排序方式: 共有19条查询结果,搜索用时 15 毫秒
1.
2.
基于迁移学习和Mask R-CNN的稻飞虱图像分类方法 总被引:4,自引:0,他引:4
针对当前稻飞虱图像识别研究中自动化程度较低、识别精度不高的问题,提出了一种基于迁移学习和Mask R-CNN的稻飞虱图像分类方法。首先,根据稻飞虱的生物特性,采用本团队自主研发的野外昆虫图像采集装置,自动获取稻田稻飞虱及其他昆虫图像;采用VIA为数据集制作标签,将数据集分为稻飞虱和非稻飞虱两类,并通过迁移学习在Res Net50框架上训练数据;最后,基于Mask R-CNN分别对稻飞虱、非稻飞虱、存在干扰以及存在黏连和重合的昆虫图像进行分类实验,并与传统图像分类算法(SVM、BP神经网络)和Faster R-CNN算法进行对比。实验结果表明,在相同样本条件下,基于迁移学习和Mask R-CNN的稻飞虱图像分类算法能够快速、有效识别稻飞虱与非稻飞虱,平均识别精度达到0. 923,本研究可为稻飞虱的防治预警提供信息支持。 相似文献
3.
为了实现对不同稻飞虱的快速准确识别,同时防止同一姿态下的同一只昆虫被重复计数,提出一种将图像消冗与CenterNet网络相结合的识别分类方法。首先利用自主设计的田间昆虫采集装置,自动获取昆虫图像并制作数据集。其次,将CenterNet算法与图像消冗算法相结合,选用深层特征融合网络(Deep layer aggregation, DLA)作为主干网络来提取昆虫的特征,并进行识别分类。将本文方法与经典机器学习和深度学习模型进行对比,实验结果表明,对于田间昆虫采集装置获取到的相似度较高的活体图像,本文方法不仅能够快速处理昆虫图像,而且能够成功解决昆虫重复检测的问题,平均精度均值为88.1%,检测速率为42.9f/s,无论是精度还是处理速度本文方法都具有较明显优势。该研究有效地完成了对3种主要稻飞虱的识别分类,对不同时间段采集到的昆虫表现出良好的泛化能力,可用于后期水稻害虫暴发的智能预警和测报。 相似文献
4.
5.
6.
农田无线传感器网络部具有署面积大、汇聚节点位置不固定的特点,为了解决移动汇聚节点高效、低能耗地收集网络数据的问题,提出了一种基于层次型拓扑结构的移动终端数据收集方案—DCSMT_H。方案综合考虑节点位置及当前剩余能量选举簇头并形成层次型拓扑结构,根据移动终端当前位置灵活构建簇间数据汇聚路由。仿真实验结果表明,DCSMT_H方案的网络能耗低,该方案与LEACH相比能有效延长网络生存期约15%,能够较高效地应用于移动终端收集大规模农田生产信息。该研究为提高无线传感器网络在精准农业中的应用水平做出了有益探索。 相似文献
7.
基于卷积神经网络的白背飞虱识别方法 总被引:4,自引:0,他引:4
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%。 相似文献
8.
轮胎胎压和车速对无悬架拖拉机横向乘坐振动特性的影响 总被引:1,自引:1,他引:0
为研究轮胎胎压和行驶速度对驾驶员横向乘坐振动特性的影响,该文以两轮驱动式无悬架国产拖拉机为研究对象,建立无悬架拖拉机横向-垂向平面三自由度模型,通过仿真和试验相结合,分别获取不同轮胎胎压和行驶速度下拖拉机座椅处横向加速度功率谱密度、横向加速度均方值以及总加权加速度均方根值,并分析各自的影响规律.结果表明:拖拉机座椅处横向固有频率试验值与理论计算值的最大相对误差为4.67%,座椅处横向加速度均方根试验值随后轮胎胎压和速度的变化规律与仿真是一致的,且试验值比仿真值要小,其相对误差最大值为5.26%,误差均在可接受范围内,表明建立的理论和仿真模型是可行的;前轮胎压的变化对两轮驱动式拖拉机乘坐横向振动特性的影响不大;当轮胎胎压不变时,试验获取的拖拉机座椅处总加权加速度均方根值随行驶速度的增大而增大;当行驶速度不变时,总加权加速度均方根值随后轮胎压的增大而波浪式增大.该研究为拖拉机多维减振悬架系统的设计提供参考. 相似文献
9.
基于K-SVD和正交匹配追踪稀疏表示的稻飞虱图像分类方法 总被引:1,自引:1,他引:0
针对当前稻飞虱图像分类研究中存在图像识别速度慢、分类精度低的不足,该文提出一种基于K-SVD和正交匹配追踪(orthogonal matching pursuit, OMP)稀疏表示的稻飞虱图像分类方法。首先,根据稻飞虱的趋光性特点,使用团队自主研发的野外昆虫图像采集装置自动获取稻田害虫图像;然后,利用K-SVD算法对稻飞虱图像特征的过完备字典进行更新构造,结合OMP算法对原始输入图像的特征信号进行稀疏表示;最后,通过求解输入图像的重构误差对昆虫图像进行分类。在相同的试验条件下,与传统的图像分类算法(SVM、BP神经网络)进行比较。实验结果表明,该文提出的基于K-SVD和OMP算法的稻飞虱图像稀疏表示分类方法可对稻飞虱与非稻飞虱进行快速准确的分类,分类速度达到6.0帧/s,平均分类精度达到93.7%。与SVM和BP神经网络相比,分类速度分别提高了5和5.5帧/s;分类精度分别提高了15.7和28.2个百分点,为稻飞虱的防治预警工作提供了信息与技术支持。 相似文献
10.
基于序列图像三维重建的稻种品种识别 总被引:1,自引:2,他引:1
利用机器视觉技术识别稻种表面形态,从而识别种子纯度,可以为种子品质确定提供一种快速精确的技术方法。该文应用序列图像聚焦测度法进行了稻种三维重建,在稻种的品种识别中,将三维特征作为识别依据,相对传统方法仅采用二维图像特征作为识别手段,具有稻种形态测量参数值更精确,外观特征及缺陷表达更全面的优势。该方法通过分析显微镜平台获取的多幅不同对焦距离的图像序列,计算聚焦测度和焦点深度值。结合序列图像聚焦测度法与表面纹理重现,实现稻种形态表面三维重建。通过构造BP神经网络模型,利用测量所得三维立体特征值进行稻种的品种识别,筛选适合稻种检测的BP神经网络算法。试验结果表明,序列图像方法应用于稻种三维重建,其测量精度可达到5μm,将测量所得的三维特征值作为参数进行5个稻种的品种识别,识别率在90%以上。该研究可为农作物品种识别中三维形态及纹理特征的研究提供参考。 相似文献