基于视频检测的储粮害虫死亡评估算法的研究

在我国,如何对杀虫效果进行评估,以提高防治措施的有效性和经济性,是粮库在害虫防治方面亟待解决的一个问题。目前,我国一些粮库已经安装了储粮害虫图像采集装置,因此本研究提出一种基于视频检测的储粮害虫死亡评估算法,用来检测杀虫过程中害虫死亡的具体数量变化情况。算法的核心是基于深度卷积神经网络的双流法网络,综合图像目标检测算法和两帧差分法进行识别,实现视频数据中害虫的定位与识别。测试结果表明本算法可有效检测储粮害虫的死亡情况,检测平均正确率可以达到89.3%。     

储粮害虫智能检测方法的分析

储粮害虫的检测一直以来都是粮食储藏行业研究的一个热点，害虫种类的正确识别是粮食管理人员进行害虫防治的必要依据。对目前国内外的两种主要的害虫检测方法进行了叙述与分析，即基于图像识别的检测方法和基于声信号的检测和识别方法。在此基础上，该文重点论述了基于DSP的多信息融合的储粮害虫智能检测方法。     

现代信息技术在储粮害虫检测中的应用

储粮害虫检测技术一直是粮食储藏害虫防治的研究热点。本文以储粮害虫检测技术研究现状及其不足为基础,针对储粮害虫防控发展所面临的技术需求展开了研究,介绍了储粮害虫检测技术的发展历程,并对光学、声学、图像识别等领域的现代信息技术进行了描述与分析。根据现代信息技术的机理与特点,讨论了在储粮害虫检测中技术特点、应用成效、发展趋势等研究进展并对比分析了各种信息检测技术的优缺点,文章最后对储粮害虫信息检测技术的发展进行了总结与展望,对今后完善储粮害虫检测技术及实现粮食安全管理具有重要实际意义。     

BP神经网络分类器在储粮害虫图像检索中的应用研究

针对储粮害虫图像检索特点,将BP神经网络分类器技术应用于储粮害虫图像检测和识别,成为近年来的一个研究热点.对采集到的包含储粮害虫的图像使用基于BP神经网络分类器的图像的储粮害虫图像检索方法,可以在线将储粮害虫从图像背景中分离出来,很好地保留了储粮害虫各个部分的纹理特征,并将信息分类存储以备查询.试验和仿真结果证明该算法不仅在线计算量小、便于实时控制,而且能够快速、高效地检测到储粮害虫的有效特征,同时进行分类检索.     

基于数学形态学滤波的储粮害虫图像二值分割研究

阐述了储粮害虫二值图像分割技术在图像识别中的重要性,提出一种基于数学形态学的改进二值图像分割方法.该方法不仅可以将储粮害虫从背景中分割出来,而且很好地保留了害虫各个部分的边缘细节特征.该方法计算量较小,简便实用,将其应用于储粮害虫图像的边缘检测,能够清晰、连续地检测到储粮害虫图像的有效边缘信息.     

基于深度学习对陶瓷梭式窑火焰图像识别

针对我们对陶瓷梭式窑火焰图像识别的速度跟速率比较慢的问题,我们提出了深度学习方法。应用深度学习中的几种多层神经网络结构运用到对陶瓷梭式窑的火焰图像识别上,比如通过Theano库上采用Mnist手写数字集进行实验,卷积神经网络的结构及计算求解,训练过程应用到陶瓷梭式窑的火焰识别上可以提高对陶瓷梭式窑火焰识别的准确率。     

储粮真菌自动检测仪的研究与开发

真菌是危害储粮安全的主要因素之一,储粮真菌的早期快速检测是防控真菌滋生、保障粮食安全的有效手段。2018年粮食行业颁布实施LS/T 6132《粮油检验粮食真菌检测方法孢子计数法》行业标准,为便于标准的推广应用,研究开发储粮真菌自动检测仪。基于大量储粮真菌孢子图片,构建真菌孢子图库,并利用神经网络算法研发真菌孢子图像识别软件;通过显微成像系统的自动对焦算法优化,实现显微镜下真菌孢子图像自动对焦拍照,采用图像识别软件对储粮真菌孢子图像进行孢子自动识别计数,从而实现储粮真菌的自动检测,减少人工操作和图像识别的误差。     

