基于改进ResNet18的苹果叶部病害多分类算法研究

针对传统苹果叶部病害分类方法精准性差、效率低等问题,提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支,强化网络对叶部病害区域的特征提取能力,提高病害的识别精度和实时性。为更好地引导网络学习到零散分布的病害斑点的特征,引入特征图随机裁剪分支,不仅实现有限样本空间的扩充,还进一步优化网络结构,提高训练速度。试验以苹果5类常见的叶部病害(黑星病、黑腐病、雪松锈病、灰斑病、白粉病)为主要研究对象,并与主流分类算法模型进行对比。试验结果表明,所提ResNet18-CBAM-RC1模型病害分类准确率可达98.25%,高于ResNet18(93.19%)和VGG16(96.13%),能够有效提取叶片病害特征,增强对多类病害的识别,提高识别准确率。此外,模型内存占用量仅为37.44 MB,单幅图像推理时间为9.11 ms,可满足嵌入式设备上果园病害识别的实时性要求。     

基于改进ResNet-18模型的弧齿锥齿轮安装位置偏差分类识别方法研究

针对现有的弧齿锥齿轮安装位置偏差分类识别效率低的问题,使用改进的ResNet-18神经网络构建轻量级弧齿锥齿轮安装位置偏差分类识别模型,改进的网络修改了ResNet-18网络第一卷积层,并引入了通道与空间注意力机制。实验结果表明,改进ResNet-18较原网络对于齿面接触印痕图像的分类准确率提高了3.23%,损失值降低了0.04。该方法为齿轮安装偏差识别提供了新路径,对弧齿锥齿轮总成的安装调整作业提供了一定的指导。     

基于改进ShuffleNetV2模型的荔枝病虫害识别方法

为更好地助力荔枝病虫害防治工作,推进荔枝产业健康发展,本文以所收集的荔枝病虫害图像数据集为研究对象,基于轻量型卷积神经网络ShuffleNetV2模型,提出一个高精度、稳定且适用于荔枝病虫害的识别模型SHTNet。首先,在ShuffleNetV2模型中引入注意力机制SimAM,不额外增加网络参数的同时,增强重要特征的有效提取,强化荔枝病虫害特征并抑制背景特征。其次,在保证模型识别精度的同时,采用激活函数Hardswish减少网络模型参数量,使网络更加轻量化。最后,在改进模型上采用迁移学习方法,将源数据（Mini-ImageNet数据集）学习到的知识迁移到目标数据（数据增强后的荔枝病虫害图像数据集）,增强模型识别不同的荔枝病虫害种类的适应性。实验结果表明,与原始ShuffleNetV2模型相比,本文提出的荔枝病虫害识别模型SHTNet的准确率达到84.9%,提高8.8个百分点;精确率达到78.1%,提高9个百分点;召回率达到73.2%,提高8.8个百分点;F1值达到75.8%,提高10.2个百分点;且综合性能明显优于ResNet34、ResNeXt50和MobileNetV3-large模型。本文提出的荔枝病虫害识别模型具有较高的识别精度和较强的泛化能力,为荔枝病虫害实时在线识别奠定了技术基础。     

基于改进MobileFaceNet的羊脸识别方法

针对羊只个体差异较小,相似度高难以辨别,远距离识别准确率不高等问题,本文基于MobileFaceNet网络提出了一种融合空间信息的高效通道注意力机制的羊脸识别模型,对羊只进行非接触式识别。该研究基于YOLO v4目标检测方法生成羊脸检测器,以构建羊脸识别数据库;在MobileFaceNet的深度卷积层和残差层中引入融合空间信息的高效通道注意力(ECCSA),以增加主干特征的提取范围,提高识别率,并采用余弦退火进行动态学习率调优,最终构建ECCSA-MFC模型,实现羊只个体识别。试验结果表明,在羊脸检测上,基于YOLO v4的羊脸检测模型准确率可达97.91%,可以作为脸部检测器;在羊脸识别上,ECCSA-MFC模型在开集验证中识别率可达88.06%,在闭集验证中识别率可达96.73%。该研究提出的ECCSA-MFC模型在拥有较高识别率的同时更加轻量化,模型所占内存仅为4.8 MB,可为羊场智慧化养殖提供解决方案。     

