基于Python的大豆病害图像检测技术研究

为通过有效训练获得检测大豆病害的Python图像识别模型,保证样本数量、多样性和图片采集精度,利用Python爬虫技术编写大豆病害图像获取程序,结合数据扩充方法,在爬虫获取的目标图像的基础上扩充数据量,编写Python语言特征匹配程序对图片进行精确筛选。结果表明：利用爬虫技术对大豆病害图片进行采集可加快大豆花叶病、灰斑病、菌核病、霜霉病、根腐病、细菌性角斑病腐、枯萎病、炭疽病图像获取速度,提高数据集的多样性;经过局部二值模式处理后,结合纹理特征的差异,有效缩小了判断的范围,减小相似度判别的难度;通过均值哈希算法计算相似度后筛选的菌核病及枯萎病图像获取准确率均为100%,根腐病及灰斑病图像获取准确率最差,为83.3%,其他图像获取准确率均在90%以上,因此利用均值哈希算法计算相似度后,病害图片的获取准确性大大提高;通过Python语言编写的数据扩充代码经过图片旋转、翻转模糊、增加噪声、改变亮度几种处理,达到17倍扩增,试验最终获得2 592张大豆病害图像。研究提高了大豆病害图像数据采集的精确度,为大豆常见病害的自动识别和诊断提供了技术参考。     

基于Opt-MobileNetV3的大豆种子异常籽粒识别研究

针对大豆异常籽粒识别模型参数量过大、计算成本高、准确率较低等问题,提出了一种改进的轻量级神经网络MobileNetV3模型,将其层数减少,加快模型的训练和推理速度,增加全连接层和Softmax层以增加模型的非线性判别能力以及利于多分类任务的输出,使用全局平均池化代替全局最大池化减少信息丢失,通过添加Dropout层以及去掉MobileNetV3中SE Block注意力机制来增加模型的泛化能力。试验结果表明：将大豆籽粒图像数据经过传统的卷积神经网络AlexNet、VGG16与轻量级神经网络MobilenetV3训练测试结果进行对比,AlexNet算法最终平均精度均值(Mean average precision, mAP)为87.3%、VGG16算法为87.7%,二者mAP相差较小,但两者在训练过程中模型内存占用量及训练时间相差较大,其中AlexNet模型内存占用量为7 070 kB,训练时间为5 420.59 s,而VGG16模型内存占用量为19 674 kB,训练时间为8 282.68 s,整体来看AlexNet相对更好。通过对轻量级神经网络MobileNetV3模型的识别训练,最终...     

谷物力学特性的试验研究

谷物在收获、运输和产后处理过程中总会发生碰撞、挤压等现象，使粮食产生破损。为此，针对谷物物理力学特性进行了试验研究，并分析了玉米、大豆、大米和红饭豆的摩擦特性、抗压特性，以及含水率对大豆摩擦特性和抗压特性的影响。结果表明：不同种类谷物的静摩擦因数及平均极限压力存在显著差异，平均静摩擦因数红饭豆>玉米>大米>花生；抗压特性试验中，测得大豆、花生、玉米、红饭豆的平均极限压力分别为101.92、27.37、78.89、34.01N。在不同含水率对大豆力学特性影响的对比试验中，大豆与合金钢摩擦片的静摩擦因数随含水率的增加而增大，平均极限压力随大豆含水率的增加而降低，二者呈负相关。研究结果可为粮食的物理特性参数研究提供重要依据。