基于卷积神经网络(CNN)的高速路交通图片拥堵识别

近年来,高速路的拥堵问题变得越来越严重,传统的交通拥堵识别采用视频进行研究,其具有代价昂贵,识别速度慢的缺点。文章提出了一种基于图片进行交通拥堵识别的方法。因为卷积神经网络(CNN)在图像识别方面有着识别速度快,适用范围广,识别准确率高的优点,所以文章使用了带有relu激活函数代替传统的sigmod函数和tanh函数,并引入了dropout层的卷积神经网络模型Google Net,并对网络结构和参数进行了调整优化,得到了一个交通拥堵图片识别的改进的Google Net改进模型,该模型的样本内测试准确率达到了98.6%。在对2000张现实高速路上的图片进行识别测试后,测得其准确率为96.5%。采用文理特征的传统方法的高速路交通拥堵图像识别准确率为90%。     

基于改进的Faster R-CNN的小目标储粮害虫检测研究

针对小目标储粮害虫图像的检测问题,提出了一种基于特征金字塔网络的Faster R-CNN改进模型对图像中的小目标进行检测。本文以5种常见的储粮害虫为检测目标,样本中通过随机组合的方式混合不同种类的储粮害虫进行拍照取样,通过对原始图像数据进行目标扩充后构建了含942张储粮害虫图像的数据集（CSGP）。在改进模型的特征金字塔网络结构中,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。实验结果表明,采用训练集目标扩充的方式,储粮害虫图像的目标检测结果mAP提升了2.21%;改进后的模型进一步使得储粮害虫图像检测的mAP达到96.69%。最后,设计了一套粮仓内的储粮害虫监测系统。     

基于GoogLeNet的色织物花型分类

针对色织物花型人工视觉分类效率低的问题,提出了一种基于深度卷积神经网络(CNN)的色织物花型图像识别分类方法。构建了18种类别的色织物花型图像样本数据库,建立了基于GoogLeNet的色织物花型分类深度卷积神经网络,并通过实验分析选择最优的训练迭代期与学习率。结果表明利用深度神经网络分类识别色织物花型是可行、有效的。     

基于人工免疫算法的储粮害虫特征选择研究

储粮害虫特征选择是粮虫图像识别中一个关键的预处理环节.提出基于v折交叉验证训练模型识别率和所选特征个数的特征子集评价准则,将人工免疫算法应用到粮虫的特征选择.该算法从粮虫的17雏形态学特征中自动选择出面积、周长等7个特征的最优特征子空间,采用参数优化之后的SVM分类器对90个粮虫样本进行分类,识别率达到95.5%以上,并与PCA法、GA法和原始特征法进行了对比,结果表明人工免疫算法降低了特征空间的维数,提高了分类器的识别率,证实了基于人工免疫算法的粮虫特征选择是可行的.     

基于改进AlexNet模型的抓毛织物质量检测方法

针对传统图像识别方法对抓毛织物表面特征难以提取且识别准确率低的问题,提出了一种改进AlexNet模型的抓毛织物质量检测方法,通过数据增强方法对抓毛织物数据进行扩充,构建卷积神经网络对抓毛织物的样本特征进行提取,利用SGDM、RMSProp、Adam优化算法和改变学习率相结合的实验方法,采用全新学习与迁移学习两种算法对抓毛织物图像数据集进行训练,在训练完成后,分别利用卷积神经网络的不同深度池化层提取抓毛织物样本的特征作为输入,将提取到的抓毛织物特征拟合支持向量机(SVM)分类器,最后对输入的抓毛织物图像进行分类。实验结果表明:使用卷积神经网络方法能够增加卷积层对抓毛织物表面特征的提取能力,获得具有较高分辨力的图像特征,通过数据增强和SGDM算法训练的模型,提取网络pool5层特征拟合SVM分类器,识别准确率明显提高。基于改进AlexNet模型的抓毛织物质量检测方法能够提取抓毛织物表面特征且识别率高。     

基于深度学习的粘虫板储粮害虫图像检测算法的研究

本文提出了一种基于深度学习的粘虫板储粮害虫图像检测算法,实现了放置在粮仓表面粘虫板诱捕的六大类害虫（米象/玉米象、谷蠹、扁谷盗、锯谷盗、拟谷盗、烟草甲）的定位和识别。考虑粘虫板图像的背景复杂、害虫体积较小、姿态多样的特点,改进了SSD的目标框回归策略、损失函数和特征提取网络结构,测试结果表明本文提出的算法可有效检测粘虫板上的害虫,检测平均正确率(mAP)可以达到81.36%。改进后的SSD算法部署在储粮害虫监测系统中,目前已在全国十一个粮库进行实验测试。     

