention, CA）模块,增强模型对位置信息的感知能力;最后采用3 276张鸡蛋图像训练并测试改进的MobileNetV3-DA模型。试验结果表明,MobileNetV3-DA模型在测试集上的准确率为97.26%,分别比ResNet18、VGG19和ShuffleNetV2模型高5.19、0.84和5.91个百分点;模型参数量和计算量分别比MobileNetV3-Large减少1.03和78.64 M;在实际应用中,MobileNetV3-DA模型精确率、召回率和加权分数的平均值分别为95.95%、95.48%和97.82%,达到了理想的识别效果。改进的MobileNetV3-DA模型为鸡蛋供应链各环节进行鸡蛋新鲜度快速、准确识别提供了算法支持。     

基于轻量型残差网络的自然场景水稻害虫识别

准确识别水稻害虫对水稻及时采取防护和治理措施具有重要意义,该研究以自然场景中水稻害虫图像为研究对象,针对水稻害虫图像的颜色纹理与背景相近以及同类害虫形态差异较大等特点,设计了一个由特征提取、全局优化以及局部优化模块构成的轻量型残差网络（Light Weight Residual Network,LW-ResNet）用于水稻害虫识别。在特征提取模块通过增加卷积层数以及分支数对残差块进行改进,有效提取自然场景中水稻害虫图像的深层全局特征并使用全局优化模块进行优化;局部优化模块通过设计轻量型注意力子模块关注害虫的局部判别性特征。LW-ResNet网络在特征提取模块减少了残差块的数量,在注意力子模块中采用深度可分离卷积减少了浮点运算量,从而实现了模型的轻量化。试验结果表明,所设计的LW-ResNet网络在13类水稻害虫图像的测试数据集上达到了92.5%的识别准确率,高于VGG16、ResNet、AlexNet等经典卷积神经网络模型,并且LW-ResNet网络的参数量仅为1.62×106个,浮点运算量仅为0.34×109次,低于MobileNetV3轻量级卷积神经网络模型。该研究成果可用于移动端水稻害虫的自动识别。     

基于一维轻量化CNN的山地索道轴承故障诊断

为保证山地果园索道安全稳定运行,并在网络环境较差的山地果园实现对索道驱动系统轴承故障诊断,该研究提出了一种一维端对端轻量化CNN检测方法1D-MRL-CNN（one-dimensional mountain ropeways lightweight convolutional neural network ）,直接对采集到的一维振动信号进行检测。基于残差结构（residual structure）和深度可分离卷积（deep separable convolution）,引入BN（batch normalization）层,在保证检测精度的同时大幅度降低模型的参数量和复杂度,并提升鲁棒性和泛化能力,适用于索道的变负荷工作状态;采用改进stem block模块、h_swish激活函数并在主体模块最后一层添加通道注意力机制（squeeze and excitation, SE）,提高网络模型的特征提取能力。为了验证模型的综合性能、变负荷工况下的稳定性以及抗噪声干扰性能,利用帕德博恩（paderborn university, PU）和凯斯西储（case western reserve university, CWRU）数据集进行试验验证。PU数据集试验结果表明,该方法故障分类准确率达99.43%,相比同类最优网络分类准确率提高0.97个百分点;参数量为83.44 kB,分别是Resnet18、VGG16、MobileNetV3-large和ShuffleNetV1模型的2.19%、0.81%、2.84%和3.31%。CWRU数据集试验结果表明,该方法在变负荷工况下的平均准确率达96.70%,比Resnet18、WDCNN和MobileNetV3-large网络分别高9.1、4.7和10.5个百分点;在4种噪声工况下的平均识别准确率达99.14%,比Resnet18、WDCNN和MobileNetV3-large网络分别高4.74、1.24和5.51个百分点。最后通过自建数据集对模型的实际工况故障分类效果进行验证,1 400个样本中仅有2个故障样本预测错误,准确率达99.86%。本研究的网络模型参数量小、准确率高,在变负荷和有噪声的工况下鲁棒性较高,适用于山地果园运输索道的轴承故障检测。     

