基于卷积神经网络的若尔盖草原鼠害监测应用研究

鼠害是我国草原的主要生物灾害之一,严重威胁草原畜牧业的可持续发展,利用神经网络模型能够实现复杂环境下草原地物类型的识别与分割,该方法在草原鼠害监测与管理方面具有重要意义。本研究以若尔盖草原为例,将Mask R-CNN卷积神经网络模型、 Res2Net网络与无人机影像数据相结合,提出了一种新型草原地物类型的识别与分割方法,对草原不同地物类型进行检测和分割,进而统计相应地物类型的面积与数量,建立了若尔盖草原的鼠害监测模型。得出如下结论:无人机低空遥感结合卷积神经网络模型的监测方法可以为若尔盖草原鼠害调查提供准确度甚高的解译结果;其中,土丘的检测精度最高,恢复斑块检测精度最低,但其面积占比最高;样地中土丘分布均匀,鼠洞呈集聚分布,两类害鼠分布空间、分布差异较大。研究结果反映的信息与鼠害发生区域基本一致,该方法为有效监测鼠害提供了决策支持,对有效保护草原生产力和实现草原的可持续发展具有重要的研究价值。     

基于Multi-Light模型的奶牛个体识别研究

为了解决大规模智能化奶牛养殖场对奶牛个体识别存在模型大、识别速度慢的问题,试验构建了一种用于识别奶牛个体的多尺度轻量化卷积神经网络(Multi-Light)模型,将拍摄的奶牛图像经过标注后利用DeepLab V3模型从复杂背景中分割出单头奶牛图像;在Multi-Light模型中引入空洞卷积,保证该模型参数量不变的同时增强提取图像全局信息的能力;加入多尺度卷积模块增强该模型对不同尺度特征点的检测能力,在该模型中使用短路连接以保证特征不丢失,提升模型的识别精度;此外,利用通道注意力机制提高了该模型识别精度,同时使该模型具有更多的非线性;最后将分割得到的奶牛图像数据集输入Multi-Light模型进行训练。结果表明：Multi-Light模型对奶牛个体识别的精度达98.51%,高于其他经典模型对奶牛个体的识别率;与轻量级模型对比,Multi-Light模型的大小为5.86 MB,在具备高识别精度的前提下参数量较少。说明试验所搭建的Multi-Light模型克服了传统方法中需要对特征进行人为提取、提取特征方法不够鲁棒、识别模型参数量大及识别速度慢的缺点,为奶牛个体轻量化识别提供了参考。     

基于卷积神经网络的家蚕农药中毒识别研究

由农药污染桑叶造成的家蚕中毒是蚕茧生产减收的主要原因之一。现有的家蚕农药中毒识别方法主要是人工观察大量蚕儿出现的明显症状进行识别。为了提高诊断的效率和准确性,运用深度学习方法的卷积神经网络开展了家蚕农药中毒的智能识别研究。通过给4龄初期幼虫添毒的方式集中获取敌杀死(溴氰菊酯)、草甘膦2种农药中毒的家蚕样本,并以相同日龄的健康家蚕作为参照,使用智能手机在实际环境下采集图像,构建家蚕中毒症状的图像数据集。在此基础上,利用轻量级卷积神经网络MobileNet模型开展识别试验,结果显示对2种农药中毒的识别准确率分别为95.0%和99.6%。初步的研究结果提示,进一步构建种类更加完整的基于卷积神经网络的家蚕农药中毒识别系统,将有助于蚕桑生产上家蚕中毒的农药污染溯源分析和精准预防。     

