基于改进ResNet18模型的饲料原料种类识别方法

为了解决饲料生产过程中入仓原料种类采用人工取样感官识别所存在的问题,实现原料种类自动识别,以玉米、麸皮、小麦、豆粕、鱼粉等大宗饲料原料为研究对象,自主设计搭建了多通道入仓原料种类自动识别装置,采集饲料原料图像数据集,并使用数据增强的方法增加样本多样性。基于ResNet18网络模型加入通道注意力机制、增加Dropout函数,并嵌入余弦退火法的Adam优化器,引入迁移学习机制训练模型,构建适用于饲料原料种类识别的CAM-ResNet18网络模型。CAM-ResNet18网络模型的原料种类验证准确率达99.1%,识别时间为2.58ms。与ResNet18、ResNet34、AlexNet、VGG16等网络模型相比,模型验证集准确率分别提升0.6、0.2、3.7、1.1个百分点。针对混淆矩阵结果分析,测试集识别平均准确率达99.4%,具有较高的精确度和召回率。结果表明,构建的CAM-ResNet18网络模型在饲料原料种类识别方面具有较高的识别精度和较快检测速度,自主研发的多通道入仓原料种类自动识别装置具有实际应用价值。     

基于RAdam卷积神经网络的水稻生育期图像识别

为了解决现阶段水稻发育期信息的获取主要依靠人工观测的效率低、主观性强等问题,该研究提出一种基于Rectified Adam(RAdam)优化器的ResNet50卷积神经网络图像识别方法,开展水稻关键生育期的自动识别。连续2a对12块试验田的水稻物候特征进行持续自动拍摄,对采集的水稻图像进行预处理,得到水稻各发育期分类图像数据集;采用ExG因子和大津法(Otsu)算法相结合的方法对水稻图像分割,减小稻田背景干扰;对比分析了VGG16、VGG19、ResNet50和Inception v3四种模型下水稻生育期图像分级识别的性能,选取性能较优网络模型并进行了网络参数调优;对比试验了不同优化器下模型准确率和损失值的变化,选取了RAdam优化器。结果表明,采取基于RAdam优化器卷积神经网络构建的模型,在真实场景下分类识别准确率达到97.33%,网络稳定性高、收敛速度快,为水稻生育期自动化观测提供了有效方法。     

基于改进Faster-RCNN模型的粘虫板图像昆虫识别与计数

针对传统机器学习采用人工提取特征方法时,由于人为主观性而影响昆虫识别效果与计数准确性的问题,采用图像特征自动提取方法,将深度学习目标检测模型引入昆虫的识别与计数领域,对Faster-RCNN目标检测模型进行改进:针对昆虫体积小,图像分辨率较低的特点,用网络深度更深,运算量更小的深度残差网络(ResNet50)代替原来的VGG16,以提取更加丰富的特征;针对部分昆虫密集的特点,用Soft-NMS算法代替传统的非极大值抑制(NMS)算法,以减少密集区域的漏检。结果表明:改进后Faster-RCNN模型的检测准确率达到90.7%,较未改进的Faster-RCNN模型提高了4.2%,可以运用于昆虫的分类计数。利用深度学习目标检测模型进行昆虫识别与计数较传统的昆虫识别与计数方法更加方便,能够将昆虫的识别、定位和计数融为一体。     

基于DeepLab v3+的葡萄叶片分割算法

为解决自然光照环境下复杂背景葡萄叶片图像的自动分割问题,使用一种DeepLab v 3+语义分割算法,完成对葡萄叶片分割.该算法采用ResNet 101作为主干网络进行特征抽取;采用空洞卷积和编码模块进行多尺度特征融合,将ResNet的中间信息和编码模块的特征组合作为解码输入;采用上采样的方式进行尺度还原,得到语义分割...     

基于深度主动学习与CBAM的细粒度菊花表型识别

针对菊花种类繁多,花型差别细微,准确标注比较困难的问题,基于深度主动学习与混合注意力机制模块(Convolutional block attention module,CBAM),提出了一种标号数据不足情况下的菊花表型智能识别方法和框架。首先,通过主动学习策略基于最优标号和次优标号法（Best vs second best,BvSB）在未标记菊花样本中选取信息量较大的样本进行标记,并将标记后的样本放入训练样本中;其次,使用深度卷积神经网络ResNet50作为本文的主干网络训练标记样本,引入混合注意力机制模块CBAM,使模型能够更为准确地提取细粒度图像中的高层语义信息;最后,用更新后的训练样本继续训练分类模型,直到模型达到迭代次数后停止。实验结果表明,该方法在少量菊花标记样本下,精确率、召回率和F1值分别达到93.66%、93.15%和93.41%。本文方法可为标号数据不足情况下的菊花等花卉智能化识别提供技术支撑。     