融合多尺度特征和注意力机制的油菜倒伏分类

倒伏是限制油料作物高产、稳产、优产的主要因素,对油菜倒伏类型的实时监测与评估对于油菜预产和品种选育至关重要。该研究提出一种无人机可见光影像下融合多尺度特征和注意力机制的油菜倒伏分类方法,对绿熟期和黄熟期的倒伏级别进行分类鉴定。首先,设计一种图像分类模型NGnet（nam-ghost network）,用于对角果期的油菜倒伏程度进行分类。该网络采用改进的GhostBottleNeck模块,融入利用权重因子来体现重要特征的注意力机制模块NAM（normalization-based attention module）,再将不同尺度的注意力特征进行融合,以降低模型参数量、提高准确率;其次,构建使用无人机高空遥感正射影像的油菜倒伏数据集（rape lodging dataset, RLD）,该数据集由5789张分辨率为3×255×255且人工标注倒伏级别的小区影像构成;最后,将本文NGnet模型在RLD数据集上的进行验证,准确率达到85.10%,比T2T-VIT、SwinTransformerV2、MobileNetV3、Res2Net、RepVGG 和 RepLKNet分别高出15.6、11.92、7.01、6.22、6.08、2.37个百分点。试验结果表明,NGnet模型对油菜倒伏分类任务是有效的,可为基于无人机RGB影像的油菜倒伏鉴定和良种选育等提供参考。     

改进SSD的灵武长枣图像轻量化目标检测方法

针对加载预训练模型的传统SSD（Single Shot MultiBox Detector）模型不能更改网络结构,设备内存资源有限时便无法使用,该研究提出一种不使用预训练模型也能达到较高检测精度的灵武长枣图像轻量化目标检测方法。首先,建立灵武长枣目标检测数据集。其次,以提出的改进DenseNet网络为主干网络,并将Inception模块替换SSD模型中的前3个额外层,同时结合多级融合结构,得到改进SSD模型。然后,通过对比试验证明改进DenseNet网络和改进SSD模型的有效性。在灵武长枣数据集上的试验结果表明,不加载预训练模型的情况下,改进SSD模型的平均准确率（mAP,mean Average Precision）为96.60%,检测速度为28.05帧/s,参数量为1.99×106,比SSD模型和SSD模型（预训练）的mAP分别高出2.02个百分点和0.05个百分点,网络结构参数量比SSD模型少11.14×106,满足轻量化网络的要求。即使在不加载预训练模型的情况下,改进SSD模型也能够很好地完成灵武长枣图像的目标检测任务,研究结果也可为其他无法加载预训练模型的目标检测任务提供新方法和新思路。     

基于深度学习的森林虫害无人机实时监测方法

无人机遥感是监测森林虫害的先进技术,但航片识别的实时性尚不能快速定位虫害爆发中心、追踪灾情发生发展。该文针对受红脂大小蠹危害的油松林,使用基于深度学习的目标检测技术,提出一种无人机实时监测方法。该方法训练精简的SSD300目标检测框架,无需校正拼接,直接识别无人机航片。改进的框架使用深度可分离卷积网络作为基础特征提取器,针对航片中目标尺寸删减预测模块,优化默认框的宽高比,降低模型的参数量和运算量,加快检测速度。试验选出的最优模型,测试平均查准率可达97.22%,在移动图形工作站图形处理器加速下,单张航片检测时间即可缩短至0.46 s。该方法简化了无人机航片的检测流程,可实现受害油松的实时检测和计数,提升森林虫害早期预警能力。     

