基于卷积神经网络的水电机组轴心轨迹类型识别

针对常规水力机组故障类型识别需要人工参与、识别效率低下的问题,借助轴心轨迹图片蕴含的丰富信息,在引入细粒度模型对故障严重程度进行区分的基础上,提出了一种基于卷积神经网络的水力机组轴心轨迹类型的智能识别方法.该方法先建立了4种故障严重程度的评判标准和对应的2种水电机组轴心轨迹细粒度数据库;利用改进过卷积层与池化层参数的卷积神经网络模型对数据库进行了模拟计算,并和全连接网络进行了对比分析.结果证明该模型对轴心轨迹故障类型的识别率达到了98.75%,对严重程度的识别率达到了98.33%,该方法提出的关于细粒度分类的有量纲指标相比量纲一指标拥有更优的状态描述能力,也符合水力机组故障诊断的发展趋势,因此基于卷积神经网络技术的轴心轨迹识别算法对于机组故障诊断具有重要价值.     

基于轻量化VGG的植物病虫害识别

深度神经网络模型被广泛应用在植物病虫害识别任务中,并取得巨大成功.同时,这些网络的计算复杂度和参数量也在不断增加,这将对神经网络的部署提出重大挑战,尤其是在硬件资源有限的设备或实时应用上.针对该问题,提出一种轻量化的病虫害识别模型,结合Ghost模块对VGG16进行改进,同时减少模型卷积层的卷积核个数,并引入Range...     

基于农作物病害检测与识别的卷积神经网络模型研究进展

农作物病害的精准检测与识别是推动农业生产智能化与现代化发展的重要举措。随着计算机视觉技术的发展,深度学习方法已得到快速应用,利用卷积神经网络进行农作物病害检测与识别成为近年来研究的热点。基于传统农作物病害识别方法,分析传统方法的弊端所在;立足于农作物病害检测与识别的卷积神经网络模型结构,结合卷积神经网络模型发展和优化历程,针对卷积神经网络在农作物病害检测与识别的具体应用进行分类,从基于公开数据集和自建数据集的农作物病害分类识别、基于双阶段目标检测和单阶段目标检测的农作物病害目标检测以及国外和国内的农作物病害严重程度评估3个方面,对各类卷积神经网络模型研究进展进行综述,对其性能做了对比分析,指出了基于农作物病害检测与识别的卷积神经网络模型当前存在的问题有：公开数据集上识别效果良好的网络模型在自建复杂背景下的数据集上识别效果不理想;基于双阶段目标检测的农作物病害检测算法实时性差,不适于小目标的检测;基于单阶段目标检测的农作物病害检测算法在复杂背景下检测精度较低;复杂大田环境中农作物病害程度评估模型的精度较低。最后对未来研究方向进行了展望：如何获取高质量的农作物病害数据集;如何提升网络的泛化性能;如何提升大田环境中农作物监测性能;如何进行大面积植株受病的范围定位、病害严重程度的评估以及单枝植株的病害预警。     

基于深度学习及传统机器学习模型估算山东省参考作物蒸散量

为探寻深度学习模型在区域参考作物蒸散量(Reference crop evapotranspiration,ET0)估算中的适用性,以山东省为研究区域,选取了深度神经网络(DNN)、时间卷积神经网络(TCN)和长短期记忆神经网络(LSTM)3种深度学习模型,极限学习机模型(ELM)、广义回归神经网络模型(GRNN)和随...     

