基于改进YOLOv5深度学习的海上船舶识别算法

为提高多目标和雾天环境下的海上船舶识别准确率,提出一种基于改进YOLOv5深度学习的海上船舶识别模型(SE-NMS-YOLOv5),该模型结合暗通道去雾算法(Dark channel),并融合了SE(squeeze-and-excitation)注意力机制模块和改进非极大值抑制模型,对船舶数据集进行训练和测试。结果表明：在船舶识别任务上,SE-NMS-YOLOv5模型的准确率、召回率和F1值分别为90.6%、89.9%、90.5%,检测效果比YOLOv5模型分别提升了6.3%、4.8%、5.8%,比YOLOv4模型分别提升了19.1%、19.0%、19.3%;在雾天船舶识别任务上,SE-NMS-YOLOv5-Dark channel模型的准确率、召回率和F1值分别为88.1%、87.2%、87.6%,比SE-NMS-YOLOv5模型的检测结果分别提升了13.8%、13.3%、13.5%。研究表明,SE-NMS-YOLOv5海上船舶识别模型有效地解决了多目标和雾天条件下,海上船舶检测准确率低的问题,提升了船舶检测和识别的整体效果。     

基于轮廓纹理特征和线性判别分析的鲜烟叶部位识别方法

为实现鲜烟叶采收部位的数字化识别,进一步提升采收鲜烟叶素质的一致性,利用轮廓纹理特征和线性判别分析（LDA）技术对不同着生部位鲜烟叶进行研究,首先,对采集的鲜烟叶图像进行图像缩放、灰度化、二值化等预处理操作,提取狭长度、矩形度等4个轮廓特征参数,进而提取鲜烟叶图像的灰度共生矩阵（GLCM）特征,并通过LDA进行特征降维,之后利用K近邻算法（KNN）对鲜烟叶部位进行分类。结果表明,所提取未经降维处理的轮廓纹理特征在不同分类模型中的识别准确率均达到0.80以上,可有效反映鲜烟叶部位特征。相对于主成分分析（PCA）处理和未经降维处理,采用LDA降维处理的模型识别准确率最高。所构建的基于KNN算法的鲜烟叶部位识别模型,其精确率、召回率、F1分数、准确率均达到0.99,能够较好地识别鲜烟叶着生部位。     

基于多卷积神经网络融合的当归病虫害识别方法

针对目前当归产业病虫害识别方法缺失、人工提取特征存在主观因素及卷积神经网络训练需要大量数据等不足,提出1种基于多卷积神经网络融合的当归病虫害识别方法。构建当归常见病虫害数据集;选择在当归病虫害数据集中表现性能最好的ResNet50、InceptionNetV3、VGG19、DenseNet201 4个网络作为模型融合的基学习器;使用XGBoost(极度梯度提升)算法作为元学习器,得到基于多卷积神经网络融合的当归病虫害识别模型。结果表明,该融合模型比单个卷积神经网络模型具有更高的识别准确率,并优于其他融合方法融合的模型,对当归病虫害识别的查准率、查全率、F₁值分别达到98.33%、97.14%、97.68%。本研究提出的基于XGBoost融合方法融合的模型实现了当归常见病虫害的精确分类,对常见病害的识别准确率达到98.33%,为当归产业提供了一种有效的病虫害识别方法。     

基于Transformer与自适应空间特征融合的群猪目标检测算法研究

针对深度学习群猪目标检测算法精确度低和模型占用内存大等问题，提出基于Transformer与自适应空间特征融合的群猪目标检测算法。搭建群猪图像采集设备，以视频帧作为数据源，提取关键帧并剔除模糊图像，采用Labelme标注图像中猪只，建立群猪图像数据集；将Swin Transformer网络作为主干网络，在FPN后引入自适应空间特征融合方法作为特征融合网络；提出RIoU作为预测框回归损失计算方法。结果表明，该算法在精确率、召回率、F1值和平均精确率指标方面分别达到93.6%、97.2%、0.953、96.5%，检测速度为34.9 Hz且模型大小仅为20.6 MB，与YOLOv4相比上述指标分别提高1.5%、1.7%、1.6%、2.4%，模型占用内存量缩小12.5倍，检测速度提高13 Hz。研究有助于智能化猪场建设，为养殖场动物计数和行为识别等方面提供技术支持。     

