基于Inception-CSA深度学习模型的鸟鸣分类

为进一步提高通过声音识别鸟类的精确度，本研究提出基于Inception-CSA深度学习模型的鸟鸣声分类方法，包含鸟鸣声音频样本预处理、特征提取、分类器分类等步骤。首先将鸟鸣声样本预处理成尺寸相同的梅尔频谱图，作为鸟鸣声特征图；其次利用Inception-CSA模型对鸟鸣声特征图进行特征提取，其中Inception模块提取鸟鸣声特征图中的多尺度局部时频域特征，CSA模块获取鸟鸣声特征图的全局注意力权重，将二者的输出结合得到更强的特征图，再次利用最大池化层对特征图进行下采样；最后利用全连接层进行分类，得到最终的分类结果。以采集的华南地区自然环境中的10种野生鸟类的鸣叫声构建数据集，用于实验部分以验证方法的有效性。结果表明，本研究提出的方法在自建数据集上准确率达到了93.11%，相比于基于其他经典模型的分类方法，基于Inception-CSA模型的分类方法在拥有较少模型参数量的同时达到了更高的准确率。     

基于注意力残差机制的细粒度番茄病害识别

【目的】解决温室环境下细粒度番茄病害识别方法不足问题。【方法】以早、晚期5种番茄病害叶片为研究对象,提出一种基于注意力与残差思想相结合的新型卷积神经网络模型ARNet。通过引入多层注意力模块,层次化抽取病害分类信息,解决早期病害部位分散、特征难以提取难题;为避免网络训练出现退化现象,构建残差模块有效融合高低阶特征,同时引入数据扩充技术以防止模型过拟合。【结果】对44 295张早、晚期病害叶片数据集进行模型训练与测试的结果表明,与VGG16等现有模型相比,ARNet具有更好的分类表现,其平均识别准确率达到88.2%,显著高于其他模型。ARNet对早期病害识别准确率明显优于晚期病害,验证了注意力机制在提取细微区域特征上的有效性,且在训练过程中未发生过度抖动的状况。【结论】本文提出的模型具有较强鲁棒性和较高稳定性,在实际应用中可为细粒度番茄病害智能诊断提供参考。     

基于多尺度特征度量元学习的玉米叶片病害识别模型研究

传统基于深度学习的玉米叶片病害检测模型检测精度不高、模型参数量大，基于此，提出一种融合多尺度、无参数度量学习的玉米叶片病害识别算法模型。首先，利用Vgg-16、Swin Transformer网络，将玉米叶片病害图片映射到全局和局部特征空间；然后，利用多尺度特征融合网络，实现全局和局部特征的深度融合，强化特征的分类能力；最后，利用无参数元学习网络，实现待测玉米叶片病害图片与特征集之间的度量，根据度量结果，实现玉米叶片病害的快速定位与识别。在开源Plant Village数据集、自建玉米叶片病害数据集上进行了测试，所提出模型的识别准确率分别为97.45%、96.39%,同时保持了较低的识别时间开销；相比其他经典玉米叶片病害识别模型，具有更强的鲁棒性和泛化性能。     

基于小样本学习的马铃薯叶片病害检测

马铃薯叶片的病害将直接导致马铃薯产量和质量的下降,为实现马铃薯叶片病害的精确检测并及时预防病变,提出了一种基于小样本学习的马铃薯叶片病害检测算法。首先,利用一组共享权重的特征提取器将输入图片映射到深度特征空间;然后,提出一种任务感知注意力模块用于融合小样本学习网络中的双分支输入特征,强化目标任务的特定表达能力;最后,引入一种动态卷积模块提高卷积核的建模能力,并将卷积块注意力机制(CBAM)嵌入到该卷积网络中,构造特征强化学习模块,细粒度地捕获病害区域的细节特征。通过在开源马铃薯叶片病害检测数据集上进行测试,所提出模型分别实现了93.92%的准确率、93.81%的精准率、93.85%的召回率和93.63%的F₁值;此外,在自建数据集上与当前经典马铃薯叶片病害检测模型相比,同样具有较好的竞争力。     

