基于Faster R-CNN和图像增强的水下鱼类目标检测方法

为了克服水下鱼类图像样本量不足及实现对水下低清晰度图像中鱼类的快速检测,提出了一种基于Faster R-CNN二次迁移学习和带色彩恢复的多尺度视网膜增强算法(MSRCR)的方法,首先通过ImageNet预训练模型对Open Images高清鱼类数据集进行一次迁移学习初步训练网络,然后固定检测模型低3层的卷积网络参数,再用水下拍摄的小规模鱼类数据集进行二次迁移学习微调网络,最后通过MSRCR算法对水下拍摄图像进行处理以增强其与高清鱼类图像的相似性,解决水下图像降质问题,让二次迁移学习高效进行。结果表明,该方法利用小规模水下拍摄鱼类数据集训练出的网络查准率可达到98.12%,网络检测能力及后续提升能力优于传统机器学习方法,并能够实现鱼类目标的快速检测,本研究结果可为深海探测作业与海底鱼类等生物资源的监测、保护和可持续开发等工程应用提供一定的参考。     

基于改进Faster R-CNN的田间植株幼苗检测方法

为了准确检测田间植株幼苗,以实现植株幼苗的精准喷药施肥,提出了一种基于改进Faster R-CNN的植株幼苗检测方法.以Faster R-CNN结构为基础设计植株幼苗检测网络,将ResNet50网络作为共享卷积层,并将Dropout层引入到Fast R-CNN网络的全连接层之间,用月季苗图像对网络进行训练生成模型.结果...     

基于Faster R-CNN复杂背景的茶芽检测

茶芽检测是判断茶树农艺性状的基础,也是研发基于计算机视觉采茶机器人的基础。针对复杂背景中传统茶芽检测方法准确率低、稳定性差等问题,提出一种基于深度学习的茶芽检测方法。以Faster R-CNN(region-convolutional neural network)算法为框架,比较AlexNet、ResNet50、VGG19 3种网络模型茶芽检测性能,寻找最佳网络模型。结果表明,使用VGG19的茶芽检测准确率为86.3%,召回率为96.1%,F1分数为0.909,综合检测效果最优。该方法可很好地应用于复杂背景茶芽检测。     

基于Faster R-CNN的西藏牧区牦牛检测算法

目前西藏牧区的牦牛养殖在我国畜牧业当中尚处于发展阶段,它的发展很大程度的影响我国牧区畜牧业的经济水平,尤其是对我国西藏牧区为主畜牧养殖业,彻底改革牧区的传统养殖方式非常必要,利用基于图像处理的牦牛目标检测就可以解决传统方式的耗时耗力问题.针对实际的牦牛放养场景,运用深度学习目标分类算法中具有代表性的Faster R-C...     

苹果叶片气孔的研究

本研究包括８个种,２８个品种类型,测定了气孔密度和大小,根据取样研究认为：只人舍去叶片两端和边缘,避开主侧脉,其余任何部位均可取样,气孔性状在苹果属不同种,品种以及芽变人的不同品系间均有显著性甚至极显著的差异,二倍体气孔密度大于三倍体,普通型大于短枝型,气孔大小与密度成负相关,研究结果认为,气孔是一个稳定的遗传性状,可以做为研究果树遗传育种,区别品种,类型的重要微观形态特征。     

水稻叶片气孔分布与气孔密度的研究

用改良刮制法研究了水稻叶片的气孔分布与气孔密度。结果表明稻叶下表面气孔的分布不是随机的,表现出一定的规 律性。气孔在脉间区纵向排列成行;叶缘和主脉附近气孔分布较均匀;其他脉间区气孔行可分为两组,组内气孔行数因品种、 叶位和叶片上的具体部位而有差异。同一叶片气孔行数的顺序是基部>中部>尖部。稻叶气孔密度是籼稻普遍大于粳稻,且 籼稻、偏籼稻、粳稻和偏粳稻4种类型气孔密度的大小顺序为籼稻>偏籼稻>偏粳稻>粳稻,表现出明显的类型间差异。     

典型粳稻植株气孔分布的研究

用改良刮制法观测了典型粳稻品种秋光剑叶、叶鞘、穗颈及颖壳的气孔分布情况,结果表明：剑叶背面气孔分布有一定规律性,但此规律性常因气孔行的突然中断被削弱。剑叶背面气孔密度纵向变化呈偏态分布,叶中部气孔密度大于叶基又大于叶尖部;叶中部气孔长度最小,气孔宽度最大。剑叶背面横向气孔密度呈中部最大的正态分布,气孔大小变化不大。叶片边缘气孔行不分组。本研究还发现,中脉和叶鞘上亦有气孔分布,而且中脉上的气孔密度在所测各器官中最大,叶鞘上的气孔密度约为剑叶背面气孔密度的1／3左右。穗颈上有少量气孔分布。     

