储粮害虫图像识别中的特征提取

特征提取是储粮害虫图像识别中的重要环节,是识别系统的难点所在。针对粮虫的二值化图像提取出17个形态学特征,并进行归一化处理;把交叉验证训练模型的识别率作为储粮害虫特征提取评价准则的一个重要因子,运用蚁群优化算法从粮虫的17维形态学特征中自动提取出面积、周长等7个特征的最优特征子空间;采用支持向量机分类器对9类粮虫进行分类,识别率达到95%以上,证实了基于蚁群优化算法的粮虫特征提取的可行性。     

利用Zernike矩计算储粮害虫图像倾斜角度

自动检测粮粒外部害虫是粮虫领域的研究热点。由于储粮害虫图像的一些无量纲的特征丧失了旋转不变性,为了利用这些无量纲的特征形成适于分类的最优知识库,必须计算储粮害虫图像的倾斜角度。分析了利用Zernike矩计算图像倾斜角度的原理,借助Zernike矩旋转不变性,提出了利用Zernike矩计算无明显直线的储粮害虫图像的倾斜角度的方法。试验证明,对于无明显直线的储粮害虫图像,利用Zernike矩能够很好地进行倾斜检测,倾斜角度计算准确度高,且该方法还具有对噪声不敏感的特性,对于其他无明显直线的图像也同样适用。     

可拓工程方法在储粮害虫分类识别中的应用研究

利用图像识别储粮害虫过程中，需解决多种害虫的多特征参数和混和度大的分类识别问题。该文提出应用可拓工程方法，构造储粮害虫特征数据的标准物元矩阵与节域物元矩阵,计算待测粮虫与各类害虫的关联度，以关联度的大小对储粮害虫进行分类判别，程序计算结果表明，该方法可行有效。可拓工程方法应用在储粮害虫分类识别上有应用价值。     

储粮害虫检测新技术及应用现状

储粮害虫的检测是粮食储藏部门的研究热点。害虫种类的正确识别是粮食管理人员进行害虫综合防治的必要依据。文章扼要评述了几种储粮害虫检测的新方法：声测法、近红外光谱法、X射线法、电导法、微波雷达检测法、图像识别法和电子鼻法,并展望了未来的发展趋势,为更好地进行储粮害虫检测提供了新思路。     

储粮害虫声检测技术研究进展与展望

与传统的储粮害虫检测方法相比较,储粮害虫声检测技术以其简单、快速、价廉、准确等优点正日益受到重视。在综合分析国内外储粮害虫声检测技术研究的文献以及已有工作基础上,扼要评述了储粮害虫声检测技术研究的背景和进展状况,提出了储粮害虫声检测技术研究需要进一步解决的问题和发展趋势。     

基于空间金字塔池化和深度卷积神经网络的作物害虫识别

为了减少因作物害虫姿态多样性和尺度多样性导致其识别精度相对较低的问题,该文将空间金字塔池化与改进的YOLOv3深度卷积神经网络相结合,提出了一种基于空间金字塔池化的深度卷积神经网络农作物害虫种类识别算法,首先对测试图像上的害虫进行检测定位,然后对检测定位出的害虫进行种类识别。通过改进YOLOv3的网络结构,采用上采样与卷积操作相结合的方法实现反卷积,使算法能够有效地检测到图片中体型较小的作物害虫样本;通过对采集到的实际场景下20类害虫进行识别测试,识别精度均值可达到88.07%。试验结果表明,本文提出的识别算法能够有效地对作物害虫进行检测和种类识别。     

CO2气调防治储粮害虫试验研究

利用自行设计的试验装置,充入CO2气体使储粮害虫(谷蠹与米象)窒息死亡,以达到杀灭粮食害虫的目的.试验分为两个部分,一是在实验室里进行,试验温度分别在15～18℃和23～28℃;试验的CO2气体浓度分别控制在25%、30%、35%、40%、45%、50%、55%和60%左右;试验时间分别为24、48、72、96、120、168 h.通过多次试验,找出了实验室试验的最佳参数:温度为(25±3)℃;CO2气体浓度为25%～35%;谷蠹杀虫保持时间为72 h以上;米象杀虫保持时间为48 h.二是在实验仓进行试验,将传感器通过管道分别布置在仓的各个部位,并每隔12～24 h,测取温、湿度等.实验仓的试验验证了实验室的试验结果,但杀虫的持续时间为10 d以上,研究成果为实仓应用CO2气调防治储粮害虫提供了可靠的依据.     