快速精准识别棚内草莓的改进YOLOv4-Tiny模型

为了实现棚内草莓果实的快速精准识别,该研究提出一种基于改进YOLOv4-Tiny的草莓检测模型。首先,为了大幅度减少模型计算量,采用轻量型网络GhostNet作为特征提取网络,并在GhostBottleneck结构中嵌入卷积注意力模块以加强网络的特征提取能力;其次,在颈部网络中添加空间金字塔池化模块和特征金字塔网络结构,融合多尺度特征提升小目标草莓的检测效果;最后,采用高效交并比损失作为边界框回归损失函数,加速网络收敛并提高模型的检测准确率。结果表明,改进YOLOv4-Tiny模型权重大小仅为4.68 MB,平均每幅图片的检测时间为5.63 ms,在测试集上的平均精度均值达到92.62%,相较于原YOLOv4-Tiny模型提升了5.77个百分点。与主流的目标检测模型SSD、CenterNet、YOLOv3、YOLOv4和YOLOv5s相比,改进YOLOv4-Tiny模型平均精度均值分别高出9.11、4.80、2.26、1.22、1.91个百分点,并且模型权重大小和检测速度方面均具有绝对优势,该研究可为后续果实智能化采摘提供技术支撑。     

改进DeepLabV3+算法提取无作物田垄导航线

机器视觉导航是智慧农业的重要部分,无作物田垄的导航线检测是旱地移栽导航的关键。针对无作物田垄颜色信息相近、纹理差距小,传统图像处理方法适用性差、准确率低,语义分割算法检测速度慢、实时性差的问题,该研究提出一种基于改进DeepLabV3+的田垄分割模型。首先对传统DeepLabV3+网络进行轻量化设计,用MobileNetV2网络代替主干网络Xception,以提高算法的检测速度和实时性;接着引入CBAM（convolutional block attention module,CBAM）注意力机制,使模型能够更好地处理垄面边界信息;然后利用垄面边界信息获得导航特征点,对于断垄情况,导航特征点会出现偏差,因此利用四分位数对导航特征点异常值进行筛选,并采用最小二乘法进行导航线拟合。模型评估结果显示,改进后模型的平均像素精确度和平均交并比分别为96.27%和93.18%,平均检测帧率为84.21帧/s,优于PSPNet、U-Net、HRNet、Segformer以及DeepLabV3+网络。在不同田垄环境下,最大角度误差为1.2°,最大像素误差为9,能够有效从不同场景中获取导航线。研究结果可为农业机器人的无作物田垄导航提供参考。     

基于卷积神经网络的玉米病害小样本识别研究

农作物病害治理对于农作物的产量和品质有着非常重要的影响。本文针对玉米病害人工识别困难、识别过程耗费大量的人力成本和病害数据样本小且分布不均的问题,提出了一种改进的迁移学习神经网络（Neural Network）的病害识别方法。首先,采用旋转、翻转等方法对样本图像集进行数据增强;其次,通过迁移的MobileNetV2模型在玉米病害图像数据集上训练,利用Focal Loss函数改进神经网络的损失函数;最后,通过Softmax分类方法实现玉米病害图像识别。另外通过试验对比AlexNet、GooleNet、Vgg16、RestNet34、MobileNetV2和迁移的MobileNetV2这6种模型的训练集准确率、验证集准确率、权重、参数数量和运行时间。结果显示,6种模型验证集的准确率分别为93.88%、95.48%、91.69%、97.67%、96.21%和97.23%,迁移的MobileNetV2的准确率最高,且权重仅有8.69 MB。进一步通过混淆矩阵对比了MobileNetV2和迁移的MobileNetV2两种模型,迁移的MobileNetV2模型识别正确率提升1.02%,训练速度减少6 350 s。本文提出迁移的MobileNetV2模型对玉米病害小样本的识别效果最佳,具备更好的收敛速度与识别能力,同时能够降低模型的运算量并大幅度缩短识别时间。     

