基于声信号特征加权的设施养殖羊行为分类识别

中国西部地区正在发展集约化和规模化的设施养羊业,通过监测羊舍内的声信号可以判别羊只的行为状态,从而为设施养羊的福利化水平评估提取基础依据。梅尔频率倒谱系数（mel frequency cepstrum coefficient,MFCC）模拟了人耳对语音的处理特点且抗噪音性强,被广泛用于畜禽发声信号的特征提取,但其没有考虑各个特征分量表征声信号的能力。该研究构建羊舍无线声音数据采集系统,采集20只羊在设施羊舍内的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为下的声信号,并通过Audacity音频处理软件选出720个清晰且不重叠的声音样本数据。根据MFCC各分量对羊舍声信号表征能力,特征参数提取采用一种熵值加权的MFCC参数,再求其一、二阶差分并进行主成分分析降维,得到优化的19维特征参数。通过对羊舍声信号的声谱图分析,设计了支持向量机二叉树识别模型,并对模型内的4个分类器参数进行网格化寻优测试,该识别模型对羊只5种行为下的声信号进行分类识别,用改进的特征参数与传统MFCC和线性预测倒谱系数（linear predictive cepstrum coefficient,LPCC）进行对比分析。结果表明,该特征参数对5种行为的识别率平均可达83.6%,分别高于MFCC和LPCC参数14.1%和26.8%,羊只打斗和咳嗽行为的声信号属于相似的短时爆发类声音,其识别率分别仅为80.6%和79.5%,啃咬声特征显著不易混淆,其查全率可达到为92.5%,改进特征参数更好的表征了羊舍声信号的特征,提高了羊只不同行为的识别率,为羊只健康和福利状况的监测提供理论依据。     

基于深层神经网络的猪声音分类

猪的声音能够反映生猪的应激状态以及健康状况,同时声音信号也是最容易通过非接触方式采集到的生物特征之一。深层神经网络在图像分类研究中显示了巨大优势。谱图作为一种可视化声音时频特征显示方式,结合深层神经网络分类模型,可以提高声音信号分类的精度。现场采集不同状态的猪只声音,研究适用于深层神经网络结构的最优谱图生成方法,构建了猪只声音谱图的数据集,利用Mobile Net V2网络对3种状态猪只声音进行分类识别。通过分析对比不同谱图参数以及网络宽度因子和分辨率因子,得出适用于猪只声音分类的最优模型。识别精度方面,通过与支持向量机,随机森林,梯度提升决策树、极端随机树4种模型进行对比,验证了算法的有效性,异常声音分类识别精度达到97.3%。该研究表明,猪只的异常发声与其异常行为相关,因此,对猪只的声音进行识别有助于对其进行行为监测,对建设现代化猪场具有重要意思。     

基于LMD和MED的滚动轴承故障特征提取方法

机械系统所拾取的振动信号包含着许多复杂的信息成分,微弱故障信号的提取往往会受到这些成分的影响,故障识别非常困难,尤其是滚动体故障识别,往往比内圈和外圈故障识别更困难。提出局域均值分解(local mean decomposition,LMD)与最小熵反褶积(minimum entropy deconvolution,MED)结合的方式,提取强噪声、强确定性成分下微弱故障信号的特征。先用LMD对信号做预处理,自适应地分解为若干个乘积函数(product function,PF)分量,再对前4个PF分量做MED处理以放大故障脉冲特征,最后对MED处理后的信号进行包络分析。通过对强噪声背景下滚动轴承滚动体的故障实例分析,该方法得到的输出频谱故障特征频率处峰值与200 Hz内所有峰值均值的比值较原信号的增加了96.4%,同时信噪比提高了18.3%,成功地提取了故障特征,取得了良好的效果,该研究可为强噪声环境下轴承故障识别和诊断提供参考。     

基于机器视觉的作物多姿态害虫特征提取与分类方法

由于野外诱捕害虫的姿态存在多样性和不确定性,使得利用机器视觉进行害虫的自动识别与计数仍然是一个难题。该文提出一种基于颜色和纹理等与形态无关的特征相结合和利用多类支持向量机分类器的多姿态害虫分类方法。通过对目标害虫图像进行不同颜色空间特征、基于统计方法的纹理特征和基于小波的纹理特征的提取,构建了6组不同组合的特征向量。将10阶交叉验证的识别率作为适应度函数值,利用遗传算法对各组特征向量进行降维筛选。最后利用基于有向无环图多类支持向量机分类器对多姿态害虫进行识别和特征组选择。结果表明,遗传算法最多可以使特征向量维数降到原来的38.89%,基于HSV三通道颜色图像的小波纹理特征组在建模时间和平均准确率方面都表现最优,可以作为一种有效的多姿态害虫分类特征选择。     

