基于改进卷积神经网络的苹果叶部病害识别

针对苹果病害叶片图像病斑区域较小导致的传统卷积神经网络不能准确快速识别的问题,提出基于改进卷积神经网络的苹果叶部病害识别的网络模型.首先,将VGG16网络模型从ImageNet数据集上学习到的先验知识迁移到苹果病害叶片数据集上;然后,在瓶颈层后采用选择性核(selective kernel,简称SK)卷积模块;最后,使用全局平均池化代替全连接层.实验结果表明:与其他传统网络模型相比,该模型能更准确快速捕获苹果病害叶片上微小的病斑.     

改进的Faster R-CNN用于苹果叶部病害检测

针对苹果叶部病害图像存在光照分布不均匀、对比度低、过亮或过暗区域细节丢失等问题,提出一种改进的Faster R-CNN苹果叶部病害检测方法,提高病害检测的准确率。由于HSV颜色空间中的H、S、V三个分量具有相对独立性,且光照及阴影部分的遮挡对H、S分量的影响很小,因此,将病害图像从RGB颜色空间转换到HSV颜色空间,再采用颜色恒常性（Retinex）算法对图像进行处理。然后,采用Faster R-CNN网络模型对苹果叶部的三种病害（雪松锈病、灰斑病、黑星病）进行目标检测。实验结果表明：该方法提升了检测苹果雪松锈病、灰斑病、黑星病的平均精度,分别提高了4.03%、7.14%和13.77%,整体平均精度提升了8.32%。每幅图像的检测时间为0.201 s,单张图片检测时间减少了42 ms,确保了检测的实时性,这对于病害的预防具有重要意义。     

基于三通道注意力网络的番茄叶部病害识别

对番茄病害进行识别,近年来一直是植物病害预防的研究热点。由于受到复杂背景干扰,番茄叶部病害识别准确率不高,针对这一问题,提出一种基于三通道注意力机制网络的番茄叶部病害识别方法。该网络基于ResNeXt50残差网络,将注意力模块嵌入至残差网络的ResNeXt模块中可以并行提取目标的通道特征和空间特征,获取有效的语义信息。训练阶段通过设计双损失函数和数据增强进一步提升分类准确度,并通过迁移学习网络预训练参数的方式提高网络训练效率。实验结果表明,使用双损失函数和数据增强后,基于三通道注意力网络的番茄病害识别算法在测试集上的平均识别准确率达98.4%,相比于传统机器学习方法和其他神经网络方法的准确率更高,检测速度满足实时性,Kappa系数为0.96,满足叶部病害识别的高精度要求。该方法能够有效地对10种番茄叶部病害进行识别,为植物病害识别提供了一种新的思路。     

基于深度学习和ArcMap的路面病害智能综合检测方法

为了提升路面病害检测效率,实现路面病害检测结果的可视化显示,结合深度学习技术和ArcMap地理信息系统,设计一种适用于沥青路面的路面病害智能综合检测方法.该检测方法首先利用基于视觉几何组(visual geometry group, VGG)模型的卷积神经网络进行路面图像分类,再利用基于单步多框检测(single shot MultiBox detector, SSD)模型的目标检测网络实现路面病害识别,最后利用ArcMap地理信息系统生成道路健康地图.测试结果表明：基于VGG-16模型的路面图像分类准确率为94.60%,能够判别正常路面和病害路面;基于SSD模型的路面病害识别平均精确度为87.36%,能够有效识别坑槽、松散、车辙、裂缝、泛油和修补等6类病害类型;基于ArcMap系统的道路健康地图能够实现病害定位与结果显现.     

基于注意力机制非对称残差网络和迁移学习的玉米病害图像识别

为实现玉米病害图像快速、准确识别,提出了一种基于非对称注意力机制残差网络(asymmetric convolution attention resnet,ACA-Resnet)的图像检测模型.在残差网络的基础上,通过引入非对称卷积结构减少参数量,加快模型训练速度,同时引入注意力机制,改善模型的表达能力,提高检测准确率.为减小由于病害图片数量不足而造成的过拟合现象,采用迁移学习的方法提高模型的稳定性和泛化能力.结果 表明,ACA-Resnet经过ImageNet数据集预训练后对玉米病害图像的平均识别准确率可达到97.25％,较VGG-16、Inception-V3和ResNet50等网络分类效果更好,相较于Resnet50训练速度明显提升.可见本文方法训练速度快,识别精度高,可为玉米病害检测提供借鉴.     

