基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法

【目的】为提高野生动物在复杂森林环境中的检测精度,促进森林野生动物保护技术发展,提出一种基于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国家级自然保护区几种典型森林野生动物在内的数据集为研究对象,首先,对真实标注框图像进行裁剪、归一化和缩放处理,随机将2～4张裁剪图像拼贴组成新的数据集元素,以丰富和增强数据集图像信息;其次,使用一种基于通道注意力思想的加权通道拼接方法,在通道拼接时引入权重改变通道数量,通过反向传播训练方法不断更新权重以增加重要特征信息的通道层数;接着,引入Swin Transformer模块与CNN网络相结合,为卷积神经网络特征提取加入自注意力机制,融合2种网络特征提取层的优势,提高特征提取的感受野;最后,选择更优的α-DIoU损失函数替代GIoU损失函数,针对边界框重叠面积和中心点距离造成的损失,引入新的几何因素惩罚项。【结果】在相同试验条件和数据集下,相比原YOLOv5s网络模型,改进算法极大提高检测的平均准确率和平均回归率,均值平均精度由74.1%提升至88.4%,获得14.3%的精度提升,同时也超过YOLO...     

基于卷积神经网络的车型识别

车辆分类识别自动化是当前道路安全和智能交通系统面临的重要挑战之一。图像处理、模式识别和深度学习技术的发展克服了许多障碍,针对车型多、计算量大导致车型识别准确率低、效率低的问题,深度学习的卷积神经网能够很好地解决这一问题。基于该方法实现5种车型的识别。首先,收集足够多的数据集以此来平衡数据集(交通网获取足够多的图片数据)。其次,使用这些数据集来训练特殊的卷积神经网模型及设置各个网络层参数。通过评估卷积层数、卷积核大小、卷积层与池化层的数量配比及各动量等参数,实现网络性能的比较和优化及卷积核的选择。     

基于改进YOLOv5s的木材表面缺陷检测模型

针对木材表面缺陷的复杂多样性和特征提取困难,提出一种基于改进YOLOv5s的木材表面缺陷（活节、死节、有裂缝节子和裂缝）检测模型。首先,在Backbone网络引入坐标注意力机制（coordinate attention,CA）增强每个通道之间的信息交互,然后采用混合空间金字塔池化（hybrid spatial pyramid pooling-fast,HSPPF）结构减少信息损失,再使用GSConv卷积减少参数量,用改进的曲线高效交叉联合（curve efficient intersection over union,CEIoU）作为训练时模型的损失函数,提升木材缺陷检测的准确性。试验结果表明,改进模型能够有效检测出木材表面缺陷,模型的平均精度均值（mean average precision,mAP）为84.4%,比未改进之前提高了2%,检测速度达到73.9 FPS,在模型参数量方面明显减少,同时优于其他主流模型,能够满足木材表面缺陷检测的要求。     

结合注意力机制与YOLOv5的松材线虫病受害木检测

松材线虫病是我国近几十年来最严重的一种森林病害,加强疫情的监测迫在眉睫。本研究在自建数据集的基础上采用3种不同的注意力模块(CBAM、SE和CA)改进YOLOv5算法并结合数字正射影像图自动识别松材线虫病受害木,分别对比了改进模型CBAM-YOLOv5、SE-YOLOv5、CA-YOLOv5与YOLOv5模型的识别效果,实现了对变色松树和枯死疫木检测效果的提升。结果表明：3种注意力改进策略的变色松树查全率、平均精度和F1分数显著提高,查准率不逊色于YOLOv5模型;综合考量查全率和F1分数指标,SE-YOLOv5模型的变色松树和枯死疫木检测效果最好,其F1分数分别达到89.7%和76.9%,比原模型分别提高了5.5%和5.4%,其检测精度分别为91.7%和80.3%,较YOLOv5模型分别提升了4.7%和5.1%;在理想置信度阈值情况下3种注意力改进策略的变色松树和枯死疫木查全率均值分别为85.4%和76.6%,基本满足实际检测需求。对各注意力改进模型检测层的特征图和热力图进行剖析可以看出,嵌入注意力机制有利于提取高贡献度的特征成分,可以提升变色松树特征提取的准确性。因此,改进的YOL...     