基于改进UPerNet和国产高分遥感数据的冬小麦种植区提取

遥感技术能够获取大区域下冬小麦的空间分布，为冬小麦估产提供良好基础。基于2020年5月4日的高分2号多光谱卫星影像，构建包含光谱特征和植被指数的数据集，并通过改进UPerNet模型的上采样结构、激活函数以及增加注意力模块来优化模型提取冬小麦效果。选取杨凌示范区2块地物类型丰富地区作为研究区域，以此探究方法的可行性；然后基于最优方法，提取杨凌区冬小麦种植区域。研究区域结果表明，与仅使用光谱信息作为模型输入特征相比，基于多光谱和植被指数的分类效果更好。在融合光谱特征和植被指数的数据集上，改进的UPerNet模型分类精度最高，冬小麦提取精度为97.78%,总体分类精度相比于改进前的UPerNet提升了2.49%,对比DeepLab V3+提升了3.48%。基于改进方法，实现了杨凌示范区的冬小麦种植区提取；通过实地调查以及对比统计年鉴数据的方式，验证了杨凌示范区冬小麦空间分布与实际情况基本一致。改进后的UPerNet模型能够有效区分遥感数据中的地物类别，提升冬小麦种植区域提取精度，也为基于卫星影像获取冬小麦空间分布提供了技术支持。     

基于统计纹理残差学习网络的葡萄叶片分类方法

针对葡萄叶片类间相似度高导致的类内品种分类精度低的问题,构建一种改进的统计纹理残差学习网络（statistical texture residual learning network, STRLNet）的葡萄叶片分类方法。首先在ResNet50骨干网络的基础上添加SE注意力机制,然后构建底层信息的特征增强层,最后将增强后的底层特征与骨干网络提取的高层语义信息相融合,输出连接到用于存储分类特性的全连接层上。利用采集的11种成熟期葡萄叶片数据集进行训练测试,结果显示,STRLNet在提高网络空间性能的同时可充分利用底层特征信息,对构建的葡萄叶片数据集的分类准确率可以达到92.26%,相较于ResNet骨干网络提高了约2.8个百分点,与VGG16、Inception v4和ResNet等主流分类网络相比在葡萄叶片细粒度分类中具有更高的准确性。研究结果表明,在多品种的葡萄叶片分类任务中,改进后的模型相较于骨干网络可以关注到更多的特征信息,相较于主流分类网络模型可以获得更高的分类精度,模型性能得到进一步的提升。     

基于特征融合Transformer的EfficientNet v2网络对马铃薯叶片病害的识别

马铃薯叶片病害是影响马铃薯质量和产量的主要因素,为了能够快速准确地识别马铃薯叶片病害并采取对应的防控和救治措施,本研究提出一种新型马铃薯叶片病害识别方法。该方法利用EfficientNet v2网络提取图像特征,通过4个不同尺度的网络层进行金字塔融合,从而捕捉不同尺度下的图像细节和上下文信息,并在金字塔融合中的每个下采样环节都添加1个CBAM注意力机制模块,且每个CBAM模块后都加入Vision Transformer的Encoder模块进行特征增强,帮助提升所提取特征的丰富性和抽象能力,最后使用softmax进行分类。研究提出的模型识别准确率达到98.26%,相比改进之前提升3.47百分点,且其loss收敛更快,宏平均值与加权平均值都有明显提升。消融试验表明,该模型在各项指标上的表现最优,超过基线模型和融合模型,大幅提高图像分类识别任务模型的性能表现。该方法可有效提高病害区域的识别能力和检测准确率,且能在强干扰的环境下做到高精度识别,具有良好的鲁棒性和适应性,同时能解决病害识别中泛化能力弱、精度低、计算效率低等问题。     

基于轻量级SE-PPM的自然状态烟叶正副组分类算法

【目的】针对自然状态烟叶传统正副组分类速度慢、正副组易错分、特征提取困难的问题,提出了一种基于轻量级SE PPM的自然状态烟叶正副组分类算法（SAPMDSNet）。【方法】基于轻量级ShuffleNetV2网络,先通过降低网络卷积深度和进化激活函数,加快网络模型的训练速度;再引入通道注意力机制SE模块,增强通道间的特征差异,提高网络模型的表征能力,避免正副组烟叶叶部区域化导致的组别错分;最后通过嵌入金字塔池化模块PPM充分融合烟叶显露特征与全局信息,增强对正副组烟叶上下文信息的聚合,并采用自行构建的烟叶数据集进行对比试验。【结果】SAPMDSNet网络模型的分类准确率为91.09%,计算量（FLOPs）为151.70 M,取得了相对较高的分类效果。与原网络ShuffleNetV2模型和轻量级GhostNet模型相比,SAPMDSNet网络模型的FLOPs分别升高2.65%和2.84%,而识别准确率则分别提高2.72和21.13个百分点;MobileNetV2、DenseNet和SqueezeNet模型的识别准确率分别为87.02%,89.53%和87.60%,虽均与SAPMDSNet模型的识别准确率接近,但其FLOPs明显较SAPMDSNet模型大。【结论】构建的SAPMDSNet模型能提高烟叶正副组分类精度且具有较好的整体性能,为烤烟烟叶品质初筛提供了新的思路和方法。     

基于AdaBoost算法的图像自动标注

把图像的自动标注过程转化为图像分类的过程,首先按照视觉特征对图像进行分割,提取训练图像每个区域的底层特征信息,构成训练集;然后采用AdaBoost集成分类算法,建立相应特征区域与类标签值的对应关系;再利用训练集中的分类模型对待标注区域进行分类,得到各个区域的类标签值,实现图像的自动标注.基于Corel-5k数据集的实验表明,相比其它经典算法,AdaBoost集成算法提高了运算速度,且能保持稳定的分类精度,在图像标注方面有良好的应用.     

