融合注意力机制的小麦赤霉病语义分割网络

小麦赤霉病是导致小麦大幅度减产的病害之一,对其开展自动识别研究具有重大意义。然而,传统方法一般通过阈值、色彩直方图等在农田复杂背景下开展小麦赤霉病的分割识别研究,其分割识别精确度较差并且泛化能力也不尽如意。为了在节省大量人力成本的同时对小麦赤霉病病斑进行快速、准确地分割从而辅助农业工作者对小麦患病的严重程度进行确认并开展后续的针对性研究,提出一种融合卷积神经网络和注意力机制的小麦赤霉病语义分割网络模型UNetA。该模型依据小麦赤霉病数据集的特点,使用融合了位置自注意力和空间注意力的注意力机制模块,并将注意力机制模块融入改进了的UNet结构中,再利用加权交叉熵损失函数来衡量预测值与实际值的差距同时缓解样本不均衡问题。试验结果表明,与现有的经典网络模型相比,UNetA模型的分割精度和实时性明显占据优势,其MIoU值达到83.90%,分割单张图像所用平均时间仅为0.588 0 s。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于Vision Transformer的小麦病害图像识别算法

小麦白粉病、赤霉病和锈病是危害小麦产量的三大病害。为提高小麦病害图像的识别准确率,构建一种基于Vision Transformer的小麦病害图像识别算法。首先,通过田间拍摄的方式收集包含小麦白粉病、赤霉病和锈病3种病害在内的小麦病害图像,并对原始图像进行预处理,建立小麦病害图像识别数据集;然后,基于改进的Vision Transformer构建小麦病害图像识别算法,分析不同迁移学习方式和数据增强对模型识别效果的影响。试验可知,全参数迁移学习和数据增强能明显提高Vision Transformer模型的收敛速度和识别精度。最后,在相同时间条件下,对比Vision Transformer、AlexNet和VGG16算法在相同数据集上的表现。试验结果表明,Vision Transformer模型对3种小麦病害图像的平均识别准确率为96.81%,相较于AlexNet和VGG16模型识别准确率分别提高6.68%和4.94%。     

基于高光谱成像技术的小麦籽粒赤霉病识别

利用高光谱成像技术通过光谱分析和图像处理进行小麦赤霉病的识别。采用标准正态变量变换(SNV)和多元散射校正(MSC)方法对光谱进行预处理,分别利用连续投影算法(SPA)和正自适应加权算法(CARS)进行变量筛选提取特征波段,结果表明采用MSC-SPA和SNV-SPA算法时决定系数分别为0.901 9和0.900 6,均方根误差分别为0.223 8和0.223 2,筛选波长个数分别为7个和5个。利用SVM和BP神经网络算法建立的交叉验证模型及验证模型的准确率均达到90%以上。其中,MSC-SPA-SVM和SNV-SPA-SVM方法的建模集准确率分别为97.08%和94.17%;验证集准确率分别为98.33%和97.50%,均优于MSC-SPA-BP和SNV-SPA-BP模型。为了研究染病小麦的高光谱图像信息,利用主成分分析方法,根据权重系数选择最佳特征波长为627.698 nm。利用图像处理方法对特征波长下的特征图像进行预处理、特征提取。分别提取特征波长图像的形态参数特征和纹理特征参数等,根据特征参数相关性分析选择最优的建模特征参数。分别利用10折交叉验证方法建立线性判别分析、支持向量机和BP神经网络识别模型,结果表明3种识别算法识别准确率均在90%以上,具有较好的识别效果。     

