基于轻量化YOLOv5s的花椒簇检测研究

针对现有花椒簇检测算法模型参数量多、计算量大、检测速度低、很难部署到嵌入式设备的问题,提出一种基于轻量化YOLOv5s的花椒簇检测算法模型。首先将ShuffleNet v2主干网络替代原YOLOv5s中的主干网络进行重构;同时将SPPF嵌入至ShuffleNet v2骨干中;其次引入轻量级注意力机制CBAM;最后使用SIoU_Loss代替CIoU_Loss作为回归损失函数。试验结果表明：改进后的轻量化YOLOv5s网络参数降低85.6%,计算量降低87.7%,对花椒簇的检测精度mAP@0.5达到92.6%,较原YOLOv5s模型提高3.4%,mAP@0.5:0.95达到61.4%,检测时间为11 ms,相比原模型16 ms缩短31.3%,可以满足在现场环境下对花椒簇的检测。     

WPD-RSO-ESN和SSA-RSO-ESN模型在径流时间序列预测中应用比较

为提高径流时间序列预测精度,提出小波包分解(WPD)与奇异谱分解(SSA)-鼠群优化(RSO)算法-回声状态网络(ESN)相混合的径流时间序列预测方法.分别利用WPD和SSA将非平稳径流时间序列分解为若干子序列,有效降低径流时间序列的复杂性;介绍RSO算法原理,在不同维度条件下选取6个典型函数对RSO算法进行仿真测试;...     

基于ST-LSTM的植物生长发育预测模型

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络（Spatiotemporal long short-term memory,ST-LSTM）的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask R-CNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于ST-LSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.8741,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R2分别为0.9619、0.9087和0.9158。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。     

基于ST-LSTM的植物生长发育预测模型

提早预知植物生长发育是智能育种过程的重要组成部分,针对植物表型难以精准预测和模拟的问题,利用植物生长发育的空间和时间依赖性,提出了一种基于时空长短时记忆网络（Spatiotemporal long short-term memory, ST-LSTM）的植物生长发育预测模型,实现植物生长发育的预测。首先,通过微调Mask R-CNN模型实现识别、提取植物掩模,预处理具有时空相关性的植物生长发育图像序列,构建植物生长发育预测数据集。然后,基于ST-LSTM建立植物生长发育预测模型,利用历史生长发育图像序列,融合时空深度特征,预测植物未来的生长发育图像序列。研究结果表明,所提出模型预测的图像序列与生长发育实际图像序列具有较高的一致性和相似性,首个预测时间节点的结构相似度为0.874 1,均方误差为17.10,峰值信噪比为30.83,测试集的冠层叶面积、冠幅和叶片数预测R²分别为0.961 9、0.908 7和0.915 8。该研究实现了基于植物生长发育图像序列的生长发育预测,有效减少了田间反复试验的时间、土地和人力成本,为提高智能育种效率提供了参考。     

嵌入SENet的卷积神经网络的零件缺陷检测方法

针对回转体零件的表面倒偏角、拉伤、线形纹等缺陷检测识别效率低、误检、漏检等问题,提出一种在编码器中嵌入特征压缩激活模块的Unet网络的零件缺陷检测方法。通过建立Unet网络架构模型并嵌入SE模块实现缺陷分割,完成缺陷图像的细节特征提取。采用BCEloss和Diceloss的混合损失函数进行训练,缓解缺陷图像分类不平衡的问题。该算法与Seg Net、FCN、Unet模型对比表明,Unet-SE在准确率、召回率和F1分数3个指标中表现最优,分别为0.929 8,0.892 9,0.911 0,且测试集中具有更好的分割效果。     

深度学习框架下融合注意机制的机床运动精度劣化预示

数控机床运动精度衰退是一个动态的演化过程。为尽早发现数控机床潜在的失效风险,挖掘蕴含在各类监测数据序列中的运动精度演化特征,在深度门控循环网络（Gated recurrent unit,GRU）框架下,提出了一种融合注意机制的数控机床运动精度劣化预示方法。为了克服传统深度卷积神经网络不能学习时序特征的缺陷,采用深度编码器-解码器框架,提出基于深度GRU的运动精度深度学习建模方法,以数据驱动,自动挖掘运动精度与振动、温度、电流等状态信号时间序列的时空特征,预测运动精度,根据预测曲线对机床劣化趋势进行预示。为了增强主要状态信号和关键时间点的信息表达,提高精度劣化预测的准确性,提出一种在深度学习框架中融合注意机制的方法,建立状态参量的注意网络,计算振动、温度等状态信号与机床精度间关联程度,自动调整各信号的权值;进一步,建立时序注意网络自主选取精度劣化历史信息关键时间点,以提升较长时间段预示的准确性。实验结果表明,基于深度学习网络与注意机制的预示模型可以很好地追踪数控机床运动精度的劣化趋势和规律,有较高的预测精度,优于传统方法。     