基于AlexNet的栽培苜蓿病害识别

苜蓿病害的准确快速识别是栽培苜蓿草地病害防治的关键。苜蓿病害鉴别对专业知识和识别工具及检测环境要求较高，传统的苜蓿病害识别往往需要采用显微观察等手段对叶片病害部位进行镜检，存在时效性差、成本高，难以实现大范围多点位的快速识别等弊端。近年来在图像识别领域的计算机视觉和深度学习得到快速发展，为苜蓿病害智能化识别提供了新途径。本研究利用13种常见苜蓿病害图像数据集，基于改进的AlexNet深度学习卷积神经网络，经过300次迭代训练，构建了苜蓿病害识别模型，并对比分析了不同图像输入分辨率的苜蓿病害识别精度。结果表明：13种苜蓿病害最优模型识别总体精度达到72%，最优图像输入尺寸为512像素×512像素；剔除识别精度过低的苜蓿病害样本图片后，褐斑病、霜霉病、炭疽病、黑茎叶斑病和小光壳叶斑病5类苜蓿病害的识别总体精度提高到92%，最优输入尺寸为1200像素×1200像素。这2种模型均能够实现对苜蓿主要病害的快速识别，研究结果可以为苜蓿病害智能检测系统的研发提供图像识别方面的技术支持。     

基于深度学习——DCNN的人脸图像识别技术应用研究

针对基于深度学习的人脸识别技术广泛应用于社会的金融、教育、交通、零售等领域进行了分析,阐述了深度学习、卷积神经网络和人脸识别技术理论及应用现状。为了提高人脸识别在各应用领域的准确率,文章分析一种基于深度学习的深度卷积神经网络（DCNN）的人脸识别技术,该方法主要涉及两个方面,一方面是使用DCNN对训练集进行特征提取,另一方面则是将提取的特征图片通过输入神经网络进行训练及识别。并对基于深度学习—DCNN的人脸识别技术的应用研究做出总结和展望,加深了人们对深度学习人脸识别技术的了解,为实现快速便捷的识别大量人脸图像任务做支撑。     

基于卷积神经网络的牧草种子图像识别

传统的灰度图像处理方式会降低数据集的复杂性,进而降低模型识别相似种子的准确率。因此,将卷积神经网络中传统的图像灰质化处理方法改进为归一化典型判别分析(nCDA)算法与卷积神经网络(CNN)相结合的方法(CNN-nCDA),该方法基于多光谱仪采集的种子图像信息,以深度学习框架TensorFlow为基础,利用卷积神经网络构建种子识别算法,可区分高相似度牧草种子。结果表明,仅依靠传统灰度图难以区分形态相似的种子(62.11%～72.5%),而采用CNN-nCDA策略对不同类别种子分类的准确率可达100.0%,优于单独使用nCDA (90.0%～100.0%)、线性判别分析(LDA)(97.3%～100.0%)、支持向量机(SVM)(92.4%～97.5%)的准确率。综上所述,多光谱成像技术中的nCDA算法与卷积神经网络相结合技术,具有较高的校准和验证能力,对现场快速筛选种子具有良好的应用前景。     

结合深度学习与图像处理的黄斑茧识别算法

剥茧缫丝是提取丝绸制品原料蚕丝的重要环节,在缫丝前需要对蚕茧进行筛选,剔除不合格的下茧。针对目前自动化识别上车茧和黄斑茧准确率低的问题,文中提出一种结合深度学习与图像处理技术的识别算法。引入空洞卷积改进YOLOv5s网络,利用改进后的网络对不同类别标签的蚕茧图片进行训练和预测;在此初识别基础上,对网络预测结果置信度小于70%的图片进行图像处理二次判别,在原始图片上根据网络预测的锚定框提取出蚕茧所在区域,经背景分割预处理后单独提取蚕茧HSV颜色模型中S通道图,在S通道图上分析蚕茧黄斑颜色特征,统计表面黄斑区域的面积占比和平均饱和度,并设定双阈值进行二次识别。经测试,该算法识别上车茧和黄斑茧的平均准确率达到94.94%,单张图片初识别加二次识别总时间为318.5 ms。     