基于气味检测的茶叶种类识别方法研究

提出一种利用电子鼻系统检测茶香气味辨别茶叶种类的识别方法,使用主成分分析（PCA）、K-means聚类和卷积神经网络（CNN）3种机器学习方法对10种茶叶种类进行识别。实验结果表明,基于PCA降维特征的K聚类精度为85.17%,比基于原始特征的K聚类精度78.83%更优,基于PCA降维特征的CNN算法识别率达到95%,基于茶香气味检测的茶叶种类识别方法方便快捷,具有可行性。     

基于SE模块和ResNet的番茄病虫害识别

番茄病虫害是引起番茄减产的重要因素。精确识别病虫害种类是当前的国际热点问题之一,有助于及时有效的采取针对性的病虫防治办法,减少和避免因番茄减产导致的经济上的损失。本文针对传统虫害识别方法存在的效率和精确率低的问题,利用Kaggle网站上的Tomato数据集,构建基于压缩和激励（Squeeze-and-Excitation,SE）模块的深度残差网络模型（ResNet）,优化番茄病虫害识别方法。结果表明：（1）通过Pytorch框架下的迁移学习,改进后的网络模型对番茄病虫害图像的平均识别准确率最高为97.96%;（2）基于SE模块的ResNet网络模型有助于增强特征区分能力,增加了模型的通用性和鲁棒性。本文研究结果对番茄病虫害的及时监测和处理、提高番茄产量具有重要意义。     

基于改进Mask R-CNN的苹果园害虫识别方法

针对基础卷积神经网络识别苹果园害虫易受背景干扰及重要特征表达能力不强问题,提出一种基于改进Mask R-CNN的苹果园害虫识别方法。首先,基于Haar特征方法对多点采集得到的苹果园害虫图像进行迭代初分割,提取害虫单体图像样本,并对该样本进行多途径扩增,得到用于深度学习的扩增样本数据集。其次,对Mask R-CNN中的特征提取网络进行优化,采用嵌入注意力机制模块CBAM的ResNeXt网络作为改进模型的Backbone,增加模型对害虫空间及语义信息的提取,有效避免背景对模型性能的影响;同时引入Boundary损失函数,避免害虫掩膜边缘缺失及定位不准确问题。最后,以原始Mask R-CNN模型作为对照模型,平均精度均值作为评价指标进行试验。结果表明,改进Mask R-CNN模型平均精度均值达到96.52%,相比于原始Mask R-CNN模型,提高4.21个百分点,改进Mask R-CNN可精准有效识别苹果园害虫,为苹果园病虫害绿色防控提供技术支持。     

基于改进YOLO v5s的奶山羊面部识别方法

为准确高效地实现无接触式奶山羊个体识别,以圈养环境下奶山羊面部图像为研究对象,提出一种基于改进YOLO v5s的奶山羊个体识别方法。首先,从网络上随机采集350幅羊脸图像构成羊脸面部检测数据集,使用迁移学习思想预训练YOLO v5s模型,使其能够检测羊脸位置。其次,构建包含31头奶山羊3 844幅不同生长期的面部图像数据集,基于预训练的YOLO v5s,在特征提取层中引入SimAM注意力模块,增强模型的学习能力,并在特征融合层引入CARAFE上采样模块以更好地恢复面部细节,提升模型对奶山羊个体面部的识别精度。实验结果表明,改进YOLO v5s模型平均精度均值为97.41%,比Faster R-CNN、SSD、YOLO v4模型分别提高6.33、8.22、15.95个百分点,比YOLO v5s模型高2.21个百分点,改进模型检测速度为56.00 f/s,模型内存占用量为14.45 MB。本文方法能够准确识别具有相似面部特征的奶山羊个体,为智慧养殖中的家畜个体识别提供了一种方法支持。     

基于改进ConvNeXt的奶牛行为识别方法

奶牛的动作行为（进食、躺卧、站立、行走和甩尾）直接或间接地反映了奶牛的健康及生理状况,是奶牛疾病监测及感知奶牛异常的关键,为准确高效地对奶牛行为进行识别,提出了一种融合时间和空间注意信息的多分支并行的CAFNet（ConvNeXt-ACM-FAM）奶牛行为识别模型,该模型在卷积网络ConvNeXt的基础上融合非对称多分支卷积模块（ACM）和特征注意力模块（FAM）。首先,利用ACM划分通道分支提取特征并保留一部分原始特征,防止信息过度丢失。其次,FAM对不同通道的特征进行融合并引入SimAM注意力机制,不增加网络参数的同时增强重要特征的有效提取。实验结果表明,该方法对进食、躺卧、站立、行走和甩尾行为识别准确率分别为95.50%、93.72%、90.26%、86.43%、89.39%,平均准确率为91.06%,参数量相较于原模型减少了1.5×106,浮点运算量减少了3×108,相较于其他模型,本文模型识别平均准确率平均提升8.63个百分点。本文研究成果可为奶牛疾病监测及预防提供技术支持。     