降低储粮害虫抗寒力的初步研究

多数越冬仓储害虫昌不耐结冰的。零不低温能引起体内水分结冰。冰晶一旦形成，害虫就会死亡。所以在控制害虫方面，低温是一种可以利用的气候资源。在冬季，这类害虫是通过降低其过冷却点以提高抗寒力的。过冷却点是抗寒力的一个精确度量。细菌冰核能显著提高害虫的过冷却点，在零度以下比较高的低温下引起体内结冰，从而造成大量死亡。因此，细菌冰核可以作为一种寒冷增效剂，提高低温杀虫的有效性。     

BP神经网络在隧道岩爆预测中的应用

西南某水电站拟修建四条引水隧洞以及两条平行交通隧道,但工程区一般埋深1000-2000 m,最大埋深2525m,地处高应力区,目前已开挖的2000m洞段中均发现轻微至中等的岩爆现象。因此,在深埋、长大的隧道以后开挖过程中岩爆烈度如何显得十分敏感,利用BP人工神经网络,建立了以强度脆性系数、应力系数等8指标为要素的岩爆预测模型,对12200m未开挖的辅助洞段进行了预报,结果表明,该方法的预报效果较好。与地质分析判断相吻合,可用于进一步指导实践。     

基于图像显著性分析与卷积神经网络的茶园害虫定位与识别

为实现在茶园环境中快速、准确地识别害虫目标,该文提出了一种基于卷积神经网络的深度学习模型来进行害虫定位和识别的方法。该文通过对整个图像进行颜色衰减加速运算,结合超像素区域之间的空间影响,计算各个超区域的显著性值,进而提供害虫目标的潜在区域,最终结合Grab Cut算法进行害虫目标的定位和分割。对于分割后的害虫目标,通过优化后的卷积神经网络进行表达和分类,并进一步对卷积神经网络的结构进行了约减。通过对23种茶园主要害虫的识别,试验结果表明,识别准确率在优化前后分别为0.915和0.881,优化后的模型内存需求和运行耗时分别降低至6 MB和0.7 ms,取得了较好的识别效果。     

基于补偿模糊神经网络的脐橙不同病虫害图像识别

为了开发脐橙不同病虫害的通用机器识别技术,对病虫害危害后的脐橙图像进行蓝色分量去背景,改进型分水岭算法提取病虫害为害状边界,据此边界对原彩色图像中的为害状进行标记,以标记区红色、绿色、蓝色分量表征病虫害为害状的颜色特征,为害状边界分形维数表征病虫害为害状的形状特征,将这4个特征值作为补偿模糊神经网络输入,建立补偿模糊神经网络脐橙病虫害识别模型,识别脐橙病虫害。4种病虫害及机械损伤果的平均正确识别率为85.51%,该方法可用于脐橙病虫害识别。     

利用霍特林变换对仓储害虫图像倾斜矫正

针对无明显的直线特征的仓储害虫图像,提出一种基于区域和边缘的霍特林变换旋正倾斜害虫图像的方法。首先通过自动搜索的方法确定储粮害虫的最小外接矩,利用自适应阈值对害虫图像二值化;提取最小外接矩内部害虫图像区域和边缘坐标,计算坐标数组的特征向量并构成霍特林变换矩阵;对原害虫图像区域和边缘经变换矩阵作用后实现对倾斜害虫图像的旋转矫正。试验结果表明,基于区域的霍特林变换能更快速准确地测量出倾斜害虫图像的变换矩阵并进行旋转操作,而且具有更好的抗噪性能和鲁棒性。     

基于卷积神经网络的田间多簇猕猴桃图像识别方法

为实现田间条件下快速、准确地识别多簇猕猴桃果实,该文根据猕猴桃的棚架式栽培模式,采用竖直向上获取果实图像的拍摄方式,提出一种基于Le Net卷积神经网络的深度学习模型进行多簇猕猴桃果实图像的识别方法。该文构建的卷积神经网络通过批量归一化方法,以Re LU为激活函数,Max-pooling为下采样方法,并采用Softmax回归分类器,对卷积神经网络结构进行优化。通过对100幅田间多簇猕猴桃图像的识别,试验结果表明:该识别方法对遮挡果实、重叠果实、相邻果实和独立果实的识别率分别为78.97%、83.11%、91.01%和94.78%。通过与5种现有算法进行对比试验,该文算法相对相同环境下的识别方法提高了5.73个百分点,且识别速度达到了0.27 s/个,识别速度较其他算法速度最快。证明了该文算法对田间猕猴桃图像具有较高的识别率和实时性,表明卷积神经网络在田间果实识别方面具有良好的应用前景。     