卷积神经网络在农业病虫害识别中的应用

利用卷积神经网络等图像处理技术研究识别作物病虫害是农业智能化未来发展的必然趋势,具有识别速度快、精度高等优点。综述了卷积神经网络的几种经典模型及其分别在农作物病虫害识别领域的应用成果;讨论了卷积神经网络在农业病虫害识别领域的局限性和发展趋势,以期更有利于卷积神经网络技术更好地帮助农业进步和经济发展。     

基于ResNet-CA的鱼群饱腹程度识别方法

投喂作为水产养殖过程中的一个关键环节,饵料的投喂量直接影响水产品的质量和养殖成本。然而,目前的投喂方法包括人工投喂和机器定时定量投喂,大多依靠人工经验,很难实现精准投喂。本文基于改进的ResNet34识别鱼群不同的饱腹程度。根据鱼群在不同饱腹阶段表现的摄食行为创建了含有5种不同饱腹程度的数据集,并采用数据增强操作对图像进行预处理。其次在原始模型ResNet34的基础上,本文提出使用坐标注意力机制,使模型在对图像进行特征提取的过程中能够做到专注于更大区域范围。并且使用深度可分离卷积的方式来代替传统卷积,减少模型参数量。为了评估改进的有效性,分析了改进后的模型在鱼群饱腹程度数据集上的性能,并将其与原模型ResNet34、AlexNet、VGG16、MobileNet-v2、GoogLeNet等经典卷积神经网络架构进行比较。综合实验结果表明,该模型相较于原模型参数量减少46.7%,准确率达到93.4%,相较于原模型提升3.4个百分点,同时改进后的模型在准确率、精确度、召回率等方面也都优于其他卷积神经网络。综上所述,本模型实现了性能与参数量之间的良好平衡,为后续模型在实际养殖环境中的部署并指导养殖户改善和制定投喂策略提供了可能。     

基于RFID和图像处理的目标物识别处理系统的研究

介绍了RFID技术和图像处理技术,研究了基于图像处理和卷积神经网络的水果识别与分类模型,设计了一套水果目标物识别处理系统,可以实现对苹果、梨子、水蜜桃和香蕉等4种水果的识别与分类。实验结果表明:卷积神经网络模型采用自主学习型的网络,识别错误率只有0.93%,相比其他传统模型分类错误率降低较多,证明了卷积神经网络模型性能优良,具有较好的可行性。     

基于DXNet模型的富士苹果外部品质分级方法研究

针对传统计算机视觉技术在苹果外部品质分级中准确率较低、鲁棒性较差等问题,提出了基于深度学习的苹果外观分级方法（多卷积神经网络融合DXNet模型）。首先,在延安市超市、果园等场所实地拍摄不同外观等级的苹果图像15000幅,并进行人工标记,建立了外部品质信息覆盖度广、样本量大的苹果图像数据库;然后,在对比分析经典卷积网络模型的基础上,采用模型融合的方式对经典模型进行优化改进,抽取经典模型卷积部分进行融合,作为特征提取器,共享全连接层用作分类器,并采用批归一化和正则化技术防止模型过拟合。试验评估采用15000幅图像进行训练、4500幅图像进行测试,结果表明,DXNet模型的分级准确率高于经典模型,分级准确率达到97.84%,验证了本文方法用于苹果外部品质分级的有效性。     

计算机视觉下的农作物病虫害图像识别研究

本文针对农作物病虫害图像识别需求,探索了基于数据增广技术的深度卷积神经网络迁移学习方法及识别模型,将原始样本量扩增至50倍,并通过抑制模型过拟合,从而提升模型的泛化能力和农作物病虫害识别的准确率.同时基于边缘计算理论方法与技术,将识别模型部署到边缘端,设计了基于计算机视觉与边缘计算的智能识别装置,通过该装置实时采集农作...     