融合注意力机制与多尺度信息的葡萄种植区变化检测

为准确获取葡萄空间变化信息,实现产业规划和可持续发展,针对葡萄种植区布局分散、面积不一,地物类型复杂,相应不同时相影像异质性较大,严重影响变化区域检测精度的问题,提出了一种融合注意力机制和多尺度信息的变化检测模型（Multiscale difference feature capture net, MDFCNet）。在ResNet101主干网络的基础上融合SE（Squeeze and excitation）注意力机制,提升网络对遥感影像中变化特征提取的能力,抑制无关像素干扰。并且设计了交叉差异特征捕获（Cross difference feature capture,CDFC）模块,捕获具有密集上下文信息的差异特征来提升地物类型复杂情况下的变化检测精度,同时设计了监督集成注意力（Supervised ensemble attention,SEA）模块,逐层融合低层细节纹理特征和高层抽象语义特征来丰富多尺度特征,以此增强网络对布局分散、面积不一的种植区的检测能力。在构建的宁夏葡萄种植区变化数据集上进行实验,结果表明,相较于目前主流的SNUNet、A2Net、DSIFN和ResNet-CD变化检测模型,本文MDFCNet方法检测结果最优,相较于性能第2的模型,评价指标中交并比、召回率、F1值和精确率分别提高5.42、5.62、3.48、0.95个百分点。通过消融实验也证明了融合各模块的有效性,相较于基础网络,增加3个模块使得交并比、召回率、F1值和精确率分别提高12.9、5.63、8.64、11.75个百分点。本文模型提取出感受野更大的差异特征可为变化检测提供丰富的推断信息,融合的多尺度特征可以有效避免结果中误检测和漏检测问题,提高了变化区域的完整性和边缘细节保留,为背景复杂的大范围葡萄种植区的变化检测任务提供了解决思路。     

基于迁移学习的园艺作物叶部病害识别及应用

为给农户提供质优价廉的园艺作物叶部病害识别服务,提出基于迁移学习的模型训练及基于Flask的Web部署方法。对PlantVillage数据集进行预处理,分别使用ResNet18、ResNet50和ResNet152 3种模型进行迁移学习训练,得到3种识别模型。利用Flask将模型部署到服务器上。3种识别模型对苹果等14类园艺作物26种叶部病害的平均识别准确率分别是95.61%、96.63%和97.33%,识别单张图像的时间分别是10.9、17.9、33.7 ms。综合考虑模型特点和用户期望,设计快速、标准和准确3种识别模式,实现深度模型在服务器中稳定运行,具有一定的实用价值。     

基于深度学习的小麦条锈病病害等级识别

目的 为提高小麦条锈病危害程度分级精度,开展小麦条锈病病害等级自动化、准确、快速识别方法研究。方法 在复杂田间条件下,使用手机拍摄图像,构建含有不同等级条锈病的小麦叶片数据集,利用GrabCut与YOLOv5s相结合的方法进行小麦叶片与复杂背景自动化分割。为了增强ResNet50对表型特征的提取能力,增加Inception模块,依据划分的小麦条锈病病害等级标准,对小麦条锈病病害等级进行识别。采用准确率、查全率、查准率等评价指标分析改进的ResNet50模型(B-ResNet50)在数据集上的表现。结果 GrabCut与YOLOv5s相结合对大田复杂背景下的小麦叶片图像实现了自动、准确、快速地分割。B-ResNet50识别小麦条锈病叶片的平均准确率为97.3%,与InceptionV3(87.8%)、DenseNet121(87.6%)、ResNet50(88.3%)相比,准确率大幅提升,比原始模型(ResNet50)高出9个百分点。结论 利用深度学习对小麦条锈病病害等级进行识别,对防治小麦条锈病的精准施药具有重要意义,可为田间复杂条件下小麦条锈病的防治提供技术支持。     

基于LBPHSV+ResNet50融合的水稻冠层氮素营养监测方法

为采用数码相机拍摄的水稻冠层图像来估测作物的氮素含量。以自然环境下获得的水稻冠层图像为研究对象,提出一种基于图像纹理色彩特征(LBPHSV)和ResNet50网络融合算法的氮素含量预测方法。LBPHSV+ResNet50融合算法是通过运用LBP算子和HSV颜色空间矩阵提取图像特征参数,将提取到的融合特征集作为ResNet50模型输入以加强对作物氮素营养的表征,并将预测结果与常用的多元线性回归、随机森林(RF)、支持向量回归模型、多层感知机、卷积神经网络、长短记忆网络(LSTM)及组合模型预测结果进行对比分析。结果显示:相比于浅层机器学习模型,深度学习算法能显著提高预测模型的准确率;LBPHSV+ResNet50融合模型的预测能力和泛化能力达到最优,R²和 RMSE分别为 0.97、0.02。相比于RF、LBP+LSTM、ResNet50,新模型的R²分别提升了16.36%、9.72%、16.55%和1.13%,RMSE 分别下降了 0.35、0.46、0.05和 0.002。因此,LBPHSV+ResNet50融合模型在预测水稻氮素含量时可提供令人满意的性能,能够满足对水稻氮素营养无损精准监测的农业需求。     

基于卷积网络的沙漠腹地绿洲植物群落自动分类方法

为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法。切分无人机影像获得规则块图像,利用基于CNN的VGGNet和Res Net模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果。采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响。实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,Res Net50模型与VGG19模型的建模精度从86. 00%、83. 33%分别提升到92. 56%、90. 29%; Res Net50模型分类精度为83. 53%～91. 83%,而VGG19模型分类精度为80. 97%～89. 56%,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度。分类结果表明,训练样本数量不低于200时,基于CNN的Res Net50模型表现出最佳的分类结果。