基于视频目标跟踪算法的储粮害虫活跃程度判别研究

针对储粮害虫杀虫效果评估实验,本文提出了一种多目标跟踪算法,通过跟踪评估区域内多头储粮害虫的运动给出每头害虫的活跃程度,对害虫存活状态进行自动评估。算法基于 Faster R-CNN框架的目标检测技术,融合Mean Shift和Deep SORT目标跟踪算法,实现了对储粮害虫运动位置的连续跟踪,且减少了两头害虫相遇再分离后身份错位问题发生的情况。对于20头以内的同种害虫,平均多目标跟踪准确率为95.89%,多目标跟踪精度为83.18%。而且在目标跟踪算法中记录了每头储粮害虫的速度变化,通过分析一定时长的害虫移动速度,提出了一种评估储粮害虫活跃程度为低、中或高的分级方法,可以辅助实验人员对实验效果的分析。     

基于改进卷积神经网络的红枣缺陷识别

目的：建立一种基于改进的卷积神经网络的红枣缺陷自动识别方法。方法：采用双分支卷积神经网络结构,分支1结合迁移学习策略进行预训练,分支2基于轻量级网络融合特征图提取红枣图像中的特征信息。通过对比实验验证了该方法的优越性。结果：与改进前相比,改进后的缺陷识别方法优化了卷积神经网络的结构,检测准确率进一步提高,从96.02%提高到99.50%。结论：该方法提高了网络学习速度和收敛速度,具有较好的分类识别效果。     

一种探管式储粮害虫诱捕在线监测装置的设计研究

为实现对粮仓粮堆内害虫发生的早期监测,本研究基于探管式诱捕器和红外光电传感器研发了一种经济有效、可实时在线监测害虫发生的装置;基于该装置建立了9种主要储粮害虫成虫红外光电序列数据集;通过方差分析和数据可视化方法验证了其数据分布特性与害虫进入诱捕段的位置无关;对红外光电序列建立了高斯核支持向量机模型,通过实验室的测试,对蛀蚀性和粉食性两大害虫类别的判别达到了加权平均分类准确率87.7%、召回率87.5%和F1值87.6%。     

基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

基于扩展Shearlet变换、Krawtchouk矩和SVM的储粮害虫分类

为了进一步提高储粮害虫的识别精度,以便更有效地防治储粮害虫,提出了一种基于纹理和形状综合特征及全局混沌蜂群优化支持向量机(SVM)的储粮害虫分类方法。首先对储粮害虫图像进行扩展Shearlet变换,利用变换系数得到能量分布均值,加权后的能量分布均值构成纹理特征向量,用Krwtchouk矩不变量描述储粮害虫的形状特征;然后将纹理特征向量和形状特征向量分别归一化,两者结合构成储粮害虫的综合特征向量;最后用全局混沌蜂群算法优化SVM的核参数与惩罚因子,并应用参数优化的SVM进行分类。结果表明:与基于Gabor小波和支持向量机方法、基于Krawtchouk不变矩和支持向量机方法相比,本方法提取的储粮害虫特征信息更加完整,识别率更高。     

基于卷积神经网络的食品图像识别

目的 探究一种基于Inception_V3-CNN模型的食品图像识别和分类方法。方法 选取包含20类食品和19609张的食品图像建立数据集Food-101, 通过卷积神经网络(convolutional neural networks, CNN)提取图像候选区域的视觉特征, 并自动进行分类, 使其具有较高的识别率; 此外, 采集来自kaggle库中已标注的食品图像集做预测对比实验, 以保证Inception_V3-CNN模型检测的准确度。结果 该方法能够去除背景噪音, 且仅需部分提取视觉特征, 可以有效解决网络食品图像的分类问题, 与多视图支持向量机(support vector machine, SVM)+方向梯度直方图(histogram of oriented gradients, HOG)和传统CNN方法相比, 在测试时间相近、设备计算能力相同的条件下, 该方法识别率更高, 迭代次数为15000次时, Loss值降至4.92, 准确率可达93.89%。结论 此方法可以快速识别食品图像, 在实际网络图片中能有较好的可移植性。将算法移植到移动设备中实现APP的模块化操作也将成为后续工作探索的重点方向。     

基于多尺度卷积神经网络的缺陷红枣检测方法

提出了一种基于多尺度卷积神经网络的缺陷红枣检测方法,在AlexNet卷积神经网络上增加并行的多尺度卷积模块,增加网络的深度和宽度,减少网络中的参数;在卷积层中加入批标准化处理,减少训练过程中数据分布的变化,提高网络的泛化能力。以新疆干制红枣中的黄皮枣、霉变枣、破头枣和正常枣为研究对象,对这些干制红枣进行训练和验证。结果表明:该模型对黄皮枣、霉变枣、破头枣和正常枣的识别率分别为96.67%,96.25%,98.57%,97.14%,综合识别率可达97.14%。与其他的算法相比,该算法具有较强的稳健性,对缺陷红枣的识别准确率更高。