基于改进YOLOX-S的苹果成熟度检测方法

准确检测果园中未成熟与成熟的苹果对果园早期作物的负荷管理至关重要,提出一种能够实时检测苹果成熟度,并估算出整棵果树果实数量的方法。为提高YOLOX-S网络在复杂场景下的检测能力,在FPN(特征金字塔)的残差连接处增加了Coordinate Attention(位置注意力);为更好地检测图像中生长密集、存在遮挡、尺寸较小的苹果,将位置损失函数IoU＿Loss更换为CIoU＿Loss。试验结果表明,所提出的改进YOLOX-S检测算法相较于原算法,mAP值提高约1.97%,苹果低成熟度、中等成熟度和高等成熟度的AP值分别为90.85%、95.10%和80.50%。     

基于改进YOLOv3的温室番茄果实识别估产方法

为实现温室番茄产量智能化在线评估,研究基于改进YOLOv3的温室番茄红果和绿果识别方法,以对自然生长状态下番茄果实进行计数估产。根据工厂化番茄种植工况条件,设计产量估计视觉系统;提出基于广义交并比(GIOU)的位置损失函数,对传统YOLOv3算法损失函数进行改进,其尺度不变特征可有效提高形态各异果实目标的描述精度。在样本图像数据构建和标注基础上,用K-means聚类算法分别获得9个不同规格的先验框,并根据特征图层次等级进行分配。通过模型训练和评价得到最优估产模型的平均精度均值(mAP)为95.7%,单幅图像处理耗时15 ms。现场试验表明,改进的YOLOv3模型对于番茄红果、绿果的估产精度均得到改善,总体估产精度达到96.3%,比传统YOLOv3模型估产精度提高2.7%,并且对于密集和受遮挡果实具有更好的识别效果。该研究结果可以为智能化估产系统研发提供技术支撑。     

基于低秩自动编码器及高光谱图像的茶叶品种鉴别

提出一种基于低秩自动编码器及高光谱图像技术的茶叶品种鉴别方法。应用高光谱成像系统采集5个品种的茶叶样本高光谱图像数据,利用ENVI软件确定高光谱图像的感兴趣区域(ROI),并提取茶叶样本在ROI的平均光谱作为该样本的原始光谱数据。由于高光谱信息量大、冗余性强且存在噪声,运用自动编码器和低秩矩阵恢复结合的低秩自动编码器(LR-SAE)对原始光谱数据进行降维,在自动编码器降维基础上加入去噪处理,提取鲁棒判别特征。在此基础上应用支持向量机(SVM)和Softmax分类算法对降维后的茶叶样本高光谱数据分类。通过5折交叉试验验证,LR-SAE-SVM模型的预测集准确率达到99.37%,SAE-SVM模型的预测集准确率为98.82%;LR-SAE-Softmax模型的预测集准确率达99.04%,SAE-Softmax模型的预测集准确率为97.99%。研究结果表明,相较于未进行去噪处理的传统自动编码器,LR-SAE降维之后的分类建模效果有所提升,将其应用于茶叶品种鉴别是可行、高效的。     

基于融合GhostNetV2的YOLO v7水稻籽粒检测

水稻籽粒检测在粮食储存中凸显重要作用,直接影响粮食销售的价格。针对一般机器视觉检测算法在水稻籽粒小目标的密集场景下存在难以识别且网络模型参数大,检测速度较慢、成本高等问题,提出一种基于YOLO v7优化的水稻籽粒检测算法。首先将部分高效聚合网络模块(Efficient layer aggregation network, ELAN)替换成轻量级网络模块GhostNetV2添加到主干及颈部网络部分,实现网络参数精简化的同时也减少了通道中的特征冗余;其次将卷积和自注意力结合的注意力模块(Convolution and self-attention mixed model, ACmix)添加到MP模块中,平衡全局和局部的特征信息,充分关注特征映射的细节信息;最后使用WIoU(Wise intersection over union)作为损失函数,减少了距离、纵横比之类的惩罚项干扰,单调聚焦机制的设计提高了模型的定位性能。在水稻籽粒图像数据集上验证改进后的模型检测水平,实验结果表明,改进后的YOLO v7模型的mAP@0.5达96.55%,mAP@0.5:0.95达70.10%,训练模型参数量...