基于深度学习的森林火灾烟雾监测

为了第一时间发现森林火灾，避免因森林火灾造成严重后果，提出以森林火灾烟雾为主要目标的检测模型YOLO-SCW,在YOLOv7的基础上，引入SPD-Conv层，以减小特征提取过程中小目标特征缺失的问题。之后在检测头金字塔池化部分增加坐标准意力机制模块，通过将位置信息编码到通道中，增加了模型对目标的关注度，并且减少了背景对检测效果的干扰。最后，通过WIoU矩形框损失函数，提高了预测框的回归速度与精度。在测试过程中，改进后的YOLO-SCW较YOLOv7模型mAP提高了9.1%,并减少了误检与漏检现象，证明YOLO-SCW有着更好的特征提取能力与泛化能力，对森林火灾烟雾监测任务表现出色。     

全球竹产品贸易网络特征分析

利用社会网络分析方法构建2017—2019年全球竹产品贸易网络,从整体网络特征、网络中心度、块模型和主要贸易国家等4个方面研究全球竹产品贸易网络特征。结果表明:5种竹产品贸易网络总体关系均较为稀疏,但竹制品贸易网络的连通性、扩散性、稳定性及集聚程度相对较强;网络节点度数中心度的"核心-边缘"特征明显,与进口网络相比,竹产品出口市场集中度更高。5种竹产品贸易网络均可划分为4个板块,且板块1均为内外贸易关系较为紧密的双向溢出板块。竹产品贸易大国网络呈现以中国为核心的星形分布,贸易关系主要发生在亚洲、美洲和欧洲之间。以中国为主的亚太"贸易圈"和以美国为主的欧美"贸易圈"是当前全球竹产品贸易网络中最主要的2大社群。     

一种改进YOLOv5的多尺度像素林火识别算法

林火破坏程度大、蔓延速度快的特点给森林生态环境和人类带来极大的危害。深度学习技术可以学习和自适应提取林火特征,捕获的林火图像中火焰的像素尺寸不同,林火提取的特征也不同。为了能够识别复杂背景下不同像素尺度的火灾,笔者提出了一种改进的YOLOv5林火识别方法,通过在YOLOv5的检测网络加入解耦头,解决林火图像输出变量时分类和回归的冲突问题,加快网络收敛速度提高识别精度;在网络中引进CBAM注意力机制,更关注林火信息同时提升识别精度;在Neck网络引入加权双向特征金字塔网络(BiFPN),替换原有的路径聚合网络(PANet),对不同维度的林火特征进行融合,进行特征筛选,增强特征表示能力。实验结果表明,该林火识别算法在自制的林火数据集上进行训练和验证模型,检测性能上均优于YOLOv5算法,在准确率、召回率、平均精度分别提升了5.2%,3.0%,3.4%,mAP@.5:.95提升了4.6%,并且在不同尺寸林火目标的识别精度上均有提升。研究结果对林火识别性能提升有着积极意义。     

生态背景下基于人工智能深度学习的竹类害虫识别方法研究

针对生态背景下的竹类害虫识别,作者研究了一种基于人工智能深度学习的识别方法。构建了具有5 663张图片的虫类数据集,其中包含3种竹类害虫和3种其他虫类,利用深度学习模型GoogLeNet特有的Inception模块构成的网中网结构,使其获得更多的图片特征,并开展了4组不同训练集与测试集比例的实验。结果表明：模型的精确度随训练集比重的增大而增大,当训练集和测试集的比例为9∶1时表现最好,F₁值达到了95.48%,模型精确度为97.5%,体现了识别模型具有较好的综合性能和较高的实用性。该方法能较好地实现3种竹类害虫在生态背景下的智能识别,是针对竹类生产经营中的虫害防治问题的一种智能化解决方案,为竹产业精细化管理及高效生产经营提供有效的科技支撑。     