基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积（Partial convolution,PConv）替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力（Efficient channel attention,ECA）模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法（Sparrow search algorithm,SSA）的学习率优化策略来进一步提高模型的检测精度。试验结果显示：相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003s和0.014s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。     

基于改进MobileNetV3的水稻病害识别模型

针对水稻病害识别方法准确度低、模型收敛速度缓慢的问题,本文提出了一种高性能的轻量级水稻病害识别模型,简称为CA（Coordinate attention）-MobileNetV3。通过微调的迁移学习策略完善了模型的训练,提升了模型收敛速度。首先创建10个种类的数据集,其中包含9种水稻病害和1种水稻健康叶片。其次使用CA模块,在通道注意力中嵌入空间坐标信息,提高模型的特征提取能力与泛化能力。最后,将改进后的MobileNetV3网络作为特征提取网络,并加入SVM多分类器,提高模型精度。实验结果表明,在本文构建的水稻病害数据集上,初始的MobileNetV3识别准确率仅为95.78%,F1值为95.36%;加入CA模块后识别准确率和F1值分别提高至96.73%和96.56%;再加入SVM多分类器,通过迁移学习后,改进模型的识别准确率和F1值分别达到97.12%和97.04%,参数量和耗时仅为2.99×106和0.91s,明显优于其他模型。本文提出的CA-MobileNetV3水稻病害识别模型能够有效识别水稻叶部病害,实现了轻量级、高性能、易部署的水稻病害分类识别算法。     

基于CFD-DEM的饲料调质器物料运动模拟与试验

为探究饲料调质器中物料的运动规律和黏结状态,基于CFD-DEM耦合的方法对调质器的工作过程进行仿真建模和作业参数优化。耦合模型建立方法：采用Pro/E三维软件建立调质器结构模型;利用Gambit软件对其进行网格划分,利用Fluent中的RNG k-ε湍流模型作为流体模型;利用离散元软件EDEM中的Hertz-Mindlin with bonding模型建立饲料原料湿黏模型,并对两种模型进行边界参数和耦合参数等设定。以桨叶安装角、调质轴转速、填充率为试验因素,以调质器出料量为评价指标,按照三因素五水平正交旋转组合试验设计方法进行试验研究。利用Design-Expert 8.0.6软件回归分析法和响应面分析法,建立了3个因素对调质器作业评价指标影响的数学模型,对调质器模型作业参数优化并进行了试验验证。结果表明,各因素对调质器出料量的影响显著性由大到小依次为填充率、调质轴转速、桨叶安装角;最佳作业参数组合方案为：桨叶安装角38.49°、调质轴转速182.2r/min、填充率58.4%,此时调质器出料量较高,生产率为13.1g/s。     

基于MSRCP与改进YOLO v4的躺卧奶牛个体识别方法

奶牛的躺卧率可以反映奶牛的舒适度和健康情况,躺卧奶牛的个体识别是自动监测奶牛躺卧率的基础。本文提出了一种基于改进YOLO v4模型识别非限制环境下躺卧奶牛个体的方法。为实现对躺卧奶牛全天的准确个体识别,首先对18:00—07:00的图像采用MSRCP（Multi-scale retinex with chromaticity preservation）算法进行图像增强,改善低光照环境下的图像质量。其次,在YOLO v4模型的主干网络中融入RFB-s结构,改善模型对奶牛身体花纹变化的鲁棒性。最后,为提高模型对身体花纹相似奶牛的识别准确率,改进了原模型的非极大抑制（Non-maximum suppression, NMS）算法。利用72头奶牛的图像数据集进行了奶牛个体识别实验。结果表明,相对于YOLO v4模型,在未降低处理速度的前提下,本文改进YOLO v4模型的精准率、召回率、mAP、F1值分别提高4.66、3.07、4.20、3.83个百分点。本文研究结果为奶牛精细化养殖中奶牛健康监测提供了一种有效的技术支持。     

