基于Stacking模型的红枣品种分类识别

新疆红枣品种较多，在进行红枣加工过程中需要对不同品种进行区分。针对当前人工分类效率低成本高、机械分类难以确保综合品质的问题，提出了基于Stacking模型融合的红枣品种分类识别方法。试验采集5个品类的红枣图像11 280张，进行预处理，建立数据集。构建以VGG 16、ResNet 50、Densenet 121 3种不同的卷积神经网络为基学习器，逻辑回归为次级学习器的Stacking集成学习模型，进行了集成模型与单一神经网络模型以及不同基学习器组合的集成模型间的对比试验。结果表明：在红枣分类识别任务中，采用单一模型的最高准确率为88.30%,该研究提出的融合模型能够达到92.38%的准确率，分类准确率提升了4.60个百分点。     

我国基于深度学习的图像识别技术在农作物病虫害识别中的研究进展

农作物病虫害是农业生产中所要面临的重要问题之一，快速、有效的病虫害识别手段对保障农产品质量安全，提升经济效益具有重要意义。近年来基于图像的农作物病虫害自动诊断技术得到了广泛研究，并取得了一系列进步。本文主要分析了我国农作物病虫害自动识别技术的发展现状，阐述了利用卷积神经网络建立病虫害识别模型的关键技术和实施步骤，介绍了当前主流图像识别深度学习模型算法和改进思路，并对存在的技术瓶颈和发展趋势进行分析，以期为图像识别技术在实际生产中的应用提供参考。     

基于视觉体验的双孢蘑菇在线自动分级设计与试验

为研究双孢菇的等级划分和自动化检测问题,设计了双孢蘑菇自动分级检测系统.通过对双孢菇图像的灰度化、二值化处理、预处理和图像分割,计算双孢菇菌盖直径大小,与国家分级标准进行对比,从而确定双孢菇的等级.该系统通过ARM控制器自动完成图像识别,具有识别准确率高、速度快的特点,提高双孢菇分拣的工作效率.     

基于改进SSD轻量化神经网络的番茄疏花疏果农事识别方法

设施番茄疏花疏果工作多依赖于人工,针对人工逐一判断、工作量大、移动设备实时性要求高等问题,通过卷积神经网络进行番茄部分生长参数识别,并结合农事操作经验进行应用讨论。在卷积神经网络SSD算法中引入轻量化模块MobileNetV3,提出了基于SSD-MobileNetV3模型的番茄花和果实的识别分析方法。与传统方法相比,一定程度上克服了重叠及遮挡、光照条件变化、亮度不均等干扰因素的影响。在串开花数、串结果数等生长参数识别基础上,结合疏花疏果工作进行讨论。结果表明,试验模型对于设施环境下常见干扰因素具有良好的实时性和鲁棒性,与SSD算法相比,花果平均识别率为92.57%,提高了7.9%,识别速度为0.079 s,提升了约4倍,识别率和识别速度明显提高,计算参数减少,基本满足应用要求。     

基于改进ShuffleNet V2的荔枝叶片病虫害图像识别

【目的】探索及时、准确识别危害荔枝叶片病虫害的方法，做好防护和治理工作。【方法】以常见荔枝叶片病虫害图像为研究对象，针对荔枝病虫害图像的病斑分布区域广、面积大小不一等特点，对ShuffleNet V2模型进行相应改进。首先，采集荔枝5类叶片病虫害制作数据集，采用数据增强操作构建更加丰富的数据集；其次，在网络特征提取模块采用混合空洞卷积，避免传统卷积在下采样过程中造成图像分辨率降低及信息丢失；然后，通过嵌入轻量型通道注意力模块ECA(efficient channel attention)，增进特征图之间相互依赖关系。此外，删减模型中不必要的层数和通道数，降低模型的参数量及运算量。【结果】研究所改进模型在5类荔枝病虫害图像(毛毡病、炭疽病、煤烟病、叶瘿蚊、藻斑病)中达到了99.04%的识别准确率，比原网络ShuffleNet V2高出2.55%。相较于经典网络AlexNet、ResNet-18、DenseNet和MobileNet V2等，改进模型不仅有着更高的识别准确率，并且改进后模型参数量仅为0.059×10⁶，为原模型的4.92%，浮点运算量仅为0.183×1...     

融合CNN多卷积特征与HOG的番茄叶部病害检测算法

传统的番茄叶部病害检测依赖于耗时费力的人工特征设计,必须针对病害的不同分类精心设计相关特征。番茄叶部病害症状复杂,人工设计特征较难。卷积神经网络(convolutional neural network,CNN)可以自动挖掘出隐藏在病害图像内部的抽象特征,在图像识别领域性能优越。该研究提出采用CNN与传统的HOG+SVM算法相结合的方法,抽取番茄叶部病害的浅层特征,将其输入到HOG生成HOG特征并合并,最后输入SVM分类器得到病害检测结果。该研究方法能够改进番茄叶部病害的检测精度。     