复杂背景下植物叶片病害的图像特征提取与识别技术研究

为了减少植物病害给农业生产者带来的损失,提高植物病害的识别率和识别精度,对复杂背景下植物叶部病害的图像特征提取和识别方法进行了研究.采用基于超像素和形状上下文的方法对复杂背景下的黄瓜病害叶片图像进行分割.通过局部二值模式(LBP)、区域平均方差和区域平均熵值等方法,分别从颜色、形状和纹理三个方面提取了植物病害图像的11个典型特征.在对病斑检测器训练时主要使用了两种核函数,分别是线性核函数和高斯径向基核函数.在使用两种核函数进行训练时,需要进行参数优化,采用k-folder交叉验证和网格搜索法来选择最优的参数,并对采用基于径向基核函数和线性核函数的SVM方法的识别结果进行对比分析.结果表明:对于黄瓜白粉病的识别,采用基于径向基核函数的SVM病斑检测器的结果进行黄瓜叶片白粉病的检测的平均正确识别率为98.3%,而采用基于线性核函数SVM病斑检测器的结果进行黄瓜叶片白粉病的检测的平均正确识别率为96.7%,基于径向基核函数的SVM方法要优于基于线性核函数的SVM方法,更适合对黄瓜白粉病的识别研究.说明提出的植物叶部病害的图像特征提取和识别方法能对植物病害进行有效地识别.     

公路隧道结构服役性能快速移动感知技术

采用模型试验、力学分析、系统集成等手段,研究了公路隧道结构表观和浅层病害快速检测、带病结构精确诊断技术．针对表观病害的数字图像检测方法,研制高强红外补光、纳秒级相机阵列同步控制装置,提出隧道受限空间纵向里程动态修正模型和病害特征AI识别算法,隧道内一次行车即可完成全断面病害检测,最高检测速度80 km/h、裂缝宽度识别精度0.1 mm、病害定位精度达厘米级．针对浅层病害快速非接触检测的难题,研究揭示带病结构的热传递效应和衬砌病害部位的温度场“冷-热斑”发生机制,提出了基于红外热成像的浅层剥离、钢筋锈蚀的非接触检测技术和检测时机,当隧道结构内外温差不低于5℃时检测效果较好;针对服役性能快速高效分析难题,提出了数字重构模型转换为数值仿真分析模型的方法和基于数字模型的一体化数值仿真技术,实现基于检测重构模型的力学快速分析．集成上述技术,研发了公路隧道全断面快速检测车与服役性能智能分析平台,为隧道结构快速检测、服役性能精确诊断提供了新的技术手段和方法．     

基于精细化特征信息提取的健康和病害肉快速判别方法

[目的]针对健康肉与病害肉的快速鉴别问题,本文对健康与病害肉的表面拉曼谱图的特征信息提取和分类方法进行研究,以实现对健康肉与病害肉的快速鉴别.[方法]以羊肉的表面增强拉曼谱图为样本,分别采用主成分分析-支持向量机和卷积神经网络两种方法进行分类.通过提取谱图的精细化特征,实现谱图数据的降维和干扰信息的过滤,为分类模型提供更加准确和丰富的特征信息.并以240份包含健康与病害羊肉的拉曼谱图为训练集样本,建立了分类模型,以另外的120份样本进行健康与病害肉的辨别效果验证.[结果]实验表明经过精细化特征提取后构建的主成分分析-支持向量机模型能清晰的找到健康与病害肉的分类边界,验证样本的识别准确率从82.5%上升到93.3%,同时使用卷积神经网络对精细化提取的特征进行学习与分类,识别准确率从常规方法的90.2%上升到95.5%.[结论]本文提出的基于表面增强拉曼的肉类谱图的精细化特征信息提取和分类方法能够有效实现对羊肉样品中健康肉与病害肉的快速分类和鉴别,该方法同样可以应用于其他肉类的检测分类,对保障食品安全具有重要的意义.     