基于卷积神经网络的蓖麻种子损伤分类研究

不同形式的机械损伤对蓖麻种子发芽生长和榨油后的蓖麻油质量影响不同,因此对产生机械损伤的蓖麻种子进行识别分类非常重要。提出了基于卷积神经网络的蓖麻种子损伤分类算法。以种壳缺失、裂纹和完整蓖麻种子（无损伤）的分类为例,构建了蓖麻种子训练集和测试集,搭建2个卷积层（每个卷积层8个卷积核）、2个池化层和1个全连接层（128个节点）,实现分类。为提高分类的准确性和实时性,调整网络结构以及优化批量尺寸参数,得到较优的网络结构和批量尺寸;利用上下左右翻转扩充样本,改变优化器、学习率以及正则化系数对该网络进行组合试验,获得准确率及效率较优的组合。通过Dropout优化减小卷积神经网络模型的过拟合。试验结果表明：卷积层为5层、池化层为5层、批量尺寸为32时,该网络模型平均测试准确率为92.52%。在组合试验中,Sgdm优化器更新网络可以提高网络的分类性能;数据扩增可以增加样本的多样性,减小过拟合现象;通过Dropout优化卷积神经网络模型的过拟合;选择学习率为0.01,正则化系数为0.0005时,模型分类准确率达到94.82%,其中种壳缺失蓖麻种子准确率为95.60%,裂纹蓖麻种子准确率为93.33%,完整蓖麻种子准确率为95.51%,平均检测单粒蓖麻种子的时间为0.1435s。最后,开发蓖麻种子损伤分类系统,验证结果为：种壳缺失蓖麻种子的准确率为96.67%,裂纹蓖麻种子的准确率为80.00%,完整蓖麻种子的准确率为86.67%。该卷积神经网络模型在损伤蓖麻种子分类时具有较高的识别准确率,可在蓖麻种子在线实时分类的检测系统中应用。     

基于残差网络和小样本学习的鱼图像识别

针对鱼种类多、数据采集难度大,且需要细粒度图像识别等问题,提出了一种基于度量学习的小样本学习方法.采用基于度量学习的小样本学习网络以及ResNet18的残差块结构,提取鱼图像的深层次特征,并将其映射至嵌入空间进而在嵌入空间判断鱼的种类.为了进一步提升识别准确率,利用小样本学习模型在mini-ImageNet数据集进行预...     

基于YOLO v5和多源数据集的水稻主要害虫识别方法

针对水稻稻纵卷叶螟和二化螟成虫图像识别中自动化程度较低的问题,引入目标检测算法YOLO v5对监测设备和诱捕器上的稻纵卷叶螟和二化螟成虫进行识别与计数。依据稻纵卷叶螟和二化螟的生物习性,采用自主研发的水稻害虫诱集与拍摄监测装置,自动获取稻纵卷叶螟和二化螟成虫图像,并与三角形诱捕器和虫情测报灯诱捕拍摄的稻纵卷叶螟和二化螟成虫图像共同构建水稻害虫图像数据集;采用左右翻转、增加对比度、上下翻转的方式增强图像数据集;对比了不同训练模型对三角形诱捕器和监测设备诱捕拍摄的水稻害虫图像的检测性能,并对比稻纵卷叶螟成虫不同训练样本量对识别结果的影响,用精确率、召回率、F1值、平均精度评估各模型的差异。测试结果表明,测试集图像为三角形诱捕器和监测设备诱捕拍摄虫害图像时,稻纵卷叶螟识别的精确率和召回率分别达到91.67%和98.30%,F1值达到94.87%,二化螟识别的精确率和召回率分别达到93.39%和98.48%,F1值达到95.87%。不同采样背景、设备构建的多源水稻害虫图像数据集可以提高模型对水稻害虫识别的准确性。基于YOLO v5算法设计的水稻害虫识别计数模型能够达到较高的识别准确率,可以用于...     

基于改进Faster R-CNN与迁移学习的农田杂草识别算法

杂草是导致农作物减产不保量的重要因素,针对田间自然环境下杂草识别精度低和识别范围局限的问题,提出一种基于改进Faster R-CNN与迁移学习的农田杂草识别算法。首先,采集多场景下不同时段不同角度的杂草图片,通过旋转、裁剪和调节色彩等方式扩充数据集;然后,在原始Faster R-CNN网络的基础上利用改进的双阈值非极大抑制算法（Non Maximum Suppression,NMS）查找置信度较高的边界框;最后,将AlexNet、GoogleNet、VGG16和ResNet50等作为模型的区域建议网络,并将其最优模型参数迁移至农田杂草识别任务中。通过在多样本数据集和少量物种样本数据集上进行测试验证,试验结果表明,算法可以实现96.58%的精确率、94.82%的召回率和95.06%的F1-score,相比当前主流算法在保持识别精度较高的基础上,具有更广的识别范围。     