基于轻量化改进模型的小麦白粉病检测装置研发

为快速、全面的监测大田小麦病害,并结合小麦发病特征实现对小麦不同生长部位的病害进行识别,设计了一款便携式小麦白粉病病害检测装置,其由双相机采集模块和主控模块组成,配合病害检测软件系统实现对小麦多部位的白粉病害采集与检测。为保证模型在检测装置部署的可行性,提出了一种基于YOLO v7-tiny模型轻量化改进的白粉病目标检测模型(YOLO v7tiny-ShuffleNet v1,YT-SFNet)。为验证该轻量化模型的准确率和检测速度,与YOLO v7-tiny模型进行训练对比,结果表明YT-SFNet模型相较于YOLO v7-tiny在平均精度上提高了0.57个百分点;在检测时间和模型内存占用量上分别下降了2.4 ms和3.2 MB。最后将轻量化模型和软件系统移植至装置主控模块,制作测试集对装置的检测准确率和检测速度进行了性能测试。其对于测试集的识别准确率为86.2%,检测速度上有较好的稳定性,且单幅病害图像从处理、检测及显示保存的全过程平均耗时为0.507 9 s。     

基于MobileViT模型的小麦收获机喂入密度分类方法

基于喂入量的作业速度智能化控制技术是优化联合收获机作业效率和质量的重要手段。本文针对传统喂入量自动控制技术时滞明显,在喂入量调整时无法及时适应实际情况的问题,采用基于图像的深度学习方法开展了成熟期小麦植株密度等级分类识别方法研究,通过预先感知作物密度,实现联合收获机作业参数的自动调整。首先基于车载相机和无人机图像构建了小麦植株图像数据集,并细分为低密度、中密度、高密度和特高密度4类;其次构建了基于MobileViT-XS轻量化网络的密度等级识别模型,利用建立的数据集进行模型的训练和测试;最后将其与VGG16、GoogLeNet和ResNet进行了比较。结果表明,MobileViT-XS模型的总体识别准确率达到91.03%,且单幅图像推理时间仅为29.5ms。与VGG16、ResNet网络相比,总体识别准确率分别高出3.51、2.34个百分点,MobileViT-XS模型可以较好的完成小麦不同密度等级的分类识别任务,为实时预测小麦喂入密度提供了技术支持。     

基于改进卷积神经网络的复杂背景下玉米病害识别

为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。     

基于改进YOLOv8的小麦叶片病虫害检测轻量化模型

[目的/意义]针对小麦叶片病虫害在自然环境下形态和颜色特征较为复杂、区分度较低等特点,提出一种高质量高效的病虫害检测模型,即YOLOv8-SS (You Only Look Once Version 8-SS),为病虫害的预防与科学化治理提供准确的依据。[方法]基于YOLOv8算法,采用改进的轻量级卷积神经网络ShuffleNet V2作为主干网络提取图像特征即YOLOv8-S,在保持检测精度的同时,减少模型的参数数量和计算负载;在此基础上增加小目标检测层和注意力机制SEnet (Squeeze and Excitation Network),对YOLOv8-S进行改进,在不降低检测速度和不损失模型轻量化程度的情况下提高检测精度,提出YOLOv8-SS小麦叶片病虫害检测模型。[结果与讨论]YOLOv8-SS模型在实验数据集上的平均识别精度和检测准确率分别达89.41%和91.00%,对比原模型分别提高10.11%和7.42%。因此,本研究所提出的方法可显著提高农作物病虫害的检测鲁棒性,并增强模型对小目标图像特征的提取能力,从而高效准确地进行病虫害的检测和识别。[结论]本研究使用的方法具...     

基于改进Faster R-CNN的马铃薯发芽与表面损伤检测方法

发芽与表面损伤检测是鲜食马铃薯商品化的重要环节。针对鲜食马铃薯高通量分级分选过程中,高像素图像目标识别准确率低的问题,提出一种基于改进Faster R-CNN的商品马铃薯发芽与表面损伤检测方法。以Faster R-CNN为基础网络,将Faster R-CNN中的特征提取网络替换为残差网络ResNet50,设计了一种融合ResNet50的特征图金字塔网络（FPN）,增加神经网络深度。采用模型对比试验、消融试验对本文模型与改进策略的有效性进行了试验验证分析,结果表明:改进模型的马铃薯检测平均精确率为98.89%,马铃薯发芽检测平均精确率为97.52%,马铃薯表面损伤检测平均精确率为92.94%,与Faster R-CNN模型相比,改进模型在检测识别时间和内存占用量不增加的前提下,马铃薯检测精确率下降0.04个百分点,马铃薯发芽检测平均精确率提升7.79个百分点,马铃薯表面损伤检测平均精确率提升34.54个百分点。改进后的模型可以实现对在高分辨率工业相机采集高像素图像条件下,商品马铃薯发芽与表面损伤的准确识别,为商品马铃薯快速分级分等工业化生产提供了方法支撑。     