基于改进判别区域特征融合算法的近色背景绿色桃子识别

针对机器视觉识别中自然光照条件下未成熟绿色果实的识别存在颜色与背景相似、光照不均、果叶遮挡等问题,该文提出在判别区域特征集成(discriminative regional feature integration,DRFI)算法框架的基础上,结合颜色、纹理、形状特征,对未成熟绿色桃子进行识别。首先通过基于图的图像分割(graph-based image segmentation)算法,取不同的参数将图像分割为多层,再计算各层图像的显著图,并用线性组合器将其融合,得到DRFI显著图。再用OTSU算法得到的阈值自适应调整之后对DRFI显著图进行分割,减少了显著图中识别为低概率果实的误分割。对于分割后仍存在的果实相互粘连的情况,通过控制标记符和距离变换相结合的分水岭分割算法将其分开。试验结果表明:该方法在训练集中的准确识别率为91.7%,在验证集中的准确识别率为88.3%,与相关文献报道的结果以及原始DRFI算法在验证集中的检测结果相比,该文方法的准确识别率提高了3.7~10.7个百分点,较有效地解决了颜色相近和果叶遮挡问题,可为果树早期估产和绿色果实采摘自动化、智能化提供参考。     

基于改进YOLOv5s的河蟹与饵料检测方法

针对目前在水下复杂环境中池塘养殖河蟹与饵料的检测算法存在检测精度低、速度慢等问题,该研究提出了基于改进YOLOv5s（you only look once version 5 small）的河蟹与饵料检测方法。首先,采用轻量化卷积Ghost替换普通卷积,同时利用GhostBottleneck结构替换原主干网络中的残差结构快速提取网络特征,减少模型计算量,满足安卓端的应用要求。其次,为了弥补因网络参数量减少造成网络检测精度稍有降低的问题,借鉴BiFPN（bidirectional feature pyramid network）的思想改进原始YOLOv5s的双向融合骨干网络,以较低的计算成本提高网络对小目标的检测精度。此外,为了帮助网络进一步更好地识别目标,加入了CA（coordinate attention）注意力机制,使得图像中感兴趣的区域能够更准确地被捕获。试验结果表明：该研究改进模型平均精度均值为96.9%,计算量为8.5GFLOPs,与当前主流的单阶段有锚框目标检测算法SSD（single shot multibox detector）和YOLOv3相比,具有更高的检测精度以及更少的计算量。相比于原始YOLOv5s模型,本文改进模型平均精度均值提高了2.2个百分点,计算量和模型内存都降低了40%以上。最后,将改进前后的模型部署到安卓设备上测试。测试结果表明：改进后模型的平均检测速度为148ms/帧,相较于原始模型检测速度提高了20.9%,并且保持了较好的检测效果,平衡了安卓设备对模型检测精度以及速度的性能需求,能够为河蟹养殖投饵量的精准确定提供参考。     

基于改进YOLOv4模型的橙果识别与定位方法

为提高橙果采摘定位精度和作业速度,提出一种便于迁移至移动终端的改进YOLOv4模型,可从RealSense深度相机所成彩色图像中获取果实质心二维坐标,经配准提取对应深度图中质心点深度值,实现果实的三维空间定位。改进YOLOv4模型以MobileNet v2为主干网络,在颈部结构中使用深度可分离卷积替换普通卷积,实现模型轻量化并提高检测速度。训练后的改进模型对513张独立橙果测试集数据的识别平均精度达97.24%,与原始YOLOv4模型相比,平均检测时间减少11.39 ms,模型大小减少197.5 M。与经典Faster RCNN、SSD模型相比,检测平均精度分别提高了2.69和3.11个百分点,模型大小分别减少了474.5和44.1 M。与轻量化模型YOLOv4-tiny相比,召回率提升了4.22个百分点,较Ghostnet-YOLOv4,平均检测时间减少了7.15 ms。为验证该改进算法实用性,应用改进模型获取果园中78个橙果的位置信息,结果表明：果实二维识别成功率达98.72%,水平方向及垂直方向的平均绝对百分比误差均在1%以内。果实三维定位成功率达96.15%,深度信息平均绝对百分比误差为2.72%,满足采摘机械手精准定位需求。该方法为复杂场景下采摘作业实现提供了鲁棒性强、实时性好、精准度高的目标定位途径。     