电力负荷预测神经网络模型的设计

为提高电力负荷预测精度,本文采用Elman神经网络建立模型,提出了一种基于Elman神经网络的电力负荷预测方法 ,采用自适应学习速率动量梯度下降反向传播算法进行网络训练,对乌鲁木齐电网的实际历史数据进行了仿真,仿真结果表明,Elman神经网络对电力负荷进行预测具有收敛速度快,预测精度高的优点。     

雾霾的RBF网络与遗传算法优化预测

雾霾是对大气中各种悬浮颗粒物含量超标的笼统表述。随着空气质量的恶化,阴霾天气现象出现增多,危害加重。为了更加准确的预测雾霾天气的形成,本文基于自然界遗传机制和生物进化论,提出了一种基于遗传算法优化的RBF神经网络雾霾形成的预测模型,并使用MATLAB进行仿真研究。研究表明RBF神经网络预测精度与网络权值和RBF参数初始值有很大关系,因此本文采用遗传算法优化RBF网络权值和其他参数,形成GA-RBF预测模型。该模型通过计算群体中个体适应度,确定全局最优值,寻找网络参数的最优值。实验结果表明GA-RBF优于传统的RBF预测模型,训练速度和预测精度显著提高。     

能源总量的BP网络与粒子群优化预测

能源是影响人类生存、发展的最重要的因素之一,它决定着生活水平和经济发展的快慢,准确预测能源总量具有重要意义。本文提出一种采用BP网络及粒子群优化对能源总量进行预测的方法。仿真实验表明,BP神经网络预测精度与网络参数初始值有很大关系,将粒子群优化BP模型与传统的BP网络预测结果进行比较,证明PSO-BP模型预测比传统BP网络的预测结果更加准确。     

基于深度卷积神经网络的蚕蛹雌雄自动识别

蚕蛹雌雄识别的准确率直接影响到蚕种杂交率。现有的蚕蛹识别算法多数是以高光谱或近红外相机拍摄的图片作为输入,所需成像设备价格相对昂贵,且高光谱算法的高数据量与高计算量进一步导致其具有较高的应用成本。以普通数码相机拍摄的蚕蛹图片作为识别输入,提出了基于梯度特征的深度卷积神经网络(CNN)的蚕蛹雌雄自动识别算法。设计了包含4层卷积层的CNN,首先提取蚕蛹灰度图像的高级抽象特征,同时提取蚕蛹梯度图像的梯度直方图(HOG)特征,接着将高级抽象特征和HOG特征通过级联的方式进行融合,最后在现有数据训练集上最高达到100%的识别率,测试集的识别率平均可达95%左右,最高达到97.21%。试验数据表明蚕蛹图像的梯度特征也是蚕蛹雌雄识别的重要特征。提出的算法不需要红外或高光谱图片作为输入,降低了数据采集的设备成本和识别计算量。     

基于CNN和SVM的地面高光谱遥感草地植物识别

物候期和识别模型的选择直接影响植物识别的精度。本研究以蒿类荒漠草地主要植物伊犁绢蒿(Seriphidium transiliense)、角果藜(Ceratocarpus arenarius)以及裸地为识别对象,选择4月、6月、9月3个时期,通过SOC 710 VP高光谱成像仪采集草地群落高光谱数据,在分析地物光谱反射率差异的基础上,利用最佳指数因子(OIF)筛选特征波段,通过卷积神经网络(CNN)和支持向量机(SVM)建立识别模型。结果表明：1)不同物候期的伊犁绢蒿与角果藜在可见光波段均表现为“低-高-低”的光谱反射率趋势,并随月份增加峰谷现象逐渐不明显;红边波段这两种植物表现出快速上升;在NIR平台区4月各识别对象间反射率大小差异最明显。2)利用OIF筛选的识别波段组合在月份间表现一致,为638.64、789.49和923.79 nm。3)在识别精度上,SVM> CNN;4月> 9月> 6月;裸地>伊犁绢蒿>角果藜。综合来看,采用SVM在4月对蒿类荒漠草地主要植物进行识别的精度最高,为92.12%。     