面向农作物病害识别的高阶残差卷积神经网络研究

当前研究农作物病害的准确识别工作中,针对简单背景的农作物病害图像识别取得了巨大成功,但当面向包含有各种噪声和复杂背景真实场景的农作物病害图像识别问题时,难以满足识别准确率的要求.为此提出了一种新的面向农作物病害识别应用的高阶残差卷积神经网络方法,以实现农作物病害的准确、抗干扰的识别.实验结果表明,该方法具有高准确率、强鲁棒性和良好的抗干扰能力,能较好地满足农作物病害识别的实际应用需求.     

基于改进的轻量级YOLOv3的交通信号灯检测与识别

交通信号灯的准确检测与识别可以提高驾驶的安全性,减少交通事故的发生.为了提高移动端识别的准确率和速度,提出一种改进的轻量级YOLOv3模型实现交通信号灯的检测与识别.首先,采用轻量级的ShuffleNetv2网络替换YOLOv3的主干网络DarkNet53,实现交通信号灯的快速检测与识别;接着,融合ShuffleNet...     

自走式柔性智能苹果采摘机设计

为了提高苹果采摘效率,设计了一种一次性完成苹果识别、定位、采摘、输送等功能的苹果采摘机。该机器由运行系统、苹果识别定位系统、采摘系统和手臂伸缩系统组成,保障作业的准确性及高效性。产品样机在佳木斯市四丰果园进行了试验检测,作业对象为佳木斯特产123小苹果。试验表明,采摘机能快速识别、精准采摘苹果,与人工作业相比采摘效率提高了45%、漏摘率低于4%、苹果损伤率低于4%。自走式柔性智能苹果采摘机的试验研究为提高果园作业自动化程度提供了理论依据及参考。     

基于深度学习的地铁隧道衬砌病害检测模型优化

地铁盾构隧道衬砌病害检测面临的最主要问题是如何获取高质量的病害图片以及如何快速、准确实现病害检测.基于CCD线阵相机设计制造了地铁隧道病害检测车,并针对上海运营地铁1、2、4、7、8、10、12等线路采集了大量的衬砌图像,通过手工标注建立高质量隧道病害样本库.基于卷积神经网络Faster R-CNN(Faster Region-based Convolutional Neural Network),构建了病害自动检测深度学习框架.考虑到裂缝及渗漏水病害的特殊性,采用数据统计分析及K-means聚类算法分析其几何特征,结合病害特征优化VGG-16网络模型中的anchor box相关参数.结果表明,修正后的模型病害检测准确度有明显的提升(约7%),同时模型的训练时间减少.经验证,上述方法同样可提高裂缝或渗漏水单一病害识别模型的准确度.     

基于改进的YOLOv5s安全帽佩戴检测算法

针对个人防护用具安全帽的防护检测识别需求,现有的人工检测方法费时费力,无法做到实时监测.提出了一种基于YOLOv5s深度学习模型的安全帽检测算法,能够有效识别检测安全帽是否正确佩戴.并通过添加CA注意力机制,重新分配每个空间和通道的权重;以BoT3替代原有的C3模型,作为主干网络;并将CIOU损失函数改为SIOU等方法,改进原有的YOLOv5s模型,提高安全帽检测识别的精度,提高检测速度.实验结果表明,安全帽识别检测的平均精度比原始模型提高了2.2%,识别检测速度提升了19 ms,实现了更准确地轻量高效实时的安全帽佩戴检测.     

基于HALCON的车牌识别技术研究

针对目前车牌识别速度较慢以及识别准确率较低的问题,以HALCON作为机器视觉和图像处理核心软件,将计算机视觉检测技术应用于车辆牌照的识别,实现了图像采集、预处理和检测.实验结果表明,白天车辆牌照识别准确率达到94.6%;相对于传统方法,识别速度也有所改进,每幅牌照的平均识别时间为40.3ms.     

基于YOLOX-Tiny级联算法的变电站安全佩戴行为检测

采用深度卷积神经网络的级联检测代替传统检测方法,利用训练好的YOLOX-Tiny目标检测网络区分离地人员和着地人员;然后,将二者的图片作为输入图像的感兴趣区域,送入目标检测网络进行处理和训练,不但能实现对不同人员角色安全带的检测,还能实现对袖章这类小目标的检测.实验结果表明：该方法可准确、快速识别出需要佩戴安全带的工作人员和需要佩戴红色袖章的监护人员,其最终整体检测精度达到91.0%,且整体检测速度高达41.06 F·s^-1,有效满足变电站高空作业中安全佩戴行为的实时检测要求.     

