基于CNN的玉米种子内部裂纹图像检测系统

为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。     

基于YOLO v5-MDC的重度粘连小麦籽粒检测方法

小麦籽粒检测在千粒质量计算及作物育种方面有着重要应用,重度粘连籽粒的有效检测是其关键。本研究设计了一种YOLO v5-MDC的轻量型网络用于重度粘连小麦籽粒检测。该网络在YOLO v5s检测网络的基础上,用混合深度可分离卷积(Mixed depthwise convolutional, MDC)模块进行改进,同时将MDC模块与压缩激励(Squeeze and excitation, SE)模块相结合,以达到在基本不损失模型精度的前提下减少模型参数的目的。YOLO v5-MDC网络将YOLO v5s特征提取网络骨干部分的卷积、归一化、激活函数(Convolution, Batch normal, Hardswish, CBH)模块替换为MDC模块,减少了模型的参数,经过500次迭代训练,模型的精确率P为93.15%,召回率R为99.96%,平均精度均值(mAP)为99.46%。根据模型在测试集上的检测效果,本研究探究了训练次数、不同光源与不同拍摄距离对模型检测结果的影响,统计结果表明,在绿色光源下模型检测精确率最高,为98.00%,在5 cm拍摄高度下图像的检测精确率最高,为98.60%...     

基于深度学习ImCascade R-CNN的小麦籽粒表形鉴定方法

[目的/意义]培育优质高产的小麦品种是小麦育种的主要目标,而小麦籽粒完整性直接影响小麦育种进程。完整籽粒与破损籽粒的部分特征差异较小,是限制基于深度学习识别破损小麦籽粒精准度的关键因素。[方法]为解决小麦籽粒检测精度低的问题,本研究建立ImCascade R-CNN模型,提出小麦籽粒表形鉴定方法,精准检测小麦籽粒完整性、分割籽粒并获取完整籽粒表形参数。[结果和讨论] ImCascade R-CNN模型检测小麦籽粒完整性的平均精度为90.2%,与Cascade Mask R-CNN、Deeplabv3+模型相比,能更好地识别、定位、分割小麦籽粒,为籽粒表形参数地获取提供基础。该方法测量粒长、粒宽的平均误差率分别为2.15%和3.74%,测量长宽比的标准误差为0.15,与人工测量值具有较高的一致性。[结论]研究结果可快速精准检测籽粒完整性、获取完整籽粒表形数据,加速培育优质高产小麦品种。     

基于卷积神经网络的油茶籽完整性识别方法

针对现有油茶籽色选机无法识别碎籽的问题,提出一种基于卷积神经网络的油茶籽完整性识别算法。以油茶籽完整性识别为目标,构建油茶籽图像库;基于油茶籽完整性识别任务要求,通过对Alex Net网络进行优化得到适合油茶籽完整性识别的卷积神经网络模型,该网络具有4层卷积层、2层归一化层、3层池化层和1层全连接层。为了提高网络分类准确率和实时性,从网络结构简化和超参数优化两方面对卷积神经网络进行优化,最终网络结构(CO-Net)的分类准确率、训练收敛速度和泛化性能均得到了提高。实验结果表明,优化后的网络对油茶籽完整性识别准确率达98.05%,训练时间为0.58 h,模型规模为1.65 MB,单幅油茶籽图像检测平均耗时13.91 ms,可以满足油茶籽在线实时分选的要求。     

基于LabVIEW的小麦生物量检测系统

为了快速、无损地测量小麦生物量,根据小麦茎秆的力学特性,设计了一种基于LabVIEW的小麦生物量检测系统。以压力传感器为测量元件,以阿尔泰DAM—3056AH为高速采集模块,获取的小麦受推杆作用产生的回弹力信号由LabVIEW测量系统完成数据的实时采集、显示和保存。利用该检测系统在田间进行小麦生物量检测试验,以验证系统的性能。试验结果表明不同品种的小麦茎秆回弹力具有明显的差异,小麦茎秆回弹力与生物量（鲜质量）具有一定的相关性,采用线性回归法建立两者之间的回归模型,模型的决定系数R2达到0.7127。结果表明基于力学原理进行小麦生物量检测是可行的。     

小麦籽粒多酚氧化酶测定方法的研究

以邻苯二酚溶液为底物,采用分光光度法在410nm处测定小麦籽粒多酚氧化酶活性大小。并研究反应温度、底物浓度和酶液浓度等因素对其活性测定的影响。结果表明:以上测定指标对酶活性测定的影响非常明显。     