基于MobileNetV3Small-ECA的水稻病害轻量级识别研究

为实现水稻病害的轻量化识别与检测,使用ECA注意力机制改进MobileNetV3Small模型,并使用共享参数迁移学习对水稻病害进行智能化轻量级识别和检测。在PlantVillage数据集上进行预训练,将预训练得到的共享参数迁移到对水稻病害识别模型上微调优化。在开源水稻病害数据集上进行试验测试,试验结果表明,在非迁移学习下,识别准确率达到97.47%,在迁移学习下识别准确率达到99.92%,同时参数量减少26.69%。其次,通过Grad-CAM进行可视化,本文方法与其他注意力机制CBAM和SENET相比,ECA模块生成的结果与图像中病斑的位置和颜色更加一致,表明网络可以更好地聚焦水稻病害的特征,并且通过可视化和各水稻病害分析了误分类原因。本文方法实现了水稻病害识别模型的轻量化,使其能够在移动设备等资源受限的场景中部署,达到快速、高效、便携的目的。同时开发了基于Android的水稻病害识别系统,方便于在边缘端进行水稻病害识别分析。     

基于拉曼光谱的食用调和油原料组分快速定量检测方法

应用激光拉曼光谱技术结合偏最小二乘法实现了食用调和油中5种原料油（花生油、芝麻油、菜籽油、大豆油和玉米油）的定量检测。首先选取食用油脂肪酸信息丰富的169.58～1813.61cm-1谱区,再通过一阶导数+Norris 3点预处理对该谱区进行滤波去噪,净化拉曼光谱信息,采用偏最小二乘法建立食用调和油中各原料组分的拉曼定量检测模型,其中花生油、芝麻油、菜籽油、大豆油和玉米油的检测模型的校正集相关系数分别为0.9998、0.9418、0.9988、0.9998、0.9961,验证集相关系数分别为0.9435、0.8593、0.9542、0.9676、0.9429,均方根误差分别为0.117、0.218、0.128、0.125、0.179。研究结果表明,激光拉曼光谱法结合化学计量学方法快速、准确地测定食用调和油中各原料组分的含量具有可行性,且预测能力良好。     

基于改进YOLO v3模型的挤奶奶牛个体识别方法

为实现无接触、高精度养殖场环境下奶牛个体的有效识别,提出了基于改进YOLO v3深度卷积神经网络的挤奶奶牛个体识别方法。首先,在奶牛进、出挤奶间的通道上方安装摄像机,定时、自动获取奶牛背部视频,并用视频帧分解技术得到牛背部图像;用双边滤波法去除图像噪声,并用像素线性变换法增强图像亮度和对比度,通过人工标注标记奶牛个体编号;为适应复杂环境下的奶牛识别,借鉴Gaussian YOLO v3算法构建了优化锚点框和改进网络结构的YOLO v3识别模型。从89头奶牛的36790幅背部图像中,随机选取22074幅为训练集,其余图像为验证集和测试集。识别结果表明,改进YOLO v3模型的识别准确率为95.91%,召回率为95.32%,mAP为95.16%, IoU为85.28%,平均帧率为32f/s,识别准确率比YOLO v3高0.94个百分点,比Faster R-CNN高1.90个百分点,检测速度是Faster R-CNN的8倍,背部为纯黑色奶牛的F1值比YOLO v3提高了2.75个百分点。本文方法具有成本低、性能优良的特点,可用于养殖场复杂环境下挤奶奶牛个体的实时识别。     

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明：YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.498 5 mm...     

基于改进FasterNet的轻量化小麦生育期识别模型

针对现阶段小麦生育期信息获取需依靠人工观测,效率低、主观性强等问题,本文构建包含冬小麦越冬期、返青期、拔节期和抽穗期4个生育期共计4599幅小麦图像数据集,并提出一种基于FasterNet的轻量化网络模型FSST(Fast shuffle swin transformer),开展4个关键生育期的智能识别。在FasterNet部分卷积的基础上引入Channel Shuffle机制,以提升模型计算速度。引入Swin Transformer模块来实现特征融合和自注意力机制,用来提升小麦关键生育期识别准确率。调整整个模型结构,进一步降低网络复杂度,并在训练中引入Lion优化器,加快网络模型收敛速度。在自建的数据集上进行模型验证,结果表明,FSST模型参数量仅为1.22×107,平均识别准确率、F1值和浮点运算量分别为97.22%、78.54%和3.9×108,与FasterNet、GhostNet、ShuffleNetV2和MobileNetV3 4种模型相比,FSST模型识别精度更高,运算速度更快,并且识别时间分别减少84.04%、73.74%、72.22%和77.01%。提出的FSST模型能够较好地进行小麦关键生育期识别,并且具有识别快速精准和轻量化的特点,可以为大田作物生长实时监测提供信息技术支持。