基于CycleGAN和注意力增强迁移学习的小样本鱼类识别

围绕水产养殖水下目标精准识别的产业发展需求,针对小样本目标识别精度低、模型算法场景适应能力差等问题,提出一种基于改进循环对抗网络（Cycle constraint adversarial network, CycleGAN）样本扩增和注意力增强迁移学习的小样本养殖鱼类识别方法。利用水下采样装备收集实际养殖场景和可控养殖场景大黄鱼图像,并以可控场景图像作为辅助样本集。利用CycleGAN为基础框架实现辅助样本到实际养殖场景图像的迁移,并提出一种基于最大平均差异（Maximum mean discrepancy, MMD）的迁移模型损失函数优化方法。在迁移学习阶段使用ResNet50为基础框架,并引入SK-Net（Selective kernel network）注意力机制优化模型对不同感受野目标的感知能力,提升模型对无约束鱼类目标的识别精度。试验结果表明,本文方法有效提升了小样本鱼类目标的识别能力,鱼类识别召回率达到94.33%,平均精度均值达到96.67%,为鱼类行为跟踪和表型测量提供了有效的技术支撑。     

基于卷积神经网络的白背飞虱识别方法

为了实现白背飞虱虫情信息的自动收集和监测,提出一种基于卷积神经网络的白背飞虱识别方法并进行应用研究。首先,用改进的野外环境昆虫图像自动采集装置,采集田间自然状态下的白背飞虱图像,对所获取的图像进行归一化处理。然后,随机选取1/2图像样本作为训练集、1/4作为测试集。利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作。再次经过卷积操作和3×3邻域池化操作后,通过自动学习获取网络模型参数和确定网络模型参数,得到白背飞虱的最佳网络识别模型。试验结果显示,利用训练后的网络识别模型,对训练集白背飞虱的识别正确率可达96.17%,对测试集白背飞虱的识别正确率为94.14%。     

基于改进Cascade R-CNN和图像增强的夜晚鱼类检测

针对光照不均、噪声大、拍摄质量不高的夜晚水下环境,为实现夜晚水下图像中鱼类目标的快速检测,利用计算机视觉技术,提出了一种基于改进Cascade R-CNN算法和具有色彩保护的MSRCP（Multi-scale Retinex with color restoration）图像增强算法的夜晚水下鱼类目标检测方法。首先针对夜晚水下环境的视频数据,根据时间间隔,截取出相应的夜晚水下鱼类图像,对截取的原始图像进行MSRCP图像增强。然后采用DetNASNet主干网络进行网络训练和水下鱼类特征信息的提取,将提取出的特征信息输入到Cascade R-CNN模型中,并使用Soft-NMS候选框优化算法对其中的RPN网络进行优化,最后对夜晚水下鱼类目标进行检测。实验结果表明,该方法解决了夜晚水下环境中的图像降质、鱼类目标重叠检测问题,实现了对夜晚水下鱼类目标的快速检测,对夜晚水下鱼类图像目标检测的查准率达到95.81%,比Cascade R-CNN方法提高了11.57个百分点。     

基于FTVGG16卷积神经网络的鱼类识别方法

针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用Image Net大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batch normalization,BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning VGG16 convolutional neural network,FTVGG16)。测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97. 66%,对部分鱼的平均识别准确率达到了99. 43%。     