小样本条件下基于数据扩充和ResNeSt的雪豹识别

  目的  红外触发相机采集的雪豹监测图像质量参差不齐,且数量有限,为了提升小样本下雪豹的识别准确率,本研究提出一种雪豹监测图像自动识别方法。  方法  该方法基于具备注意力机制的ResNeSt50模型,使用祁连山国家公园的雪豹监测图像作为原始数据集,红外触发相机拍摄的非雪豹陆生野生动物图像作为扩充负样本,网络雪豹图像作为扩充正样本,生成3种数据集并依次进行对比实验,选择合适的扩充方式引导模型逐步关注到雪豹个体关键特征,使用梯度类激活热力图可视化进一步验证数据扩充后的有效性。  结果  使用原始数据集+扩充负样本+扩充正样本训练的模型识别效果最好,热力图可视化显示模型正确关注到雪豹个体花纹与斑点特征,对比基于Vgg16和ResNet50的识别模型,ResNeSt50的识别效果最好,测试集识别准确率达到97.70%,精确率97.26%,召回率97.59%。  结论  采用本研究提出的原始数据集+扩充负样本+扩充正样本数据扩充方法训练的模型,可以区分背景与前景,且对雪豹本身特征具有较强的判别能力,泛化能力最好。      

基于深度学习的渔业领域命名实体识别

为了解决基于分词的渔业领域命名实体识别效果受分词准确度影响这一问题,采用一种基于深度学习的渔业领域命名实体识别方法。该方法使用神经网络训练得到字向量作为模型输入,避免了分词不准确对渔业领域命名实体识别效果造成的影响;针对渔业领域命名实体长度较长这一特点,使用LSTM单元保持较长时间记忆信息,并将标记信息融入到CRF模型中构建Character+LSTM+CRF实体识别模型。为验证方法的有效性,在渔业领域语料集上进行多组实验,结果表明,本研究中提出的Character+LSTM+CRF方法具有较好的效果,与LSTM模型相比较,在准确率、召回率、F值上分别提升了3.39%、2.99%、3.19%,对于渔业领域实体识别具有较好的效果。     

基于Faster-RCNN的自然环境下油茶果检测研究

利用Faster-RCNN卷积神经网络模型检测了自然环境中的油茶果图像。首先对3820副油茶果图像进行标注,然后通过VGG16网络提取油茶果的特征,送入RPN层进行分类和校准,最后对油茶果进行分类回归。对100幅含有696个油茶果的图像进行检测验证,检测结果表明:平均识别率为92.39%,准确率为98.92%,召回率为93.32%,F1值为96.04%;平均每幅图像的识别时间为0.21 s,能满足油茶果实时检测的要求。     

基于k-DT-LR融合模型的农村商业医疗保险潜在客户识别分析

为促进农村商业医疗保险的发展,提出了一种基于k-近邻算法、决策树算法和逻辑回归算法的kDT-LR融合模型,动态地为集成中的每个学习器分配有效能力,并根据CGSS2017家户调查数据,构建农村商业医疗保险潜在客户识别模型。结果表明,k-DT-LR融合模型算法的分类准确率达到90.024%,召回率达到91.402%,能够精确地识别出农村商业医疗保险潜在客户。     

基于深度学习决策融合的非侵入式负荷分类的研究

针对负荷分类中单一特征在负荷特征相似时的局限以及不同负荷分类模型在不同特征下的适用性存在较大差异,提出一种基于多稳态特征建模和深度学习决策融合的非侵入式负荷分类方法。首先采集原始负荷数据,从中提取电流谐波(H)、有功功率(P)、无功功率(Q)和V-I轨迹图等电气特征,然后组合P、Q、H得到PQH特征。为降低PQH组合特征之间的数量级差异,利用z-score方法将PQH特征进行归一化预处理;为减小V-I轨迹图对神经网络性能的影响,使用图像二值化方法将V-I轨迹图进行预处理。处理后的PQH特征和V-I轨迹二值图分别在LSTM模型和CNN模型上进行训练,利用决策融合方法构建负荷分类模型。通过PLAID公共数据集进行模型测试,使用准确率A、精确率P、召回率R和F1值4种评价指标和混淆矩阵验证模型效果。结果表明,决策融合模型的辨识结果(平均A、P、R和F1值分别为99.32%、96.36%、96.36%、96.34%)优于LSTM模型(平均A、P、R和F1值分别为98.57%、94.04%、92.47%、92.21%)和CNN模型(平均A、P、R和F1值分别为98.45%、92.11%、91.94%、91.94%)的辨识结果,组合特征和决策融合方法能够从多维度实现负荷分类,弥补单一特征和单一算法的不足,提高负荷分类效果。     