防渗密封衬垫

防渗密封衬垫该衬垫是一种抄造特种含胶原纸板成型垫片，它在一种特制的不干性、粘着型高级合成密封胶中，经恒温化处理而形成的带胶密封村垫。该村垫因基体含胶，表面和内部有着均匀的密封胶膜，因此在装配过程中可直接使用，免去了以往装配涂胶的麻烦，同时通过装配挤压...     

医学图像精细化分割方法研究

指出了深度学习方法在医学图像分割中取得较大的进展,但医学图像处理的复杂性使得全自动分割方法难以取得较好的分割效果。在卷积网络分割的基础上,结合应用场景使用适当的后处理手段来提升图像的分割效果是一种比较有临床意义的研究方法。主要研究了基于概率图的全连接条件随机场模型和基于用户交互的深度编辑网络,并分析总结了这两种方法的实现原理和各自优势,并对未来的研究工作进行了一些展望。     

基于虚拟装配技术的竹席编织设计

根据竹席编织的特点,推导出竹席编织机的工作原理,借助于虚拟装配技术创建体现功能的竹席编织机三维实体模型,通过动态演示及时发现问题并进行分析和改进,得出最佳的结构方案.     

基于改进卷积自编码机的油茶果图像识别研究

为进一步提高油茶果识别的速度与精度,提出一种基于改进卷积自编码机神经网络的油茶果图像识别方法。该方法以非对称分解卷积核提高训练速度,以输出端重构输入端的直连训练方式减少信息损失;利用改进的自编码机训练不同颜色通道的图像,随后在共享层中利用金字塔池化算法融合高阶特征,利用softmax算法构建分类器。结合selective-search算法生成候选区域,并对其进行筛选,利用训练好的网络设计油茶果果实图像检测器验证算法的实用性。改进算法100次迭代所需时间为166 s,平均识别准确率为90.4%;改进模型收敛性能较好,学习能力强,经过10次迭代之后即可达到85%的识别准确率,在样本数目为200的小数据集上可达到82%的识别准确率;同时,检测器的搭建验证了算法的有效性,在2 s内即可实现对单张实际图像上目标区域的检测,总体识别精度为87%,使得算法具有一定的实时检测能力。试验结果证明,改进后的算法具有较高的识别准确率与学习能力,以及一定的实用性,可为油茶果图像识别提供参考。     

竹席/竹碎料新型建筑模板制备工艺研究

将小径竹及竹材加工剩余物加工成一定规格的竹碎料。以竹碎料为芯层,以竹席为表层组成板坯,通过热压制备竹席/竹碎料新型建筑模板。采用正交试验,选取热压时间、热压温度和施胶量作为工艺因素,对竹席/竹碎料复合新型建筑模板制备工艺进行了研究。研究发现,施胶量对产品的各项性能指标的影响最显著,其次是热压时间和热压温度。通过分析得出优化工艺:热压时间70 s.mm-1,热压温度为170℃,施胶量为10%。     

刨花板常规热压传热研究

采用常规热压法对刨花板板坯进行热压,探讨热压时中心层温度变化规律与板坯含水率、板厚、板材密度及热压温度等的关系.结果表明:在快速升温段,升温速度随板厚的增加而明显减小,随热压温度的提高而加快;在慢速升温段,升温速度随板厚的增大而显著加快,随热压温度的升高而明显加速,升温速度受目标密度和板坯含水率影响很小;板坯内水分蒸发所需时间随板厚、板坯含水率、热压温度、板材密度的增长而增加;板坯内水分蒸发温度随板材密度的增加而升高,随板厚的减少而升高,热压温度和板坯含水率对其几乎没有影响;加入胶粘剂会使快速升温段的升温速度有所加快,而使恒温段的水分蒸发温度有所降低.     

