水稻病害孢子多光谱衍射识别与病害源定位方法研究

水稻真菌病害主要依赖真菌孢子在空气中进行传播。然而各种水稻病害孢子的形态相近,传统孢子捕捉仪和显微图像法难以对其进行区分。为了能够准确识别目标病害孢子并进行病害源定位,提出了一种水稻病害孢子多光谱衍射识别与病害源定位方法。为了解决传统衍射方法无法识别形态相似的缺点,设计了一种大视场、无透镜的多光谱衍射成像传感器。通过分析病害孢子衍射指纹图谱,解析稻瘟病菌、稻曲病菌孢子多光谱衍射成像特征规律。融合孢子的形态特征和吸收特性,提出指纹分离强度和相对峰差两个特征参数,建立孢子的多光谱衍射识别模型。通过仿真计算实验分析孢子传播规律,耦合环境信息建立孢子传播过程中的扩散模型。在无定向风及有定向风条件下分析孢子的空间分布情况,提出病害爆发源迭代质心定位算法。实验结果表明,本文方法对水稻病害孢子的识别率达到98.5%,对无定向风条件下的定位误差最低为4.9%,对有定向风条件下的定位误差最低为7.1%。     

基于FPGA加速的Mask R-CNN稻瘟病高通量自适应识别模型研究

针对基于图像的稻瘟病现场检测技术依赖先验知识且受制于算力与田间网络状况,无法实现自适应实时检测的问题,提出一种可利用现场可编程门阵列(Field programmable gate array, FPGA)加速的Mask R-CNN(Mask region-based convolutional neural network)稻瘟病高通量自适应快速识别模型。首先将骨干网络改进为MobileNetV2,利用其倒残差模块降低计算量,提高模型并行处理能力;随后增加用于稻瘟病多尺度特征融合的特征金字塔网络模块,使模型具备多尺度自适应处理能力;最后由全卷积网络(Fully convolutional network,FCN)分支输出稻瘟病病斑的实例分割,同时使用交叉熵损失函数完成稻瘟病的定位与分类。稻瘟病实测数据集对模型的验证结果表明：当输入为全高清图像时,模型平均推理时间减少至85ms,相较GPU服务器、同级别GPU边缘计算平台,速度分别提高86.2%、63.0%。在交并比为0.6时,准确率可达98.0%,病斑捕获能力平均提升21.2%。提出的Mask R-CNN自适应快速识别模型能够在田间恶劣网络状况下实现稻瘟病的快速现场检测,具有更好的抗噪能力和鲁棒性能,为水稻病害实时检测、察打一体提供了高效实时的片上系统方案。     

基于深度神经网络的多级高压提水泵故障辨识

多级高压提水泵属于复杂旋转机械,受设备自身结构影响,其故障特征频率易被强噪声淹没,且叶轮、轴承、齿轮等转子部件的故障振动信号相似度极高,导致现有故障辨识方法无法快速准确辨识其故障模式。针对上述问题,该研究提出一种改进的一维卷积长短期记忆神经网络（One-Dimensional Convolution and Long Short-Term Memory Neural Network,1D-CNN-LSTM）自适应故障辨识模型。首先通过贝叶斯优化算法获得给定模型超参数,再输入经互补集合经验模态分解降噪后的振动数据集,通过1D-CNN层自适应提取样本特征并作为LSTM层输入;利用LSTM层学习具有识别性的深层特征并训练模型,最后由输出层Softmax函数完成故障辨识与分类。多级高压提水泵试验台实测数据集对模型进行验证的结果表明：提出的1D-CNN-LSTM智慧故障辨识模型能够快速辨识关键转子部件的故障模式,且准确率可达97%,具有更好的抗噪能力和鲁棒性能,可为智慧应急供水与净水一体化系统的可靠运维技术研发奠定理论基础。