基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module,MSFF Module）;其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。     

基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测,该研究采用对称极坐标法（Symmetrized Dot Pattern,SDP）将苹果声振信号变换为雪花图,然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息,将其输入到支持向量机（Support Vector Machine,SVM）分类器,对霉心程度≤7%的苹果进行检测。研究结果表明,当时间间隔系数为25和角度放大因子为50°时,健康果与早期霉心果声振信号的SDP图形状特征差异最大,在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型,在各类SVM模型中,ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率,经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%,平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%,82.54%和82.68%,该模型不仅对多数类的健康果保持较高分类准确率,而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于堆叠沙漏网络的单分蘖水稻植株骨架提取

针对水稻栽培和遗传育种研究中单分蘖性状高通量无损提取的实际需求,该研究提出了一种基于沙漏网络模型的单分蘖水稻关键点预测和骨架提取方法。首先,对原始图像进行批量裁剪、gamma校正和锐化卷积等预处理,获取单色背景下的水稻单分蘖图像数据集;设计水稻单分蘖各器官关键点数据标注策略,构建监督数据集。然后,构建堆叠沙漏网络架构实现叶片数固定和不固定的水稻关键点检测,引入沙漏结构整合图像的多尺度特征,结合中间监督机制整合不同沙漏模块信息。叶片数一致的情况,模型预测准确率最高可达96.48%;叶片数不一致的情况,预测准确率达到82.09%。最后,根据预测关键点及其对应的语义信息连接形成植株骨架,选取茎秆长、叶片长、穗长、叶片-茎秆夹角和茎节点位置5个表型参数对生成骨架模型的实际意义进行评估,其均方根误差依次为5.82 cm、3.09 cm、1.71 cm、3.22°和2.04 cm,证明了该方法能较好地识别水稻单分蘖关键点,为水稻骨架提取提供了一种新思路,有助于加快水稻育种速度。     

低模数水玻璃对橡胶轻骨料混凝土力学性能的影响

为了了解不同掺量水玻璃对橡胶轻骨料混凝土(RLC)力学性能的影响,在RLC中加入水玻璃,并用20％粉煤灰代替水泥,制作水玻璃掺量分别为0,2％,4％,6％,8％的混凝土试块.通过核磁共振试验研究其微观孔隙变化及强度形成机理;进行对数函数曲线预测和BP神经网络强度预测,判断其可靠性并对比优劣.结果表明:水玻璃的掺入使RL...     

基于启发式Johnson算法优化BP神经网络的水产养殖产量预测模型

针对水产养殖产量预测难的现状,提出一种基于启发式Johnson算法优化的反向传播神经网络(BPNN)的产量预测模型。该模型在传统BP神经网络的基础上,针对网络训练时间长、易陷入局部最优的问题,通过启发式Johnson算法降低输入神经元维度,再结合试凑法确定神经网络隐层个数,构建启发式Johnson反向传播神经网络(HJA-BPNN)学习预测模型。实验结果表明,该模型在山东省对虾海水养殖产量预测中,预测的均方根误差小于传统BP神经网络和GM(1,1),且学习效率相比传统BP神经网络有所提升。研究表明,该学习预测模型在大量历史数据的模型构造上有更大的优势,能够缩短建模时间,同时获得良好的预测效果,为水产养殖产量预测提供了一种可行的新方法。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

农业车辆视觉实际导航环境识别与分

分析了对路径识别影响较大的变光照环境、杂草环境和阴影环境对农业车辆导航路径的影响,提出一种实际环境中的农业车辆视觉导航研究方法,即先采用神经网络算法对农田环境进行自动分类,然后再相应的选择不同的路径识别方法进行处理.环境识别与分类试验结果证明,该方法能够提高农业车辆视觉导航系统的实用性和可靠性,导航环境的分类准确率为95%,单幅图像平均耗时23 ms.     

xPC环境下CMAC NN在淀粉生产线液位控制中的应用

在分析CMAC神经网络的基础上,提出了利用自适应CMAC神经网络来调节淀粉生产线中乳液的液位.通过对淀粉生产线中某一液位回路进行数学建模,然后对常规PID和自适应CMAC神经网络两种控制器进行了设计与仿真.仿真结果表明,自适应CMAC神经网络在控制效果上明显优于常规PID,并且具有很高的鲁棒性.在Matlab实时开发环境xPC Target下建立了液位实时控制系统,采用快速原型控制方式,具有系统组建方便、成本低、开发周期短等特点,该系统可实现精确的过程控制.     

华北地区冬季温室植物冠层温度建

基于温室内植物冠层能量平衡关系,建立了与温室内、外气象条件和温室结构相关的冠层温度模拟机理模型,并在华北地区文洛型温室内对该模型进行了试验验证.结果表明:模型能较好地模拟冬季温室内植物冠层温度,模拟值和实测值之间的相关系数为0.797 5,均方根误差为1.3℃.建立了冠层温度的BP神经网络模型,模型相关系数为0.783 5,均方根误差为0.6℃.在所建神经网络模型基础上,运用敏感性分析法对影响冠层温度的各因素进行重要性分析和排序,得出影响冠层温度的最重要因子是室内温度,其次为蒸腾速率、室外太阳辐射和室内相对湿度.