基于改进YOLO v5s的作物黄化曲叶病检测方法

作物病害的初期快速准确识别是减小作物经济损失的重要保障。针对实际生产环境中,作物叶片黄化曲叶病毒病(Yellow leaf curl virus,YLCV)患病初期无法应用传统图像处理算法通过颜色或纹理特征进行准确和快速识别,并且YOLO v5s通用模型在复杂环境下识别效果差和效率低的问题,本文提出一种集成改进的叶片病害检测识别方法。该方法通过对Plant Village公开数据集中单一患病叶片图像以及实际生产中手机拍摄获取的患病作物冠层图像两种来源制作数据集,并对图像中的患病叶片进行手动标注等操作,以实现在复杂地物背景和叶片遮挡等情况下正确识别目标,即在健康叶片、患病叶片、枯萎叶片、杂草和土壤中准确识别出所有的患病叶片。此外,用智能手机在生产现场拍摄图像,会存在手机分辨率、光线、拍摄角度等多种因素,会导致识别正确率降低等问题,需要对采集到的图像进行预处理和数据增强以提高模型识别率,通过对YOLO v5s原始模型骨干网络重复多次增加CA注意力机制模块（Coordinate attention）,增强YOLO算法对关键信息的提取能力,利用加权双向特征金字塔网络（Bidirectional feature pyramid network,BiFPN）,增强模型不同特征层的融合能力,从而提高模型的泛化能力,替换损失函数EIoU（Efficient IoU loss）,进一步优化算法模型,实现多方法叠加优化后系统对目标识别性能的综合提升。在相同试验条件下,对比YOLO v5原模型、YOLO v8、Faster R-CNN、SSD等模型,本方法的精确率P、召回率R、平均识别准确率mAP0.5、mAP0.5:0.95分别达到97.40%、94.20%、97.20%、79.10%,本文所提出的算法在提高了精确率与平均精度的同时,保持了较高的运算速度,满足对作物黄化曲叶病毒病检测的准确性与时效性的要求,并为移动端智能识别作物叶片病害提供了理论基础。     

基于非对称混洗卷积神经网络的苹果叶部病害分割

针对苹果叶部病害由于数据集类间样本不均衡和拍摄角度、光照变化等实际成像与环境因素造成的精度低和泛化能力差的问题,本文提出了一种新型的非对称混洗卷积神经网络ASNet。首先,通过在ResNeXt骨干网络中添加改进的scSE注意力机制模块增强网络提取的特征;其次,针对多数叶片病害特征分布相对分散的问题,使用非对称混洗卷积模块代替原始的残差模块来扩大卷积核的感受野和增强特征提取能力,从而提升模型的分割精度和泛化能力;最后,在非对称混洗卷积模块中使用通道压缩和通道混洗的方式弥补了分组卷积造成的通道间关联性不足的缺陷,降低了由于叶部病害类间不均衡导致的传统网络模型精度偏低的问题。在COCO数据集评价指标下,实验结果表明,相比于骨干网络为ResNeXt-50的原始Mask R-CNN模型,本文模型的平均分割精度达到96.8%,提升了5.2个百分点,模型权重文件减小为321MB,减小了170MB。对实地采集和AI Challanger农作物病害分割挑战赛的240幅苹果叶片图像进行测试,结果表明,本文模型ASNet对苹果黑腐病、锈病与黑星病3种病害和健康叶片的平均分割精度达到94.7%。     

基于帧间深度特征差分的大西洋鲑鱼群活跃度分类模型

鱼群活跃度是鱼类健康福利养殖的特征性指标之一,实现鱼群活跃度细粒度分类有利于更精细地描述鱼群健康状况、评估鱼群福利水平。基于工厂化循环水养殖系统,本文建立了水下大西洋鲑鱼群活跃度细粒度分类视频数据集,并提出一种基于帧间深度特征差分的鱼群活跃度分类模型,通过引入残差连接的小型卷积神经网络提取视频帧的特征,进而在相邻帧之间做差分运算和平方运算得到视频帧间特征,最后将其输入基于外部注意力机制的分类网络IFDNet中得到视频类别。试验结果表明,本文提出的CNN-IFDNet模型分类准确率达到97.72%,F1值达到97.42%,以较低的计算复杂度实现了对水下视频鱼群活跃度的三分类。相较于实验室环境,基于真实养殖环境对鱼群活跃度所展开的算法研究实际应用性更强,可以为精细化描述鱼群的活跃度、实现智能监测鱼类健康状况提供参考,帮助养殖人员发现并排除导致鱼群活跃度异常的水质环境、病害等因素。