食用菌电子商务销量预测模型

为了对食用菌电子商务销量进行准确预测,设计了基于深度学习的预测模型。在对食用菌销量数据进行预处理的基础上,采用卷积神经网络建立了销量预测训练模型。通过100个样本训练集的输入,可以达到99%的准确率,能够满足食用菌销量预测模型的精度要求。     

基于YOLO的番茄病虫害识别算法

番茄植株在生长过程中感染各种病虫害,从而导致番茄的产量降低和种植户的利润损失。当前番茄病虫害检测主要通过农业专家人工进行,这种人工检测方法既昂贵又耗时。目前利用计算机视觉和深度学习达到病虫害自动分类识别的方法大多都是在受控环境下进行的,对病虫害所处背景环境的要求较高,同时不能实现病虫害的定位。针对这些问题,基于深度学习的思想,提出了一种基于YOLO卷积神经网络的番茄病虫害检测算法,同时建立了一个专家标注病虫害信息的真实自然环境下的番茄病虫害图像数据库,将本试验的番茄病虫害检测算法在此数据库上进行测试,对8类番茄病虫害的检测平均精度高达85.09%。结果表明,该算法能够有效地提升番茄病虫害检测的精度和速度,得到番茄病虫害的精准定位,优于Faster R-CNN和SSD等农业病虫害检测方法。     

蔬菜病害识别诊断与预警物联网技术研究与应用

为提高设施蔬菜病害诊断的准确率,研究了设施蔬菜病害识别诊断与预警物联网技术。基于温室环境信息,采用案例检索与模糊推理结合的方法,设计了监测视频采集方法;集合病害产生的环境机理,采用径向基核函数支持向量机,构建了病害预警方法;采用融合视觉显著性与在线聚类的算法对监控视频进行分析处理,针对蔬菜监测视频的特点,修改了传统的IG显著性计算方法生成帧图像视觉显著图,并利用在线聚类和像素帧平均的方法,实现监控视频的关键帧病症图像特征提取;选择图像的颜色与纹理特征作为叶面病害识别的病症图像信息特征,计算出对应的特征值,通过核FISHER判别完成病害识别诊断过程。从理论上,探究设施蔬菜病害发生机理及识别诊断、预警算法,为病害诊断、预警提供新的方法;从实践上,构建设施蔬菜病害识别、预警模型,提高诊断和预警的时效性和准确性,有效降低蔬菜病害带来的经济损失,为提高蔬菜产量、质量提供保障。     

利用改进YOLOv5s模型检测番茄果实成熟度及外观品质

以粉果番茄为试验材料,基于深度学习方法开展了番茄果实成熟度和外观品质的检测研究。试验中共采集番茄图片数据2 036张,通过处理扩增至5 316张,然后将数据进行标注和文件转换,构建了试验用数据集;通过在YOLOv5s模型中加入CA注意力机制、替换Stem block结构、结合识别需求优化检测层尺度、替换K-means++聚类算法来实现SC-YOLOv5s识别精度提升,提高模型的特征表达能力;通过在SC-YOLOv5s模型中加入Fire module结构进行轻量化卷积、降低Bottleneck模块的参数量来实现SC-YOLOv5s-lite轻量化设计,提升模型在硬件上的检测速度;将SC-YOLOv5s-lite模型在训练集上进行训练优化、消融试验和性能对比,结果表明,SC-YOLOv5s-lite模型内存大小为7.73 M,其准确率为89.04%,召回率83.35%,平均精度91.34%,检测时间为143 ms,相比于YOLOv5s,模型参数量降低了45.57%,模型大小压缩了44.86%,平均精度提升3.98%,检测时间减少20.99%,优势明显,更适合于硬件上部署。     

基于粒子群算法优化BP神经网络的土壤含水量短期预测模型

为提高土壤含水量预测精度,基于物联网监测数据,提出了粒子群算法(PSO)优化BP神经网络的土壤含水量预测方法。首先应用主成分分析法筛选出影响土壤含水量的关键影响因子,然后构建8-5-1的BP神经网络拓扑结构,应用粒子群算法优化BP神经网络的初始权值和阈值。结果表明:与传统BP神经网络相比,新模型优化了网络结构,避免了陷入局部最优解,具有良好的预测效果;模型的评价指标平均绝对误差、平均绝对百分误差、误差均方根分别为0.259 2、0.010 5和0.135 6,与单一BP神经网络相比,预测精度更高,可满足实际的土壤含水量预测的需要。     

基于小波神经网络的温室番茄产量预测

为解决北方日光温室内传统的番茄产量预测方法预测精度低,预测结果与实际产量相差较大,无法保证资源的合理利用和经济效益最大化等问题,提出运用将小波分析和BP网络结合的方式预测温室内番茄产量。首先,利用相应的传感器设备获取温室内的各种变量数据,应用MATLAB R2017a软件对其进行处理并分类,剔除掉偏差较大的数据,并进行特征提取,筛选出8种与番茄产量相关的特征参数作为模型的输入变量。然后,设计构建小波神经网络预测模型,将处理后的数据作为模型的输入变量,并且不断修正模型参数,通过多次训练和校正提升预测精度,并将该模型与BP神经网络模型、作物机理模型相比较。试验结果表明,此模型的预测结果与实际产量间的平均相对误差为1.02%,预测精度和拟合效果均优于BP神经网络模型和作物机理模型,运算速度较快,且具有较好的鲁棒性和函数逼近能力,能够为定量预测北方日光温室番茄产量提供一定的理论和技术依据。     