基于改进YOLOv8s的果实与叶片器官分割方法

为解决多器官特征识别存在的多器官数据集难以获取以及待处理数据集存在的密集小目标和多尺度目标等问题,该研究提出了一种基于改进YOLOv8s的果实与叶片器官分割方法。该方法以YOLOv8s为基础,在Backbone部分设计了跨阶段局部残差（residual CSPLayer 2Conv,RC2）模块,以拓宽每个网络层的感受野,使网络能充分提取密集的小目标特征。在Neck部分设计了尺度空间金字塔池化（scale spatial pyramid pooling,SSPP）模块,以充分融合网络的高阶多尺度特征信息,增强模型对多尺度目标的检测能力。在Head部分设计了非对称解耦检测头（asymmetric decoupling detection head,ADDH）模块,使模型分类更关注于中心内容,而回归更关注于边缘信息。试验结果表明,在PlantCLEF2022公共数据集中选取的17种果树的数据集中,改进的YOLOv8s模型对果树果实和叶片器官识别的平均精度均值为90.2%,比YOLOv8s模型高6.7个百分点。此外,该研究还将该模型应用到自建的枣数据集上,达到了99.1%的识别准确率,较原模型提升6.6个百分点,证明了所提出方法的通用性,可为常见果树的器官分割与基于多器官特征的细粒度品种分类研究提供参考。     

蛋鸡发声与机械噪声特征提取及分类识别

规模化蛋鸡舍中不同机械设备运行所产生的噪声会干扰蛋鸡声音提取。为了分析分类识别蛋鸡发声与机械噪声的可行性,该研究以蛋鸡产蛋发声、鸣唱声和规模化蛋鸡舍中通风系统、饲喂系统、清粪系统、集蛋系统单独运行时的噪声为研究对象,运用LabVIEW软件提取了蛋鸡发声和机械噪声的功率谱密度,以子带功率比为特征向量,在数据挖掘平台Weka上应用J48决策树算法构建声音分类识别器。结果表明,蛋鸡产蛋发声和鸣唱声的最大功率比位于频率范围689~1 378 Hz内,通风系统噪声和饲喂系统噪声的最大功率比位于频率范围0~689 Hz内,清粪系统噪声和集蛋系统噪声的最大功率比位于频率范围1 378~2 756 Hz内;该声音分类识别模型的平均识别率为93.4%,其中蛋鸡鸣唱声和产蛋发声的识别率分别为85.9%和92.5%,机械噪声的分类识别率更高,说明基于子带功率比的声音识别方法具有较好的识别效果,该结果为规模化蛋鸡养殖舍复杂声音环境中检测蛋鸡声音提供了参考。     

基于图像识别的小麦腥黑穗病害特征提取与分类

小麦的网腥、印度腥与矮腥黑穗病危害小麦生产与人体健康,是出入境检验检疫的重要对象。该文利用小麦腥黑穗病害显微图像,采用图像分析与识别技术进行了小麦的网腥、印度腥及矮腥3类病害的分类识别。在分离出单个病害孢子图像的基础上,提取了3类病害孢子图像的16个形状和纹理特征,通过分析,从中选择小麦病害孢子的6个典型特征,并分别用最小距离法、BP神经网络和支持向量机分类器对提取的96个小麦腥黑穗病害孢子图像进行了分类试验,结果表明:支持向量机法对小麦腥黑穗病的分类识别能力优于最小距离法和BP神经网络,总体识别率达到82.9%。因此,采用图像分析技术和支持向量机识别方法进行小麦腥黑穗病害诊断的方法具有可行性。     

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。     

基于颜色矩的典型草原牧草特征提取与图像识别

针对内蒙古乌兰察布市荒漠化草原牧草监测与数字化程度较低的问题,该文实现了2种典型牧草的特征提取与图像识别,为多牧草种类识别与草业管理提供依据。利用智能导航车采集草原原始图像,对羊草和灰绿藜2种牧草图像提取RGB与HSV颜色矩特征并建立相应的规则库,数据表明二者的颜色矩特征具有明显区别。采用2G-B-R色差特征的模糊C-均值聚类算法对图像进行背景分割后,构建了一种3层BP神经网络模型,通过主成分分析法(principal component analysis,PCA)将15维输入特征参数降为10维以提高识别速度,且最终的整体识别率达到89.5%,实现了羊草与灰绿藜图像的有效分类识别,同时得到灰绿藜与羊草在测试图像中的植被覆盖度分别约为9.78%、34.21%。试验结果表明,利用颜色矩特征为基础,模糊C-均值聚类算法与BP(back propagation,BP)神经网络模型为分割、识别手段能够有效地实现典型牧草的图像分类研究。自动识别牧草是草业数字化的重要组成部分,可为监测植被物种多样性、草种退化及病虫草害的控制提供科学依据,是实现现代草原生态环境保护,发展草原经济的重要途径。     