基于MICS-CoTNet的黑木耳品质分类方法

针对传统黑木耳品质分类效率低,识别准确率不佳等问题,提出一种基于卷积神经网络和Transformer相结合的黑木耳图像品质分类方法。该研究以CoTNet模型为基础网络,设计了MICS-CoTNet黑木耳品质分类网络模型。首先,重新规划CoTNet模型主干特征提取模块的迭代次数,降低模型的计算冗余;其次,提出坐标归一化注意力机制以增强黑木耳图像局部关键特征权重,抑制主体特征干扰;最后,引入MobileNetV2模型中特征提取模块Inverted Block,并优化CoTNet模型核心模块CoT block,增强模型对黑木耳数据的特征提取能力。将MICS-CoTNet模型与EfficientNetV2、NfNet等12种模型进行对比,结果表明,综合模型准确性和轻量性等方面,MICS-CoTNet模型表现最佳。其中,MICS-CoTNet模型在干黑木耳数据中识别准确率可达98.45%,相较标准CoTNet提升5.22个百分点;在鲜黑木耳数据中识别准确率可达98.89%,相较标准CoTNet提升2.60个百分点。MICS-CoTNet模型占用内存为30.98M,相对于原CoTNet模型减少96...     

采用改进YOLOv3算法检测青皮核桃

使用机器视觉对果实检测并进行估产是实现果园智能化管理的重要途径,针对自然环境下青皮核桃与叶片颜色差异小、核桃体积较小导致青皮核桃不易检出的问题,提出一种基于改进YOLOv3的青皮核桃视觉检测方法。依据数据集特征进行数据增强,引入Mixup数据增强方法,该研究使模型从更深的维度学习核桃特征;针对核桃单种类目标检测比较不同预训练模型,选择精度提升更明显的Microsoft Common Objects in Context（COCO）数据集预训练模型;依据标注框尺寸统计对锚框进行调整,避免锚框集中,提升模型多尺度优势。在消融试验中,前期改进将平均精度均值提升至93.30%,在此基础上,引入MobilNet-v3骨干网络替换YOLOv3算法中原始骨干网络,提升模型检测能力及轻量化。试验表明,基于改进YOLOv3的青皮核桃检测平均精度均值为94.52%,超越YOLOv3其他2个骨干网络和Faster RCNN-ResNet-50网络。本文改进模型大小为88.6 M,检测速度为31帧/s,检测速度是Faster RCNN-ResNet-50网络的3倍,可以满足青皮核桃实时准确检测需求。该方法可为核桃果园智能化管理中的估产、采收规划等提供技术支撑,也可为近背景颜色的小果实实时准确检测提供思路。     

自然环境下多类水果采摘目标识别的通用改进SSD模型

为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。     

采用改进SSD网络的海参目标检测算法

随着海参养殖业快速发展,利用水下机器人代替人工作业的海参智能捕捞已成为发展趋势。浅海环境复杂,海参体色与环境区分性差、海参呈现半遮蔽状态等原因,导致目标识别准确率低下。此外由于景深运动,远端海参作为小目标常常未被识别成功。为解决上述问题,该研究提出一种基于改进SSD网络的海参目标检测算法。首先通过RFB（Receptive Field Block）模块扩大浅层特征感受野,利用膨胀卷积对特征图进行下采样,增加海参细节、位置等信息,并结合注意力机制,对不同深度特征进行强化,将计算得出的权重与原特征信息相乘以此获得特征图,使结果包含最具代表性的特征,也抑制无关特征。最后实现特征图融合,进一步提升水下海参的识别精度。以实际拍摄的视频进行测试验证,在网络结构层面上,对传统算法进行改进。试验结果表明,基于改进的SSD网络的海参目标检测算法的平均精度均值为95.63%,检测帧速为10.70帧/s,相较于传统的SSD算法,在平均精度均值提高3.85个百分点的同时检测帧速仅减少2.8帧/s。与Faster R-CNN算法和YOLOv4算法进行对比试验,该研究算法在平均精度均值指标上,分别比YOLOv4、Faster R-CNN算法提高4.19个百分点、1.74个百分点。在检测速度方面,该研究算法较YOLOv4、Faster R-CNN算法分别低4.6帧/s、高3.95帧/s,试验结果表明,综合考虑准确率与运行速度,改进后的SSD算法较适合进行海参智能捕捞任务。研究结果为海参智能捕捞提供参考。