牡丹叶片气孔观察方法的比较研究

[目的]用5种不同方法制取牡丹叶下表皮制片并对其气孔进行比较研究。[方法]采用直接撕皮法、撕皮-刮去叶肉细胞法、NaOH离析法、过氧化氢-冰醋酸离析法和煮沸撕取法制取牡丹叶下表皮,对其制片指标进行了比较,并筛选出最佳染色剂。[结果]撕皮-刮去法和过氧化氢-冰醋酸离析法的制片效果较好,叶肉残留少、真实性强。0.5%的I-KI染液染色效果好。[结论]该研究结果可为今后不同品种牡丹叶表皮的微形态特征研究奠定基础。     

融合注意力机制的Cascade R-CNN田间害虫检测方法

为解决测报灯采集图像中害虫依赖人工识别及统计结果可靠性低和准确性差的问题,本研究提出一种改进型Cascade R-CNN田间害虫检测算法。该算法以Cascade R-CNN为基础框架,采用ResNeSt-50作为主干网络,融合了跨通道注意力机制;使用统一目标检测头（unifying object detection heads with attentions,DyHead）,并融合尺度感知、空间位置感知和任务感知。此外,采用简单复制-粘贴（simple copy-paste,SCP）方法进行了数据增强。研究共采集到20类害虫总计1 500张图像,制作了符合MS COCO格式（microsoft common objects in context 2017, MS COCO 2017）的测报灯田间害虫数据集。结果显示,本研究提出的方法的F1分数（F1-score）达到了86.2%。当交并比（intersection over union,IoU）为0.5时,其F1-分数与经典Cascade R-CNN、Faster R-CNN和YOLOv4相比,分别提升了2.8、5.8和8.2个百分点。...     

基于eCognition植物叶片气孔密度及气孔面积快速测算方法

目的叶片气孔是植物与外界进行物质交换的重要窗口,对环境变化十分敏感。如何快速、精确地获得气孔密度和开放程度数据仍缺乏成熟的方法与技术,本研究旨在探索植物叶片气孔密度及气孔面积的快速测算方法,为今后植物气孔研究工作提供参考。方法以北京市常见绿化树种白蜡、臭椿和国槐叶片为研究对象,采用面向对象分类的eCognition图像处理软件,对叶片气孔显微图像进行多尺度分割和分类识别,根据对象的光谱特征、亮度特征和几何特征构建规则并进行气孔分类和提取。结果气孔分割的最佳参数及自动提取规则组合为:尺度参数120~125、形状参数0.7、紧凑度参数0.9、亮度值160~220、红光波段>95、形状-密度指数1.5~2.2。结论该方法提取气孔密度和气孔面积的精度分别达到99.2%、94.5%,结果较理想,适用于植物叶片气孔信息的快速提取。      

近似联合训练的Faster R-CNN对立木图像的检测与识别

为提高复杂背景下立木图像的识别准确率,提出近似联合训练的Faster R-CNN对立木图像进行目标提取并分类。首先迁移ImageNet上的模型VGG16、ResNet101和MobileNetV2提取图像特征并微调网络,然后构建新的数据集包括7科10种立木图像共2 304张,通过该数据集训练和测试3种网络模型下的Faster R-CNN。结果表明,通过近似联合训练的Faster R-CNN得到的均值平均精度分别是93.64%、92.38%、92.58%,对于不同种属的立木,VGG16网络效果最佳。由于光照会对图像识别造成影响,将光照平衡前后的结果作对比,得到光照平衡后的立木图像识别结果优于平衡前。并利用训练的模型对斜向生长的立木图片进行检测,结果显示生长方向不影响图像识别准确率。证明该方法在具有复杂背景的立木图像上具有良好的效果,对更多立木的识别有一定的参考价值。     

Detection and enumeration of wheat grains based on a deep learning method under various scenarios and scales

Grain number is crucial for analysis of yield components and assessment of effects of cultivation measures. The grain number per spike and thousand-grain weight can be measured by counting grains manually, but it is time-consuming, tedious and error-prone. Previous image processing algorithms cannot work well with different backgrounds and different sizes. This study used deep learning methods to resolve the limitations of traditional image processing algorithms. Wheat grain image datasets were collected in the scenarios of three varieties, six background and two image acquisition devices with different heights, angles and grain numbers, 1 748 images in total. All images were processed through color space conversion, image flipping and rotation. The grain was manually annotated, and the datasets were divided into training set, validation set and test set. We used the TensorFlow framework to construct the Faster Region-based Convolutional Neural Network Model. Using the transfer learning method, we optimized the wheat grain detection and enumeration model. The total loss of the model was less than 0.5 and the mean average precision was 0.91. Compared with previous grain counting algorithms, the grain counting error rate of this model was less than 3% and the running time was less than 2 s. The model can be effectively applied under a variety of backgrounds, image sizes, grain sizes, shooting angles, and shooting heights, as well as different levels of grain crowding. It constitutes an effective detection and enumeration tool for wheat grain. This study provides a reference for further grain testing and enumeration applications.     