基于优化Faster R-CNN的棉花苗期杂草识别与定位

为解决棉花苗期杂草种类多、分布状态复杂,且与棉花幼苗伴生的杂草识别率低、鲁棒性差等问题,以自然条件下新疆棉田棉花幼苗期的7种常见杂草为研究对象,提出了一种基于优化Faster R-CNN和数据增强的杂草识别与定位方法。采集不同生长背景和天气条件下的杂草图像4694幅,对目标进行标注后,再对其进行数据增强;针对Faster R-CNN模型设计合适的锚尺度,对比VGG16、VGG19、ResNet50和ResNet101这4种特征提取网络的分类效果,选定VGG16作为最优特征提取网络,训练后得到可识别不同天气条件下的棉花幼苗与多种杂草的Faster R-CNN网络模型。试验表明,该模型可对杂草与棉花幼苗伴生、杂草分布稀疏或分布紧密且目标多等情况下的杂草进行有效识别与定位,优化后的模型对单幅图像平均识别时间为0.261s,平均识别精确率为94.21%。在相同训练样本、特征提取网络以及环境设置条件下,将本文方法与主流目标检测算法——YOLO算法和SSD算法进行对比,优化后的Faster R-CNN模型具有明显优势。将训练好的模型置于田间实际环境进行验证试验,识别过程对采集到的150幅有效图像进行了验证,平均识别精确率为88.67%,平均每幅图像耗时0.385s,说明本文方法具有一定的适用性和可推广性。     

镰刀菌图像识别系统的研究与开发

镰刀菌是导致多种农林植物病害的病原,对人类和牲畜也有极大的危害。为此,根据镰刀菌显微图像的独特特征,应用模板向量的边缘检测、形态学边缘检测和特征点匹配提取等方法,设计实现了镰刀菌图像识别系统,为镰刀菌的鉴定提供了一定的理论与实验依据。     

基于网络瘦身算法的YOLOv4-tiny的甘蔗茎节识别

为提高智能甘蔗收获的准确性，降低算法对部署的高算力要求，利用轻量级目标检测算法YOLOv4-tiny相对YOLOv4算法更简化的网络结构、更高的推理速度等优点，提出基于MobileNet和网络瘦身的两种YOLOv4-ting识别算法方案，并比较二者的精度和模型复杂度。其中，基于网络瘦身算法的YOLOv4-tiny在精度较瘦身前(947%)下降0.6%的情况下，模型复杂度下降为原来的1/3，即瘦身后的FLOPs和Params分别为1.1 G和1 789 658。而以MobileNet为Backbone的YOLOv4-tiny在精度下降1.92%的情况下，它的FLOPs和Params为1.29 G、2 600 068，其在精度和模型复杂度上的表现都不如瘦身后的YOLOv4-tiny模型。结果表明：基于网络瘦身算法的YOLOv4-tiny甘蔗茎节识别模型可有效降低模型复杂度，其计算量对嵌入式设备和移动式设备友好。该研究可为智能甘蔗收割机构的开发提供技术参考。     

边缘设备上的葡萄园田间场景障碍检测

为在无人驾驶农机上实现快速、准确的葡萄园田间障碍目标检测,将EfficientDet-D0、YOLOV4-TINY、YOLOV3-TINY、YOLO-FASTEST四种轻量级目标检测神经网络在自建的葡萄园田间场景数据集进行训练,将训练模型移植到边缘设备NVIDIA JETSON TX2(以下简称TX2)上,对这4种模型的障碍检测精度和在TX2上的适用性进行试验评估。试验结果表明,YOLOV3-TINY、YOLOV4-TINY、EfficientDet-D0、YOLO-FASTEST对葡萄园田间场景障碍检测平均精度mAP分别为0.648、0.601、0.598和0.401。在TX2的实测结果显示,上述网络模型实时视频检测帧率分别为34.24帧、24.75帧、2.34帧和2.97帧。4种目标检测网络中,YOLOV3-TINY在数据集上的检测精度最高、实时检测速度最快,但对硬件资源消耗也相对较高。而在考虑硬件资源消耗时,使用YOLOV4-TINY可以在检测精度、实际运行速度和硬件资源消耗之间维持更好的平衡性,同时可以在运行多任务的情况下取得好的效果。     