基于多流高斯概率融合网络的病虫害细粒度识别

为解决由于现有深度迁移学习无法有效匹配实际农业场景部署应用,而导致大规模、多类别、细粒度的病虫害辨识准确低、泛化鲁棒差等问题,该研究利用农业物联网中多种设备终端获取12.2万张181类病虫害图像,并提出了基于多流概率融合网络MPFN（Multi-stream Gaussian Probability Fusion Network）的病虫害细粒度识别模型。该模型设计多流深度网络并行的细粒度特征提取层,挖掘可区分细微差异的不同级别局部特征表达,经过局部描述特征聚合层和高斯概率融合层的整合优化,发挥多模型融合信息互补及置信耦合的优势,既可以有效区分不同类病虫害的种间微小差异,又可容忍同类病虫害种内明显差异干扰。对比试验表明,该研究MPFN模型对各类病虫害的平均识别准确率达到 93.18%,性能优于其他粗粒度及细粒度深度学习方法;而平均单张处理时间为61ms,能够满足农业生产实践中物联网各终端病虫害细粒度图像识别需求,可为智能化病虫害预警防控提供技术应用参考,进而为保障农作物产量和品质安全提供基础。     

中国生姜栽培史考述

为提高自然环境下生姜叶片病虫害的识别精确率,提出一种基于改进YOLOv5s的生姜叶片病虫害识别模型。建立了田间不同自然环境条件下的生姜叶片病虫害数据集,为保证模型在田间移动设备上流畅运行,实现网络模型的轻量化,在YOLOv5s中引入GhostNet网络中的Ghost模块和Ghost BottleNeck结构。同时,为避免生姜叶片病虫害图像小目标特征丢失的情况,增强图像特征提取,加入CA注意力机制模块,提升生姜叶片病虫害的识别准确率和定位精确度。改进后的模型参数量、计算量和权重文件大小分别为YOLOv5s模型的52.0%、50.6%和55.2%,对生姜叶片病虫害识别平均精度均值达到了83.8%。与Faster-RCNN、SSD、YOLOv4、YOLOv5s、Tea-YOLOv5s等算法相比,平均精度均值分别提高37.6、39.1、22.5、1.5、0.7个百分点,将改进后的目标检测模型部署在Jetson Orin NX开发板上,并使用TensorRT、Int8量化和CUDA等方法对检测模型加速,加速后的模型检测速度为74.3帧/s,满足实时检测的要求,测试结果显示,改进后的模型减少了漏检、误检的情况,并且对目标定位更加精准,适用于自然环境下生姜叶片病虫害的精准识别,为后续生姜机械自动化施药作业提供技术理论支持。

     

基于SVM和区域生长结合算法的南方主要蔬菜害虫分类识别

该文基于支持向量机（support vector machine,SVM）与区域生长结合算法,设计了对黄曲条跳甲、烟粉虱、小菜蛾、蓟马这四类蔬菜害虫进行分类识别的检测算法。该方案将识别过程融入到分割中,采用网格法进行区域生长种子点的选取,简化图像处理的步骤。该文每种蔬菜害虫训练样本图像为60幅,测试样本为40幅。试验展示,基于其形态、颜色特征,该算法可以将南方重大蔬菜害虫正确分割识别出来,对黄曲条跳甲、烟粉虱、小菜蛾、蓟马成功率为分别为96.4%、93.2%、95.4%、98.2%,算法达到了对多种害虫进行分类的效果,有较好的应用前景。     

用基于遗传算法的BP神经网络识别牛肉肌肉与脂肪

利用遗传算法的全局搜索能力,改进标准BP算法随机选取初始权重的不足,并构建了3-12-1的三层遗传BP神经网络,进行了3次牛肉肌肉与脂肪像素的分类试验,研究用BP网络对牛肉肌肉与脂肪两类像素点进行识别的可行性。以像素点的RGB值作为BP网络输入向量,每次训练集样本数62,测试集样本数43。测试的最终结果为：训练集的样本识别率分别为100%、100%、98.3871%;对应测试集的样本识别率分别为97.6744%、97.6744%、100%。试验结果表明,尽管基于遗传算法的BP神经网络对训练样本集以及测试样本集的肌肉和脂肪的识别率均在97%以上,但由于牛肉图像像素值在颜色空间中比较分散,有利于聚类的规律性不明显,因而是否可用BP网络来完成肌肉与脂肪的识别,还需要在网络拓扑结构、训练样本集等方面进一步研究。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。