杂草种子视觉不变特征提取及其种类识别

为提高杂草种子的快速准确的检疫鉴定,该文基于杂草种子生物稳定遗传特征对其进行视觉不变特征提取及其种类识别的研究。首先基于形态学特征和Hu氏不变矩提取杂草种子的16个视觉不变特征,这些特征有效地表征了杂草种子的生物稳定遗传特征信息;然后基于神经网络对其进行分类。试验证明,利用提取出的具有视觉不变性的16个特征值作为BP神经网络识别分类的特征集,能快速地识别杂草种子,且具有较高的识别率。因此,该方法对植物检疫和农业生产具有重要意义。     

基于机器视觉的马铃薯晚疫病快速识别

晚疫病是马铃薯的一种严重病害,可造成减产甚至绝收。因此马铃薯晚疫病的识别与控制对提高其产量有非常重要的意义。该文基于机器视觉技术对马铃薯叶部晚疫病进行检测,根据马铃薯叶片上晚疫病斑的颜色、纹理和形状特征参数的不同,提取叶片表面的特征参数,并建立数学模型对病害程度做出评价。在RGB、HSV颜色空间中,根据马铃薯叶片在患病早期叶片颜色发生变化且与健康叶片不同,利用颜色特征,建立马铃薯晚疫病的无病和患病模型,该模型对马铃薯患病早期的识别率为67.5%。利用灰度共生矩阵,采用纹理统计参数进行病害等级评价,用熵值和能量值描述晚疫病的严重程度,纹理特征对患病程度的识别率比较稳定,对患病中期与后期的识别率分别为72.5%与80%。利用形状特征的相对特征,根据病斑面积比进行晚疫病诊断,该方法对马铃薯叶片晚疫病患病后期的诊断取得较好效果,识别率为90%,但由于叶片患病早期的病斑面积小且分散,识别难度大,识别率仅为50%。针对颜色、纹理及形状特征在识别马铃薯叶片晚疫病时的优势与局限性,提出颜色纹理形状特征结合的识别方法,对患病中期与后期的识别率分别为90%和92.5%。通常马铃薯晚疫病的理化值检测法耗时数天,但利用机器视觉识别马铃薯晚疫病患病情况非常快速,根据颜色特征进行病害识别的时间约为4 s,纹理特征识别的时间为7 s,形状特征特征识别的时间为3 s,综合颜色纹理形状特征的识别由于计算量较大,识别时间为9 s。该研究可为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。     

基于遥感信息融合的阜新煤矿排土场地物提取与分类

结合地面测试高光谱数据及卫星遥感数据,对矿区地物信息进行提取,可有助于快速获取矿区地表信息,为矿区废弃地植被恢复提供辅助决策信息支持具有重要意义。该文以阜新市海州矿区排土场为研究对象,对不同波段组合的SPOT-5遥感影像进行了分类方法和分类精度评价研究。结果表明：排土场影像在波段组合与融合之后进行分类,分类精度提高不明显;而通过组合SPOT多光谱影像和植被指数图像,并结合地面测试的高光谱特征曲线建立分类模板,可以有效地提高地物分类精度,总体分类精度为85.48%,Kappa系数为0.8197。分类结果满足对排土场地物调查的实际需要,为建立排土场植被恢复等级提供了数据基础。     

基于改进DenseNet的田间杂草识别

精确、快速地获取作物和杂草的类别信息是实现自动化除草作业的重要前提。为解决复杂环境下农作物田间杂草种类的高效准确识别问题,该研究提出一种基于改进DenseNet的杂草识别模型。首先,在DenseNet-121网络的基础上,通过在每个卷积层后引入ECA（Efficient Channel Attention）注意力机制,增加重要特征的权重,强化杂草特征并抑制背景特征;其次,通过DropBlock正则化随机隐藏杂草图像部分特征块,以提升模型的泛化能力,增强模型识别不同类型杂草的适应性;最后,以自然环境下玉米幼苗和6类伴生杂草作为样本,在相同试验条件下与VGG-16、ResNet-50和未改进的DenseNet-121模型进行对比试验。结果表明,改进的DenseNet模型性能最优,模型大小为26.55 MB,单张图像耗时0.23 s,平均识别准确率达到98.63%,较改进前模型的平均识别准确率提高了2.09%,且综合性能显著高于VGG-16、ResNet-50模型;同时,通过采用CAM（Class Activation Mapping）可视化热度图方法分析,得出改进前后模型的类别判断概率分别为0.68和0.98,本文模型明显高于未改进模型,进一步验证了改进模型的有效性。该模型能够很好地解决复杂环境下农作物和杂草的种类精准识别问题,为智能除草机器人开发奠定了坚实的技术基础。