基于改进Mask R-CNN的植物表型智能检测算法

针对高通量自动化获取的植物表型性状图像的智能检测问题,采用迁移学习和改进掩膜区域卷积神经网络(Mask R-CNN)设计植物表型智能检测分割算法。首先对残差网络进行优化,并利用特征金字塔网络(FPN)对输入图像进行特征提取;然后调整候选区域提取网络(RPN)中锚框的长宽比例和阈值,并在RoIAlign中通过双线性插值法保留了特征图的空间信息;最后改进Mask检测头,并增加特征融合机制以获得高质量的掩膜。在西瓜突变体生长情况的性状表型数据集上进行训练和检测,得到结果表明：改进后的Mask R-CNN表现出更优的检测性能,与传统Mask R-CNN相比,检测精度提高22%,掩膜准确率提高2.7%,检测时间减少42 ms,为提升农业精准化水平和推动智慧农业发展提供了技术支撑。     

基于深度学习的马铃薯叶片病害检测方法#br# #br#

植物病害对食品安全具有灾难性的影响,它可以直接导致农作物的质量和产量显著下降,因此对植物病害的早期鉴定非常重要。传统的农作物病害诊断需要非常高的专业知识,不仅费时费力,还效率低下。针对这些问题,利用深度学习的方法,以马铃薯叶片为研究样本,基于TensorFlow开发Faster R-CNN网络模型。采用本地增强的方式对带有早疫病、晚疫病和健康的马铃薯叶片进行图像扩充,应用COCO初始权重进行迁移学习,探究了数据类别对模型检测结果的影响。结果表明,随着训练数据类别的增多模型性能会有略微的降低。同时还训练YOLOv3,YOLOv4网络与该模型进行对比,测试结果表明,所提出的Fater R-CNN模型优于其他网络模型。经检测该模型最佳精度达到99.5%,该研究为马铃薯病害检测提供了技术支持。     

基于SPA-SSA-BP的小麦秸秆含水率检测模型

为提高基于电容法的小麦秸秆含水率检测模型的检测精度,扩大含水率检测范围,提高模型适应性,本文以小麦秸秆为研究对象,使用LCR数字电桥,测量含水率为10.43％ ～25.89％的秸秆在频率0.05 ～ 100 kHz、容积密度90.03 ～179.42 kg/m3和温度25 ～40℃内的电容,利用连续投影法(Succes...     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

超低水头竖井贯流式水轮机转轮数值模拟优化

结合江苏苏北某电站,研究开发了一种设计水头为2 m左右的超低水头竖井贯流式水轮机．基于Navier-Stokes方程,采用SIMPLEC算法对该竖井贯流式水轮机全流道三维定常不可压湍流流场进行了数值模拟,分析了超低水头转轮叶片翼形、直径及安放角对水轮机性能的影响．分析了多个方案的水力性能,选出了最佳的水轮机转轮．结果表明:在满足电站设计要求的情况下,翼型优化后,转轮直径为175 m、叶片安放角为23°时的水轮机,在效率、水力损失等方面都表现出最佳的性能:该超低水头竖井贯流式水轮机在导叶开度为65°,设计水头为21 m时,数值模拟出的流量为1005 m3／s,效率最高为876％．以GD-WS-35水轮机模型试验研究该水轮机的能量性能,在设计工况下,对数值模拟效率最高的水轮机方案试验的结果:模型装置的流量为0398 m3／s,效率为8334％;按原模型转换规律转换为原型装置数据,则流量为996 m3／s,效率为8514％;数值模拟效率比模型试验效率的结果略高,误差范围为±3％．