基于Logistic算法与遥感影像的棉花虫害监测研究

【目的】借助多光谱遥感影像和Logistic算法,实现对棉田虫害的田间监测。【方法】以患虫害棉花区域为研究对象,利用无人机获取棉田多光谱遥感影像,并对影像进行预处理;结合受虫害棉花光谱特征,利用虫害敏感波段反射率与植被指数构建Logistic回归模型,开展棉花虫害识别监测研究。【结果】由土壤调节植被指数(Soil adjusted vegetation index,SAVI)模型和归一化植被指数(Normalized vegetation index,NDVI)模型构建的棉蚜虫、棉红蜘蛛、棉铃虫识别模型为最优模型,其训练样本准确率达到93.7%,测试样本准确率达到90.5%,召回率为96.6%,F1值为93.5%,对棉蚜虫、棉红蜘蛛和棉铃虫的识别模型决定系数分别为0.942、0.851和0.663。【结论】该模型可满足棉田中棉蚜虫、棉红蜘蛛和棉铃虫3种虫害的发生区域识别,且可基本满足棉田精准植保作业相关要求。     

基于机器视觉的断奶仔猪腹泻自动识别方法

[目的]断奶仔猪腹泻严重影响养猪业的经济效益,本试验基于机器视觉技术提出一种排泄姿态与异常粪便结合的断奶仔猪腹泻检测方法以实现断奶仔猪腹泻的快速、准确检测。[方法]以深层卷积神经网络(convolutional neural networks,CNN)为基础构建腹泻检测分类模型,实现仔猪身份、姿态与异常粪便的一体化识别,对比不同迭代次数对模型效果的影响,选取最优模型;提出时空信息融合判定法,从时间序列先后和空间距离远近两方面,关联最优模型识别出的目标姿态与病便,实现断奶仔猪腹泻的视频检测。[结果]在训练迭代25 000次时接近模型最优值,对姿态、病便等目标识别的平均精度均值和召回率分别为95.75%和89.13%;基于时空信息融合方法的断奶仔猪腹泻视频检测识别准确率和召回率分别为97.92%和95.92%。[结论]深层卷积神经网络分类模型结合时空信息融合判定法为断奶仔猪腹泻自动识别提供了有力的技术支撑。     

基于图像特征融合的农事活动行为的识别

针对农事活动图像中人体姿态所隐含的行为信息以及人与农具所隐含的关联信息,提出了一种基于图像特征融合的农事活动行为的识别方法：利用人体姿态估计技术OpenPose提取农事行为关节点位置信息,利用目标检测YOLOv3提取农事行为中农具的位置和分类信息,用以构建农事行为的距离空间特征矩阵和角度空间特征矩阵,并将这些特征进行图像特征融合,建立基于图像显式特征和隐式特征融合的农事活动行为识别方法EI–SVM,实现农事活动行为的识别。试验结果表明,EI–SVM方法对农事活动行为识别的准确率可达94.87%,在公用数据集上准确率达到92.39%。     

融合注意力机制和BiLSTM+CRF的渔业标准命名实体识别

为了解决渔业标准文本中专有命名实体具有上下文敏感性、长序列存在语义稀释等问题,提出了基于E-BIO标注法和融合注意力机制的BiLSTM+CRF (BiLSTM+Attention+CRF)命名实体识别模型,E-BIO标注法引入渔业标准文本中的结构化信息,可以使模型有效学习上下文结构特征,而注意力机制输出不断变化的语义向量,可有效解决长序列语义稀释问题。为验证所提出方法的有效性,在采用E-BIO方法标注的语料上进行对比试验,结果显示,BiLSTM+Attention+CRF模型对不同类别的渔业标准命名实体识别的准确率均能达到90%以上,召回率均能达到85%以上。研究表明,本研究中提出的BiLSTM+Attention+CRF命名实体识别模型可以有效利用上下文结构特征,避免了语义稀释问题,对于渔业标准命名实体识别具有较好的识别性能。     

基于CSJMM-AS-GAC的马陆葡萄病虫害识别研究

为了提高马陆葡萄病虫害的识别准确率,有效地进行马陆葡萄病虫害防控,对测地线活动轮廓模型（GAC）进行改进,通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分,从而实现准确分割病虫害图像模糊和凹陷边界,提出并建立了精确分割测地线活动轮廓模型（ASGAC）。接下来为了克服复杂背景下训练样本不足造成的误差,提出了Core损失函数,建立了CoreSoftmax联合监督机制（CSJMM）,从而确立了基于CSJMM的精确分割测地线活动轮廓模型（CSJMM-ASGAC）。结果表明,CSJMM-AS-GAC训练集初始准确率为65.46%,验证集准确率为95.67%,测试集准确率为93.95%,Kappa系数达到0.913 8,召回率达到89.21%,CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06%。CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型。     