基于深度学习的水果图像识别系统

随着模式识别领域不断的发展,图像识别作为该领域中的典型应用,受到了众多学者的关注,尤其是在图像快速识别方面。对此,该文将从深度学习的概述入手,选择卷积神经网络算法应用于水果图像识别中。通过对卷积神经网络算法的网络结构以及卷积神经网络训练过程的详细分析,采用卷积神经网络架构设计、分类器设计建构了基于卷积神经网络的水果图像识别系统。并将识别结果与传统水果图像识别结果进行对比验证,为水果图像识别领域提供参考。      

基于密度估计和VGG-Two的大豆籽粒快速计数方法

为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法,加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型,该模型基于VGG16,结合密度估计方法,实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试,分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明,快速目标点标注方法标注37,563个大豆籽粒只需花费197 min,比普通人工标注节约了1592 min,减少约\mathrm{96}\%的人工工作量,大幅降低时间成本和人工成本;采用VGG-T模型计数,其评估指标在原图和补丁（patch）情况下的平均绝对误差分别为\mathrm{0.6}和\mathrm{0.2},均方误差为0.6和0.3,准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中,误差波动较小,仍具有优良的计数性能,同时与人工计数和数粒仪相比,计数11,350个大豆籽粒分别节省大约\mathrm{2.493}\text{?}\mathrm{h}和\mathrm{0.203}\text{?}\mathrm{h},实现大豆籽粒的快速计数任务。     

小麦联合收割机籽粒损失的原因和解决方法

据调查,小麦联合收割机作业过程中掉籽多,是跨区作业机手与农民发生纠纷的原因之一。本文从小麦联合收割机结构上分析汇总了造成机器籽粒损失的多种原因,提出解决方法,希望有助于农机手减少小麦机收损失,提高机收质量。     

基于FLUENT的小麦籽粒对辊粉磨流场模拟

为了研究小麦籽粒对辊粉磨过程中压力分布规律,本文运用计算流体动力学软件FLUENT对粉磨流场进行了模拟,直观显示了粉磨工作区域内的流场特性和压力分布规律;对快辊转速分别为250r/min、300r/min和400r/min以及快、慢辊速比分别为1.21、1.25和1.27等不同操作参数下的粉磨流场进行了流场模拟,结果显示,快辊转速为300r/min,速比为1.25时为最佳工作状态.     

基于卷积神经网络的冬小麦麦穗检测计数系统

为进一步提高大田环境下麦穗识别与检测计数的准确性,基于图像处理和深度学习技术,设计并实现了基于卷积神经网络的冬小麦麦穗检测计数系统。根据大田环境下采集的开花期冬小麦图像特点,提取麦穗、叶片、阴影3类标签图像构建数据集,研究适用于冬小麦麦穗识别的卷积神经网络结构,构建了冬小麦麦穗识别模型,并采用梯度下降法对模型进行训练;将构建的冬小麦麦穗识别模型与非极大值抑制结合,进行冬小麦麦穗计数。试验结果表明,该系统构建的冬小麦麦穗识别模型能够有效地克服大田环境下的噪声,实现麦穗的快速、准确识别,总体识别正确率达到99. 6%,其中麦穗识别正确率为99. 9%,阴影识别正确率为99. 7%,叶片识别正确率为99. 3%。对100幅冬小麦图像进行麦穗计数测试,采用决定系数和归一化均方根误差(NRMSE)进行正确率定量评价,结果表明,该系统计数结果与人工计数结果线性拟合的R~2为0. 62,NRMSE为11. 73%,能够满足冬小麦麦穗检测计数的实际要求。     

基于卷积神经网络的空心村高分影像建筑物检测方法

基于卷积神经网络(CNN)提出了一种适用于空心村高分影像的建筑物自动检测方法,该方法利用多尺度显著性检测来获取包含建筑物信息的显著性区域,然后通过滑动窗口获取显著性区域内目标样本块,再将这些样本块输入训练好的CNN并结合SVM来实现分类。为检验方法有效性,选取高分影像进行实验,结果表明,显著性检测能够有效地获取主要目标,减弱其他无关目标的影响,降低数据冗余;卷积神经网络能够自动学习高层次的特征,基于CNN对高分影像进行建筑物检测,分类准确度可以达到97.6%,表明该方法具有较好的鲁棒性和有效性。     