基于神经网络的货币识别研究

货币识别研究的重点在于识别的准确和速度.采用结构相对简单的前馈神经网络,选取合适的货币采样特征为网络的输入特征,使用尺度共轭梯度(SCG)算法对网络进行快速高效训练,实现对货币的快速、准确识别.实验结果表明,该方案是可行、有效的.     

基于自适应布谷鸟与反向传播协同搜索的病害识别系统

为实现番茄病害快速诊断识别,提出了一种基于自适应布谷鸟搜索算法(cuckoo search,CS)与反向传播(back propagation,BP)协同搜索的病害识别算法(ASCS-BPCA)。首先,该算法将全局搜索能力强的CS与BP中反向传播算法结合,协同搜索最优识别参数,并在此基础上引入自适应调节步长机制加快布谷鸟搜索算法收敛速度。然后,以3种番茄病害(灰霉病、白粉病和晚疫病)叶片及正常叶片为研究对象,提取病斑特征集构建ASCS-BPCA病害识别模型,与标准CS-BP网络进行结果对比分析。仿真结果表明:ASCS-BPCA网络平均正确识别率达90%以上,优于同等条件下CS-BP算法,且更加稳定高效。     

基于级联卷积神经网络的公路路基病害识别

针对当前公路路基病害识别中探地雷达(GPR)技术的数据分析还依赖于人工识别,识别效率低、准确性差问题,建立了级联卷积神经网络来实现自动识别探地雷达图像所反映路基病害的任务。级联卷积神经网络系统由2个卷积神经网络组成,分别用于识别低分辨率和高分辨率探地雷达图像。神经网络的建立包括训练、验证和测试3个步骤。通过训练和测试的结果验证了级联卷积神经网络系统的稳定性,并将级联卷积神经网络和Sobel边缘检测,K值聚类分析进行比较,以论证其优越性。结果表明:级联卷积神经网络在路基病害分类训练中的识别准确率为97.46%,验证中的识别准确率为95.80%,其识别路基病害的精度较高;级联卷积神经网络对发射频率300、500、900 MHz的图像分类准确率分别为94.20%、93.89%、94.57%,对不同公路结构的图像分类准确率分别为94.80%、94.78%、94.28%、94.21%,可见级联卷积神经网络的识别准确性不受雷达发射频率和路面结构的影响;当图像分辨率较低时,Sobel边缘检测和K值聚类分析无法准确提取路基病害几何特征信息,级联卷积神经网络可通过分类器2准确识别;当图像分辨率较高时,Sobel边缘检测和K值聚类分析仅能提取路基病害的部分特征,后续病害类型的识别需要人工完成。可见级联卷积神经网络较其他算法在路基病害识别方面更准确、高效。     

基于VGG-F动态学习模型的苹果病虫害识别

为了提高自然环境下苹果病虫害的识别准确率和识别效率,提出了具有动态学习特征的VGG-F苹果病虫害识别模型。首先,依据常见的苹果病害和虫害类型构建图像数据集,同时采用Retinex算法对数据集中的含雾图像进行增强处理;然后选择网络层数较少的VGG-F网络模型作为迁移学习对象,并依据数据样本特性对重训练过程进行学习率动态调整,以及基于试验对比选取最佳动量值;最后,利用数据集对三种不同模型进行重训练和识别效果对比测试。数值测试结果表明,相比于原始VGG-F模型和深层模型VGG-19,文中模型将苹果病虫害识别准确率分别提升了5%和0.63%,且该模型的重训练时间最短,从而验证了文中苹果病虫害识别模型的有效性。     

采用深度卷积神经网络的路面破损智能识别

为有效识别沥青路面病害类别，将VGG卷积神经网络引入沥青路面病害识别中. 根据VGG模型随着卷积核深度的加深可获得图片更深层次特征的特点，将VGG模型最后一层卷积核的卷积深度加深，得到改进型VGG模型，并与原始VGG模型进行比较. 结果表明：改进型VGG模型每步用时278ms，相比于原始模型每步用时258ms略有增加，而病害识别精度进一步提升了1.36%，对龟裂、松散等复杂裂缝分别提高了1.12%、0.84%. 可见，VGG模型可有效识别路面病害，将其适当改进后效果更佳，对诸如松散、龟裂等复杂路面病害可做到精确识别，能及时、有效监测路面破损状况.