基于RoBERTa多特征融合的棉花病虫害命名实体识别

针对棉花病虫害文本语料数据匮乏且缺少中文命名实体识别语料库,棉花病虫害实体内容复杂、类型多样且分布不均等问题,构建了包含11种类别的棉花病虫害中文实体识别语料库CDIPNER,提出了一种基于RoBERTa多特征融合的命名实体识别模型。该模型采用掩码学习能力更强的RoBERTa预训练模型进行字符级嵌入向量转换,通过BiLSTM和IDCNN模型联合抽取特征向量,分别捕捉文本的时序和空间特征,使用多头自注意力机制将抽取的特征向量进行融合,最后利用CRF算法生成预测序列。结果表明,该模型对于棉花病虫害文本中命名实体的识别精确率为96.60%,召回率为95.76%,F1值为96.18%;在ResumeNER等公开数据集上也有较好的效果。表明该模型能有效地识别棉花病虫害命名实体且具有一定的泛化能力。     

基于改进BiRTE的渔业健康养殖标准复杂关系抽取

为解决渔业健康养殖标准文本关系抽取领域特定性强、语意复杂导致关系抽取准确率不高等问题,提出了基于改进BiRTE的渔业健康养殖标准复杂关系抽取方法,针对实体和语义关联建模,将RoBERTa作为编码器,采用全词掩码和动态掩码的方式增强词向量特征表示,并在此基础上融合了自注意力机制(Self-Attention, SelfATT)将实体特征与关系特征结合聚焦,加强实体抽取与关系预测的联系,从而提升渔业标准文本抽取的准确性。结果表明：本文提出的基于改进BiRTE的渔业健康养殖标准复杂关系抽取模型(RoBERTa-BiRTE-SelfATT)对渔业标准复杂关系抽取的准确率、召回率和F1值分别为95.9%、95.4%、95.7%,较BiRTE模型分别提升了4.2%、3.1%、3.8%。研究表明,本文提出的渔业健康养殖标准复杂关系抽取模型RoBERTa-BiRTE-SelfATT可以有效解决渔业标准文本关系抽取中专有名词识别不准确、语意复杂导致实体关系难以抽取的问题,是一种有效的渔业标准复杂关系抽取方法。     

基于计算机视觉和XGBoost的虾体活力检测

以南美白对虾为研究对象,提出一种基于计算机视觉和XGBoost的虾体活力检测方法：跟踪对虾应激前后的运动轨迹,提取运动行为特征参数;根据应激性红体现象提取对虾的颜色特征,通过灰度共生矩阵(GLCM)提取虾体应激形成水面波动的纹理特征;运用XGBoost 算法筛选出评价因子,通过加权融合确定评价因子的最佳权重;根据融合后特征对虾体活力强度进行检测。结果表明,提出的方法决定系数为0.905 6,识别准确率为98.61%,较单一颜色、单一纹理以及光流与纹理相结合的方法,识别准确率分别提高6.63%、2.05%和1.61%。     

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。     

基于改进YOLOv5网络的疏果前苹果检测方法

为了实现自然环境下疏果前苹果的快速识别和精确定位，满足果园智能化种植需求，提出了一种基于改进的YOLOv5深度学习的检测模型。首先，为了解决苹果的尺度大小不一带来的问题，改进目标检测层，在YOLOv5的第17层之后对特征图进行上采样，在第20层将网络提取到的特征图与Backbone网络中的第2层特征图进行融合操作，以生成不同尺寸的检测层。其次，为了克服复杂环境的影响，改进特征融合网络，使用BiFPN(Bidirectional Feature Pyramid Network))进行特征融合，来更有效地提取目标信息。最后，将采集到的苹果图像进行不同网络模型检测效果对比试验。试验表明，改进的模型经过8 274幅图像训练，在2 759幅测试集上的检测准确率为94.2%,召回率为95.2%,F₁值为94.7%;相比YOLOv3、YOLOv4、原YOLOv5网络，准确率分别提高了4.4%、7.0%、2.3%,F₁值分别提高6.1%、6.5%、2.6%;相比YOLOv3、YOLOv4网络，图像的检测速度分别提高了13.5、21.4 ms/幅。结果表明，在...     

基于多任务学习农作物叶片病害诊断方法

为了快速、准确判别农作物叶片病害图像的病害类型及病害程度，提出基于多任务学习的诊断方法。引入通道和空间注意力模型，对经典的MobileNetV3网络模型进行改进，并在此基础上构建基于特征金字塔的多任务深度卷积神经网络模型，实现作物类型、病害类型和病害程度的精准识别。采用多种图像增强方法对农作物叶片病害图像进行扩展，对改进前后模型与其他图像识别模型在农作物病害叶片识别性能上进行对比试验，并探究在有无数据增强处理条件下不同模型的性能。结果表明：该模型在作物类型识别、病害类型识别与病害程度识别任务上，平均准确率比原模型分别提升1.38、2.24和2.03个百分点；召回率比原模型分别提升2.38、1.62和1.18个百分点；对比MobileNetV3,InceptionV3、YOLOv7模型，该模型在上述3个任务上平均识别准确率和召回率均达到最高。