基于SIRI和CNN的苹果隐性损伤检测方法

苹果从采摘到销售过程中易发生机械损伤,需要及时剔除以避免腐烂变质。然而机械损伤早期苹果外观颜色变化不明显,通常表现为隐性损伤,检测比较困难。提出了一种基于结构光反射成像(SIRI)和卷积神经网络(CNN)的苹果隐性损伤检测方法。通过搭建SIRI系统,采集待测苹果调制的结构光图像,再利用三相位解调法提取交流分量,增强苹果隐性损伤对比度;然后利用交流分量图像制作苹果隐性损伤数据集,并使用基于CNN的语义分割网络FCN、UNet、HRNet、PSPNet、DeepLabv3+、LRASPP和SegNet训练损伤检测模型,多组试验结果表明上述模型均能有效地检测出不同情况下的苹果隐性损伤。其中HRNet模型精确率、召回率、F1值和平均交并比较高,分别为97.96%、97.52%、97.74%和97.58%,但检测速度仅为60 f/s; PSPNet模型检测速度较快,可达到217 f/s,但其检测精度略低,精确率、召回率、F1值和平均交并比分别为97.10%、94.57%、95.82%和95.90%。     

基于Faster R-CNN的田间西兰花幼苗图像检测方法

为解决自然环境下作物识别率不高、鲁棒性不强等问题,以西兰花幼苗为研究对象,提出了一种基于Faster R-CNN模型的作物检测方法。根据田间环境特点,采集不同光照强度、不同地面含水率和不同杂草密度下的西兰花幼苗图像,以确保样本多样性,并通过数据增强手段扩大样本量,制作PASCAL VOC格式数据集。针对此数据集训练Faster R-CNN模型,通过设计ResNet101、ResNet50与VGG16网络的对比试验,确定ResNet101网络为最优特征提取网络,其平均精度为90. 89%,平均检测时间249 ms。在此基础上优化网络超参数,确定Dropout值为0. 6时,模型识别效果最佳,其平均精度达到91. 73%。结果表明,本文方法能够对自然环境下的西兰花幼苗进行有效检测,可为农业智能除草作业中的作物识别提供借鉴。     

基于迁移学习的卷积神经网络植物叶片图像识别方法

为了提高植物叶片图像的识别准确率,考虑到植物叶片数据库属于小样本数据库,提出了一种基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行预处理,通过对原图的随机水平、垂直翻转、随机缩放操作,扩充植物叶片图像数据集,对扩充后的叶片图像数据集样本进行去均值操作,并以4∶1的比例划分为训练集和测试集;然后将训练好的模型（AlexNet、InceptionV3）在植物叶片图像数据集上进行迁移训练,保留预训练模型所有卷积层的参数,只替换最后一层全连接层,使其能够适应植物叶片图像的识别;最后将本文方法与支持向量机(SVM)方法、深度信念网络(DBN)方法、卷积神经网络(CNN)方法在ICL数据库进行对比实验。实验使用Tensorflow训练网络模型,实验结果由TensorBoard可视化得到的数据绘制而成。结果表明,利用AlexNet、InceptionV3预训练模型得到的测试集准确率分别为95.31%、95.40%,有效提高了识别准确率。     

基于SCResNeSt的低分辨率水稻害虫图像识别方法

针对稻田自然环境下害虫移动,难以近距离拍摄高质量图像,导致在现有识别模型检测时无法达到满意识别精度的问题,提出了一种基于SCResNeSt的低分辨率水稻害虫图像识别方法。首先,使用增强型超分辨率生成对抗网络（ESRGAN）对低分辨率图像进行数据增强,解决低分辨率水稻害虫有效信息少的问题;其次构建了SCResNeSt网络,使用3个连续的3×3卷积层替换ResNet50中第1个7×7卷积,以减少计算量;使用自校准卷积替代第2层卷积层中的3×3卷积,通过内部通信显式地扩展每个卷积层的视场,获取害虫图像的部分背景信息,从而丰富输出特征;在主干网络中使用ResNeSt block（Split-attention network block）进一步提升图像中害虫信息获取的准确性。最终,将优选模型移植到手机端,开发了轻量化的移动端水稻害虫识别系统。实验结果表明,与现有方法对比,ESRGAN数据增强方法可以恢复真实的作物害虫信息,SCResNeSt模型有效提高了水稻害虫的识别性能,识别精度达到91.20%,比原始ResNet50网络提高3.2个百分点,满足野外实际场景下的应用需求。本研究为水稻害虫智能化识别和防治提供了技术基础。     

基于大数据的拖拉机发动机故障检测系统设计

针对拖拉机发动机检修人员技术水平较低、故障检测系统依赖人工检验程度较高的问题,基于大数据对拖拉机发动机故障检测系统进行了设计.系统主要组成为数据采集模块、数据库、智能分析模块、检测模块、信息查询和维护模块和检修模块.为了避免人工操作对故障检测的干扰,采用卷积神经网络的故障检测方式对拖拉机发动机进行故障类型识别,并对卷积...