基于Faster R-CNN的大田玉米雄穗识别及抽穗期判定研究

目前田间玉米雄穗数量监测主要依靠人工进行,效率低且易出错.为了实现在复杂的田间环境下对玉米雄穗自动识别和计数的任务,使用无人机平台和田间作物表型高通量获取平台采集的田间玉米顶视图像构建数据集,使用Resnet 50作为新的特征提取网络代替原始的VGG 16来优化Faster R-CNN模型.再根据表型平台所获取的高时序、连续图像,进一步使用改进后的模型对试验小区内玉米抽穗期前后20 d的雄穗数量进行监测,以此为依据进行抽穗期判定.该方法在田间作物表型高通量平台获取的图像数据测试集中类平均精度为90.14％,平均绝对误差为4.7328;在无人机平台获取的图像数据测试集中类平均精度为82.14％,平均绝对误差为9.6948.试验结果表明:该模型在田间作物表型高通量获取平台上的检测结果优于无人机平台,且具备一定的应用价值.     

一种基于Photoshop的叶片相对病斑面积快速测定方法

[目的]提出一种利用Photoshop软件快速测量作物叶片相对病斑面积（RLA）的新方法。[方法]利用相机或扫描仪等获取病叶图像后,直接利用Photoshop软件显示病斑及整个叶片的像素,利用像素数计算出图像中的叶片相对病斑面积。[结果]分别通过1组检验试验和重复测量试验来验证该方法,发现该方法准确,重复性好,误差小。[结论]与利用其他软件求RLA方法相比,该方法简单,快速,准确且便于操作,具有广阔的应用前景。     

基于深度学习的高分辨率麦穗图像检测方法

小麦是重要的粮食作物之一,针对人工田间麦穗计数及产量预测效率低的问题,基于深度学习提出了一种高分辨率的小密集麦穗实时检测方法。对麦穗图像数据集进行图像分割、标注、增强预处理,基于Tensorflow搭建YOLOv4网络模型,调整改进后对其进行迁移学习;与YOLOv3、YOLOv4-tiny、Faster R-CNN训练模型进行对比,对改进模型的实用性与局限性进行分析;重点分析影响麦穗检测模型性能的关键因素。通过图像分割的方式,证明了通过改变图像分辨率确定麦穗所占图像最优像素比,可以提高前景与背景差异,对小密集麦穗有显著效果。通过对改进模型的测试,表明该模型检测精度高,鲁棒性强。不同分辨率、不同品种、不同时期的麦穗图像均类平均精度（mAP）为93.7%,单张图片的检测速度为52帧·s^-1,满足了麦穗的高精度实时检测。该研究结果为田间麦穗计数以及产量预测提供技术支持。     

柑桔溃疡病菌离体叶接种检验法的研究

对柑桔溃疡菌的离体叶接种检验法进行了研究和技术规范。结果表明 ,离体叶接种法是一种效果直观可靠、操作简便易行的检验溃疡病菌的方法 ,其检测水平可达到 1.5 5× 10 3 -4 cfu/ml;其技术规范为 :供接种的柑桔品种应为甜橙类感病品种 (如脐橙 ) ,供接种的离体叶片以达到定型大小的新梢成叶最佳 ;采用针刺后滤纸片贴敷菌液接种 ,最适孵育温度为 2 8～ 32℃ ,最佳保湿方法为吸水纸保湿法。     

一种快速检测小麦赤霉病菌种类的方法

为建立一种能够快速、简便和准确检测我国小麦赤霉病菌种类的方法,直接采用发病麦穗快速提取DNA,并结合特异性分子标记对采自我国的小麦赤霉病菌种类进行快速检测。该检测方法成功实现了对小麦赤霉病菌基因组DNA的快速提取和特异性分子标记检测,通过对河北、河南、江苏、安徽四省41份样本的检测验证,结果显示,安徽合肥与江苏南京地区的18份材料均为亚洲镰刀菌(Fusarium asiaticum),河北安新与赵县地区的12份材料均为禾谷镰刀菌(Fusarium graminearum),而河南地区的11份材料中2种致病菌株均有出现,检测结果与已经报道的这2种致病菌的地区分布情况一致。该方法不仅可以达到传统方法(CTAB法提取DNA)的效果,而且与之相比还具有快速、简便的优点,可用于小麦赤霉病菌群体结构和地区分布情况的研究。     

一种基于计算机图像处理经典算法的染色体边缘检测方法

在生物学和医学领域的染色体分析中,边缘检测技术尤为重要。最大程度地获取边缘细节和降低噪声干扰是染色体边缘检测的关键。本文提出了一种改进的边缘检测方法。这种方法的理论基础是阈值迭代法和数学形态学,能增强染色体边缘和图像对比度,同时获取更清晰真实的边缘信息。通过计算机仿真实验发现,相比常规算法,这种改进算法能够得到更加准确可靠的染色体边缘图像。     

植物病毒检测技术研究进展

综述了植物病毒鉴定与检测技术的研究进展,介绍了生物学、电子显微镜观察、免疫学、分子生物学技术（PCR、NASH、FISH、ds-RNA、芯片检测等）方面的植物病毒检测方法的特点、发展应用方向等。