基于BP神经网络和支持向量机的降水量空间插值对比研究——以甘肃省为例

为探究降水数据产品的高精度空间插值方法及其应用差异,以BP神经网络和支持向量机模型为研究对象,选取甘肃省为研究区域,构建降水量空间插值模型,分别完成基于两种模型的甘肃省降水量空间插值结果,并划分西区、中区、东区3个建模分区,对比分析两种模型空间插值的精度和应用差异。结果表明:支持向量机模型的插值精度显著高于BP神经网络模型,且支持向量机模型在降水空间分布中能体现更多细节;西区平均相对误差最大,其中,BP神经网络模型32.32%,支持向量机模型仅23.74%;东区平均相对误差最小,BP神经网络为8.28%,支持向量机模型为6.15%;另外,分区建模的插值精度有所提高,但两种模型的提高幅度存在差异,BP神经网络的平均相对误差降低了5.08%,支持向量机模型仅降低0.66%,表明支持向量机模型更加稳定,对影响降水量的经纬度和高程等因子自身变异性的适应能力更强。此研究解决了常用的反距离权重、样条函数、克里金插值等方法在降水量插值过程中准确性差,精度低的问题,为提高降水量空间插值的精度提供了新方法和思路。     

基于ANN-FEM的压力容器法兰设计模型

基于Traingda算法建立了压力容器法兰的神经网络(ANN)-有限元(FEM)设计模型。模型输入层为法兰尺寸、螺柱尺寸、法兰材质、螺柱材质及垫片材质,输出层为法兰公称压力和螺柱公称压力;压力容器法兰ANN-FEM网络模型结构为5-6-2,测试相对误差(RE)为8.9211%。网络敏感性分析表明:法兰尺寸,螺柱尺寸对网络的精度影响很大,而法兰材质、螺柱材质以及垫片材质对网络精度影响很小。压力容器法兰的最大应力主要发生螺母与法兰的接触面上。     

伊犁绢蒿荒漠草地主要植物的高光谱识别

以伊犁绢蒿荒漠草地为研究对象,利用SOC710 VP成像光谱仪获取不同季节的伊犁绢蒿荒漠草地地面高光谱影像,通过主成分分析和方差分析提取不同季节主要物种伊犁绢蒿、角果藜、叉毛蓬和裸地光谱特征波段、特征参数与植被指数;采用Fisher判别分析法将样本按7∶3的比例划分训练集和测试集,对3种主要植物和裸地进行识别。研究表明：6月植被指数建立的识别模型对测试集样本伊犁绢蒿、角果藜、叉毛蓬和裸地的判别精度最优,分别达到100%、95.56%、100%和100%,总体精度达98.89%;基于高光谱影像数据,以6月植被指数作为识别参数可以实现伊犁绢蒿荒漠草地主要植物的识别,为进一步对群落影像进行物种定量分类提供了依据。     

基于贝叶斯网络的手写数字识别的研究与应用

手写数字识别在很多领域都具有广泛的应用前景,为了提高手写数字识别的精度,建立了能够针对不确定、不精确信息作出有效推理的贝叶斯网络模型。首先通过二值化、细化、归一化等方法对手写数字进行预处理,利用粗网格特征提取方法提取特征值,然后使用基于关联规则的贝叶斯网络分类器算法区分手写数字,最后通过实验验证方法的有效性。实验结果表明,贝叶斯网络分类模型有较强的分类能力,是一种有效的手写数字识别模型。     