基于改进MaxViT的辣椒病害识别分类方法

为实现复杂环境下辣椒病害的精准识别和分类,设计了一种适用于辣椒病害识别分类的方法。以辣椒在生长过程中常见的6种病害为分类研究的对象,使用数据增强的方法扩充数据集,提出一种基于MaxViT改进的MaxViT-DF模型,将MaxViT模型中的普通卷积替换为可变形卷积,使模型在提取特征时能更贴近复杂环境下的识别目标;同时在MaxViT模型施加注意力时引入特征融合模块,提高模型的全局感知能力。结果显示,改进的MaxViT-DF模型识别分类准确率达到98.10%,对6种辣椒病害的分类精度均高于95%。与ResNet-34、EfficientNetv2和VGG-16等模型相比,改进模型在收敛速度和分类精度上具有明显优势。以上结果表明,MaxViT-DF模型能够对不同种类的辣椒常见病害进行有效的分类识别。     

期刊分类介绍(一)

1、什么是核心期刊？简单地说,核心期刊是学术界通过一整套科学的方法,对于期刊质量进行跟踪评价,并以情报学理论为基础,将期刊进行分类定级,把最为重要的一级称之为核心期刊。     

蜡梅品种分类研究

在对栽培蜡梅品种系统调查的基础上,对蜡梅品种资源进行了初步分类研究。在前人研究的基础上,结合实地调查的结果,分析了蜡梅品种的主要形态特征和分类依据。遵循《国际栽培植物命名法规》与品种演化规律,同时考虑到实际应用,确定蜡梅品种分类的依据,制定蜡梅品种分类的三级标准。按照花色将蜡梅品种分为3个品种群:蜡梅品种群、白花蜡梅品种群和绿花蜡梅品种群。认为花色、内被片颜色、花型、花径大小及花期是蜡梅品种分类的主要依据,而叶片特征、果实形状、株型及枝条特征仅作为辅助依据。同时提出,进行蜡梅品种识别应抓住典型的、较为稳定的性状以及某些品种特有的个性,而非典型、不稳定的性状不应该作为品种区分的依据。     

Pattern classification by adaptive machines

Man's intelligent behavior is due in part to his ability to select, classify, and abstract significant information reaching him from his environment by way of his senses. This function, pattern recognition, has become a major focus of research by scientists working in the field of artificial intelligence. At the lowest level, pattern recognition reduces to pattern classification, which consists of the separation, into desired classes, of groups of objects, sounds, odors, events, properties, and the like; the separations are based on sets of measurements made on the entities being classified. The pattern classifier is composed of a data filter and a categorizer. The data filter selects the distinguishing features and represents them as sets of real numbers; each set is termed a pattern. The categorizer assigns each pattern to one of several desired classes. Patterns can be represented geometrically as points in an n-dimensional space; the n coordinates of each point are the numerical values of the features selected to represent the pattern. A pattern classification system separates an n-dimensional space into regions, each of which ideally contains points of only one class. One method to effect this separation is by means of ldquo;trainablerdquo; categorizers-major components of adaptive machines. They consist of networks whose internal parameters are varied according to a set of fixed rules during a training cycle. A statistically large sample of known patterns are presented, one at a time, to the networks; internal corrections are made each time a pattern is erroneously classified. Classifica-tion performance tends to improve as the set of known patterns is cycled repetitively through the machine. Finally, the adequacy of adaptation is tested by a separate set of similar patterns which have not been used in the training process. A number of different machine organizations and training rules have been developed and are being applied successfully to numerous classification problems. More difficult recognition problems requiring the aid of logioal tests and analysis, search and association, use the digital computer programmed to supplement the functions of the adaptive classifier.     

试论土地分类

针对土地分类存在的混乱问题,在综评国内外土地分类和吸取其精华的基础上,根据土地具有自然地理属性和社会经济属性这一特殊的双重性,结合笔者的科研成果与工作经验 ,建议从土地自然分类、土地资源分类和土地利用分类三个系统组成土地分类体系的思路出发, 并以浙江省为例,提出由此组成的土地分类体系试行方案.通过组编<浙江土地资源>科技专著的试用,初步证明可能是解决土地科学分类的有效途径.