基于深度学习的猪只行为识别

在猪养殖过程中猪的行为与其健康状况有着密切的联系,及时发现猪的异常行为并加以治疗可以提高养殖的生产效益。利用深度学习技术进行猪只的行为识别,相较于传统人工方式效率更高。本文使用RealsenseD455相机采集猪只行为图像数据,使用Mosaic数据增强方法扩充数据集。将CBAM注意力机制模块加入YOLOv5模型,提高网络模型对猪只行为的特征提取能力。使用PyQt库设计了猪只行为识别系统,实现对训练的模型进行调用,通过上传猪只图片或视频并设置相关参数实现了猪只行为识别的可视化。该系统界面简洁操作便利,猪只姿态识别准确率达到90%以上,对猪只生产和基于深度学习的猪只行为识别研究具有一定的价值。     

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。     

基于深度学习和度量学习的行人再识别

跨摄像机行人因光照、视角、姿态的差异,会使其外观变化显著,给行人再识别的研究带来严峻挑战。文中提出基于深度学习和度量学习的行人再识别方法。首先采用手工特征和深度特征融合网络FFN提取行人图像特征,然后将核矩阵应用于KISSME距离度量学习中,获取更优的距离度量模型。在具有挑战的VIPeR和PRID450S两个公开数据集上进行仿真实验,实验结果表明所提出的行人再识别算法的有效性。     

基于深度学习的羊脸检测与识别方法

家畜个体身份的精准识别对于动物行为研究和现代化选种选配具有重要价值,目前家畜身份的确定主要依据图像或视频中所存在的动物的脸部特征而展开.该文以羊脸识别为目标,提出了基于多种深度学习方法的羊脸检测与识别方案.对羊脸在图片中的位置进行框选和定位,将检测到的来自不同图片的羊脸区分开来,进行个体身份鉴定.采集来自同一群体的形态...     

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。     

蚕茧质量无损智能检测方法的研究

本对目前蚕茧收购中存在的不合理检测方法和造成浪费的现象，研究出了解决这些问题的一种切实可行的方法－蚕茧质量无损智能检测方法，它基于光机电一体化技术和图像处理技术，通过数字图像处理，对蚕茧边缘轮廓进行跟踪，得出其边缘轮廓形状曲线，通过专用软件对其曲线进行拟合，分析计算，数学建模，建立标准数据库，从而计算出鲜茧茧壳量、好蛹率、茧粒数和蚕茧色泽等，再综合这些指标，对蚕茧进行评级。     

蚕茧质量无损检测方法的研究

提出了一种根据振动信号无损检测蚕茧质量的方法,介绍了对振动信号进行小波分解重构蚕蛹的随机振动信号,提取了与蚕蛹重量有关的特征值,利用模糊聚类的方法优选了特征值,然后建立了蚕茧质量无损检测的BP神经网络数学模型.试验证明该检测方法有效可行.     

基于深度学习模型的表面肌电信号手势动作识别算法研究

本文提出了一种基于深度学习模型的表面肌电信号手势动作识别算法,采用瑞士Ninapro公开数据库,通过2阶巴特沃斯滤波器进行带阻滤波对原始信号进行预处理,并利用标准偏差滤除无信号段,采用时间窗重叠的方式将原始数据扩充至符合深度学习模型训练的数据量。最后将预处理后的数据输入34层ResNet深度学习模型并得出识别结果。实验结果显示本文提出的算法较比同类论文取得了更高的识别精度,在52手势动作分类识别准确率达到92. 66%,验证了本算法的有效性。     

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。     

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。     

彩色蚕茧与白色蚕茧中丝胶蛋白抗氧化能力的比较研究

以几种颜色不相同的彩色蚕茧和普通白色蚕茧为原料,采用高温水煮提取各种样茧的丝胶蛋白,并以无水乙醇纯化。通过测定丝胶蛋白清除自由基的能力,判定丝胶蛋白是否具有抗氧化能力,同时比较彩色蚕茧和普通白色蚕茧丝胶蛋白抗氧化能力的大小。结果表明,彩色蚕茧与白色蚕茧丝胶蛋白均具有较强抗氧化能力,且差异不显著。     

基于YOLO模型的目标检测软件

人工智能领域的发展拖动着社会的进步,而作为人工智能领域的重要部分,图像识别近年来受到了学术界与工业界的广泛关注。图像识别中的目标检测技术能够帮助人们实现自动驾驶、无人机导航、图像检索等应用。而YOLO模型的提出极大地提高了目标检测任务的效率,使得我们可以在本地搭建起系统来完成实时目标检测。本文从YOLO模型出发,对比了基于YOLO模型的深度学习方法与传统目标检测算法的差异,并利用YOLO模型进行编程在桌面端实现了目标检测。     