基于人工智能的竹类主要害虫识别系统开发与应用

在当前四川省竹产业大发展背景下，将以人工智能为代表的计算机高新技术引入竹子的生产经营环节，对竹产业基地实行精细化管理和提高竹产业绩效具有重要的现实意义。文章介绍了基于深度神经网络搭建的人工智能识别模型，并在此基础上设计并开发了针对竹类主要害虫的识别系统，实现了通过APP软件对竹类主要害虫进行便捷、准确识别，极大地提升了森防工作效率，为竹产业基地的健康发展提供了有效科技支撑，同时也为林业生产经营由传统模式转向智慧化进行了技术储备。     

三种竹碎料板的物理力学性能比较分析

对三种竹碎料板的物理力学性能进行了比较分析。板材弹性模量：竹席增强竹碎料板〉竹碎料/木纤维复合板〉普通竹碎料板;静曲强度：竹席增强竹碎料板〉竹碎料/木纤维复合板〉普通竹碎料板;吸水率：普通竹碎料板〉竹碎料/木纤维复合板〉竹席增强竹碎料板;吸水厚度膨胀率：普通竹碎料板〉竹碎料/木纤维复合板〉竹席增强竹碎料板;内结合强度：竹碎料/木纤维复合板〉竹席增强竹碎料板〉普通竹碎料板。     

结合深度学习与Hough变换的等长原木材积检测系统

针对成捆堆放的原木端面图像,利用机器视觉方法开发一个材积检测系统,算法的鲁棒性和系统应用的方便性是两个关键难点。为了解决上述问题,实现原木材积自动化检测,设计并开发了结合深度学习与Hough变换的等长原木材积检测系统。首先,在对训练样本做了旋转、调整曝光度、加噪声等提高模型鲁棒性的预处理后,使用YOLOv3?tiny卷积神经网络对原木端面图像进行目标检测,计算得到每一个原木端面对应的目标区域;其次,在对目标区域计算边缘并去除目标区域中心噪声边缘后,利用Hough变换圆检测算法计算原木端面轮廓的准确直径;最后,开发了操作简捷方便的用户界面,根据用户输入的一个原木轮廓径级校准信息和长度,即可实现图中所有原木的材积检测。本系统在多种原木端面图像上,包括端面完好、端面伐痕、端面霉变、环境复杂等情景进行实验验证,系统真检率为98.79%,误检率为0.602%。结果显示本系统在各种复杂原木端面图像上具有很好的鲁棒性,同时为了兼容深度学习算法与用户界面设计,本系统在PyQt5核心库上实现了操作界面,其操作简洁、使用方便。     

Measuring loblolly pine crowns with drone imagery through deep learningOA

In modeling forest stand growth and yield, crown width, a measure for stand density, is among the parameters that allows for estimating stand timber volumes. However,accurately measuring tree crown size in the field, in particular for mature trees, is challenging. This study demonstrated a novel method of applying machine learning algorithms to aerial imagery acquired by an unmanned aerial vehicle(UAV) to identify tree crowns and their widths in two loblolly pine plantations in eastern Texas, US...     

基于人工智能技术的竹类主要害虫识别系统在森防场景中的应用

人工智能技术及其应用已成为林草业重点建设领域的重要支撑和业务创新增长点。在四川省竹产业大发展背景下,邛崃市将基于人工智能技术开发的竹类主要害虫识别系统应用于竹产业基地森防场景,实现了对竹产业基地的害虫智能识别,并衍生出害虫发生情况统计分析、管护员巡护管理等智慧化管理手段,促进了当地竹产业基地的精细化管理,探索了竹产业现代化的新途径,为竹产业建设迈入智慧化目标提供了支撑。文中介绍了该系统采用的人工智能技术及相关功能的实际应用,并对相关成果在森防领域开展更广泛的后续应用进行了展望。