基于表面增强拉曼光谱（SERS）的青贮玉米原料农药残留快速检测方法研究

试验旨在建立1种基于表面增强拉曼光谱（SERS）技术检测青贮玉米原料中苯醚甲环唑、多菌灵、啶酰菌胺农药残留的方法。采用快速萃取净化的前处理方法实现了青贮玉米原料中3种农药的提取，以10 mg/kg氯化钠溶液作为SERS增强剂结合化学物质浓缩法获取了青贮玉米原料中不同农药残留的SERS信号，结合Savitzky-Golay卷积平滑法、二阶导数法、自适应迭代重加权惩罚最小二乘法（airPLS）以及SG-airPLS进行光谱数据的预处理，融合了线性判别式分析（LDA）-支持向量机（SVM）、卷积神经网络（CNN）两种算法建立了针对苯醚甲环唑、多菌灵、啶酰菌胺的识别模型，并对模型进行对比分析。结果表明，拉曼峰1 127、1 229、1 237 cm-1分别作为识别苯醚甲环唑、多菌灵和啶酰菌胺的拉曼特征峰，当青贮玉米原料中的3种农药残留含量分别为0.1 mg/kg时，仍清晰可见各农药相应的特征峰。采用SG-airPLS方法预处理后的LDA-SVM分类模型可以识别所有样本，准确度为86.67%。研究表明，SERS和SG-airPLS-LDA-SVM方法的融合可以准确、快速识别青贮玉米原料中的农药成...     

基于EfficientDet的蚕茧识别方法

蚕茧是纺织品重要的原材料,带有缺陷的蚕茧会对纺织品质量造成影响,目前人工检测的效率低,成本高,针对这一问题提出通过深度学习技术提高蚕茧缺陷检测的效率。本文首先通过左下角填充算法构造多蚕茧同时识别数据集,然后利用EfficientDet网络模型对该数据集进行识别,最后通过实验比较EfficientDet-D0、YOLOv5s、SSD神经网络在构建的数据集上的性能,实验结果表明EfficientDet-D0网络模型的mAP为82.4%,优于另外2种算法,具有较好的准确率。     

基于深度学习的草坪杂草识别与除草剂喷施区域检测方法

本文以狗牙根草坪及其伴生杂草毛花雀稗、白三叶以及莎草为研究对象,提出了一种基于深度学习的草坪杂草识别及除草剂喷施区域检测方法。通过将原图划分为若干格子区域,利用神经网络模型对格子图片进行杂草识别,实现杂草定位并进而确定除草剂喷施区域。为探究不同神经网络模型对杂草识别的效果,选取VGGNet模型、GoogLeNet模型和ShuffleNet模型,分别以F₁值、准确率和识别速度进行对比分析。验证集下所有模型的F₁值都高于0.97,表明本研究中的三个模型对于杂草都有较好的识别效果。其中,GoogLeNet模型为杂草识别最优模型,拥有最为均衡的识别率和识别速度。其在测试集的平均准确率和识别速度分别为98.75%和36.9 fps,能够用于草坪实时杂草识别应用。结果表明,本研究提出的草坪杂草识别与除草剂喷施区域检测方法具有高度的可行性和较优的应用效果,可用于基于除草剂精准喷施的草坪杂草防控。     

无人机RGB影像在高寒草地狼毒入侵监测及盖度估算中的应用

有毒植物入侵对草地生态系统和生物多样性的影响日益严重,无人机遥感为毒草防治提供了快速高效的监测方法。以青藏高原危害最严重的有毒植物狼毒为研究对象,探讨基于无人机影像的高精度狼毒遥感识别及盖度估算方法。在盛花期获取典型狼毒入侵草甸的无人机RGB正射影像,结合植被指数、色彩变换和纹理滤波方法提取狼毒识别特征,通过ReliefF-VIF/Pearson二次降维筛选出6项最优特征,基于RF、SVM和ANN三种机器学习算法构建狼毒识别模型。结果表明,与原始RGB波段相比,优选特征使狼毒识别精度有效提高4%～7%。三种分类方法的分类总精度和狼毒分类精度均大于81%,基于优选特征的RF和SVM模型的分类总精度和狼毒分类精度达到91%以上,狼毒识别效果最佳。随着统计单元的增大,利用无人机RGB影像分类结果估算狼毒盖度的精度明显下降但稳定性逐渐增加,斑块尺度50～60 cm是狼毒盖度估算的最优尺度。