基于拉曼光谱和深度学习的家蚕卵微粒子病无损检测

为研究家蚕微粒子病检测方法,基于密集连接块提出用R-DenseNet模型对家蚕微粒子病拉曼光谱进行无损检测。以患家蚕微粒子病原原母种卵为实验样本,构建家蚕微粒子病拉曼光谱数据集。R-DenseNet与其他5种分类模型的对比结果表明,不使用额外预处理的R-DenseNet的检测准确率达到97.32%,优于使用预处理的传统分类模型;对于处理60 dB强度噪声的光谱数据,R-DenseNet能达到93.66%的检测精度,在同等性能中,其模型训练的参数量较对比模型减少50%以上,表现出更好的鲁棒性和计算效率。文中提出的R-DenseNet网络结构能够对家蚕卵微粒子病拉曼光谱实现快速、准确且无损的检测,为家蚕微粒子病检测提供了一种新途径。     

关于红外线干燥蚕茧能否提高速率的研究

本文通过大量的实验,测定了蚕蛹、茧层的红外吸收图谱,选择了相应波长范围的红外涂料和红外灯泡,在不同温度和不同堆放厚度条件下测定了蚕茧的干燥曲线,并与不采用红外线的干燥曲线进行了比较,结果表明红外线未能够提高蚕茧的干燥速率。实验还测定了0.25—25μm范围内单片茧层的红外线透过曲线,实验结果表明,在所测范围蚕蛹的水分含量很高(约80％),蚕茧干燥的主要目的是除掉蚕蛹中的水分。但茧层包含着蚕蛹,红外线无法穿透茧层对蛹体进行快速干燥。而且,茧层的红外吸收率很低,也不能通过茧层快速吸收红外线热能,然后传给蚕蛹来提高干燥速率。这便是红外线不能提高蚕茧干燥速率的原因。本研究结果得到这一创见性的结论对国内外蚕业界探讨蚕茧干燥的理论与实践都有重要的指导意义。     

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。     

基于深度学习的人工智能应用处理系统设计

在大数据技术和人工智能技术的不断发展和普及下,深度学习作为一项重要工具,主要用于对相关特征数据的精确化提取,被广泛地应用于人们日常生活中,为了实现对数据信息的高效化处理和检索,现以“深度学习技术”应用为例,设计一款功能完善、实用性强的人工智能应用处理系统。笔者,针对系统需求分析结果,完成对系统总体框架和系统数据库设计。从数据处理模块设计、推荐算法模块设计两个方面入手,完成对系统核心功能模块的设计和实现。结果表明：在深度学习技术的应用背景下,文章所设计的人工智能应用处理系统运行正常、可靠、稳定,各个功能模块实现满足设计相关要求。希望通过这次研究,为相关人员提供有效的借鉴和参考。     

促进深度学习的教学过程和策略研究

深度学习是当代学习科学的重要概念,是一种有效的学习方式,倡导深度加工知识信息,能够提高学习效果。为此本文在《操作系统原理》课程的教学中,引入了深度学习的理论,设计了深度学习的一般过程,并对每个过程进行了严格的实施,实践证明,深度学习思想的引入获得了良好的教学结果。     

微波用于蚕茧干燥的试验研究

本文进行了微波用于蚕茧干燥的实验研究,测定了不同微波强度对蚕茧干燥的影响、采用分段微波干燥的影响、蚕茧堆放厚度(层数)不同时的干燥速率曲线等,还进行了蚕茧缫丝结果比较和蚕茧微波干燥的工业化情况分析。结果表明,采用低输出功率可避免蛹体破裂,采用一段干燥,时间为30分钟左右,二段干燥需15—20分钟,仅为热风干燥时间的1/10—1/15。蚕茧叠层厚度对干燥速率没有影响,而且微波干燥可提高解舒率和清洁。所以,微波干茧是有开发前景的。     

基于可见—近红外光谱的蚕茧含水率无损检测研究

以蚕茧含水率为研究对象,研究了基于可见—近红外光谱技术的蚕茧含水率无损检测方法.采用最小二乘支持向量机（least square-support vector machine,LS-SVM）建立可见—近红外光谱模型,采用连续投影算法（suc-cessive projections algorithm,SPA）选取光谱有效波长.结果表明,基于SPA方法进行变量选择,最终将原始光谱的601个光谱变量减少到了11个（487,501,616,718,771,782,789,826,966,977和991nm）.基于此11个变量建立的LS-SVM模型得到了预测集的确定系数（RP2）为0.8517,误差均方根（RMSEP）为0.0504的预测结果.表明可见—近红外光谱可以用于对蚕茧的含水率进行无损检测,同时SPA是一种有效的光谱变量选择方法.     

蚕茧防霉剂C_(926)的研究

本文从分离、分析鉴定霉茧的主要微生物出发,研制了挥发性蚕茧防霉剂C_(926),测定了C_(926)对常见蚕茧致霉菌的最低抑制浓度(MIC)为10—200ppm,在高温(28—30℃)、高湿(相对湿度>95％)条件下进行了加速长霉试验,当C_(926)的有效活性成分达90g/m~2时,防治效果达95.4％,缫丝对比试验表明:C_(926)对缫丝成绩几乎没有影响。皮肤、眼睛刺激试验及动物毒性试验表明:C_(925)的LD50>5000mg/kg,对皮肤无刺激,对眼睛有轻度刺激,但可逆的安全性高的防霉剂。