将会在植物保护上大显身手的图像识别技术

<正>近些年,随着大数据、云计算、人工智能等技术的突飞猛进,图像识别技术也迎来了春天,其使用场景也逐步多样化。从指纹识别到人脸识别,从安全领域逐步扩展到其他领域,图像识别技术有了更广泛的应用。比如依托于图像识别技术的车牌识别能够自动精准地抓拍、识别车牌信息,在交通违章管理、安防识别、停车场计费等方面都有具体的应用,不仅降低了人工成本,同时也能大幅度提升工作效率。什么是图像识别技术图像识别技术是指利用计算机对图像进行     

中国苹果产量预测模型比较分析

提出了一种灰色神经网络模型。该模型结合了灰色GM(1,1)预测模型和BP神经网络2种预测模型的优点,并用此模型对我国的苹果产量进行预测。将GM(1,1)预测模型的预测值作为BP神经网络的输入变量,实际值作为输出变量进行神经网络训练。灰色神经网络模型对2004、2005年苹果产量的预测精度分别为98.11%、98.45%,高于单一的灰色GM(1.1)预测模型或BP神经网络。     

基于计算机视觉技术的番茄叶部病害识别

以计算机视觉技术为手段,结合图像处理和模式识别技术,研究了番茄早疫病、晚疫病、叶霉病和棒孢叶斑病等4种叶部病害的自动识别方法。建立了一套适用于室内操作的图像采集处理系统,可进行病害样本图像的采集、预处理和病斑区域的分割。提取了每个病斑区域的9个颜色参数、5个纹理参数和4个形状参数,同时采用逐步判别与贝叶斯判别相结合和主成分分析与费歇尔判别相结合的两种方法实现特征参数的提取和判别模型的构建。逐步判别从提取的18个特征参数中选择了12个参数用于构建贝叶斯判别模型,结果对训练样本和测试样本的识别准确率分别达到100%和94.71%。主成分分析则将18个特征参数综合成2个新变量,构建的费歇尔判别函数对样本的总体识别准确率为98.32%。两种方法均获得了较好的分类效果,说明利用计算机视觉技术可以实现对番茄叶部病害的快速、准确识别,为实现番茄病害的田间实时在线检测提供了可能。     

基于深度学习的柑橘黄龙病远程诊断技术初探北大核心

为解决柑橘种植过程中黄龙病检测不及时、检测成本较高的问题,初步探寻基于深度学习的柑橘黄龙病远程诊断方法。通过架设在田间的设备采集柑橘植株图像信息,利用深度学习相关算法构建柑橘黄龙病病害识别模型,在柑橘生长过程中实现黄龙病在线实时监测与病害远程诊断。目前已在试验地初步开展柑橘黄龙病远程诊断试验,结果表明,田间远程诊断准确率为77.1%,已初步实现针对柑橘黄龙病的远程病害诊断,提高了实际生产过程中黄龙病的识别效率,降低了黄龙病检测成本,为柑橘黄龙病田间诊断方法研究提供了新思路。     

基于智能图像识别的双孢蘑菇采摘系统设计

为了实现双孢蘑菇的无损伤采摘,利用图像采集卡和CCD相结合的方式组建采摘机器的视觉系统,建立图像的识别算法,设计采摘机器智能控制系统总体方案。     

提高蘑菇产质量应抓的几项技术措施

我地蘑菇生产从七十年代初始至今已有十多年历史。产量从五十多担增加到去年的一万多担,是发展初期的二百倍。一九八二年种植蘑菇七十五万平方尺,收菇10414.547担,平均单产为1.39斤/尺~2,比一九八○年前平均单产0.6～0.8斤/尺~2有了较大的提高。我们地区蘑菇生产的实践表明,提高蘑菇产量和质量应抓好以下技术措施: 一、培养料“二次发酵法”是获得蘑菇高产优质的关键措施我地从八一年秋开始,采用室内“蒸汽育秧式”直接火加热升温的二次发酵法。八一年     

基于彩色图像颜色统计特征的黄瓜炭疽病和褐斑病的识别研究

为了进行数字化、标准化、无损伤定量识别植物病害,运用数字图像分析技术,对生产中两种常见的黄瓜病害（黄瓜炭疽病和黄瓜褐斑病）进行研究。利用图像的颜色统计特征对来自不同时期的病害样本图像进行分类和识别。采用逐步判别分析,选取显著性较大的特征参量,建立起黄瓜炭疽病、黄瓜褐斑病和无病区域的分类器模型。结果表明,对黄瓜炭疽病、黄瓜褐斑病和无病区域的正确回判率分别达到96.67%、93.33%和100%。测试集中, 黄瓜炭疽病、黄瓜褐斑病和无病区域的正确识别率分别达到83.33%、80.00%和100%,说明利用彩色图像颜色统计特征对植物病害进行识别有可行性。