摘要：基于图像处理方法,以23个常见玉米品种叶片作为供试样本,每张叶片采集反射和透射图像,每幅图像分别提取形态、颜色和纹理三大类共48个外观特征,构建支持向量机模型进行训练识别。结果表明,48个特征的整体识别率可达到87%以上,颜色类特征较形态类和纹理类特征具有较高的识别率,形态类特征中反映大小的特征识别率较低。对不同类别的特征组合后,识别率均达到86%以上。品种的数量影响着样本识别结果,当品种数量大于17之后,识别率明显降低。透射图像较反射图像具有更好的识别效果。

摘要：快速、准确地识别农作物品种对我国粮食安全和农业发展具有重要意义。为实现玉米种子的快速鉴别与保护,本研究提出一种基于MobileNetV2和卷积注意力机制的玉米籽粒品种识别算法。首先购得市面上9个常规玉米品种的籽粒,使用佳能80D型相机对其胚面和胚乳面进行图像采集,构建了包含3408张图像的玉米籽粒识别数据集,按照7∶2∶1划分训练集、验证集和测试集,并对训练集图像进行数据增强处理;然后设计注意力模块ISPAM(Improved Spatial Attention Module),即在卷积注意力模块(CBAM)基础上,提出一种新的通道注意力模块ICAM对CBAM的通道注意力机制进行改进,同时引入空间金字塔池化(SPP)模块替换CBAM空间注意力模块中的平均池化模块和最大池化模块,构建了玉米籽粒品种识别模型MobileNetV2_ISPAM。将MobileNetV2_ISPAM与添加其他注意力模块的模型对比,结果表明,MobileNetV2_ISPAM在测试集上的准确率为99.11%,均明显高于MobileNetV2以及添加SE(Squeeze-and-Excitation)、CBAM注意力机制的模型。梯度加权类激活映射网络可视化表明,MobileNetV2_ISPAM更关注玉米籽粒图像中的显著特征,从而提高了模型的准确率。此外,该模型的参数量仅为7.15 M,适合移动端的便携化部署。本研究在保证模型轻量高效的前提下,提升其抵抗过拟合能力和分类性能,为以后基于深度学习的移动端玉米籽粒图像识别模型研究提供了思路。

摘要：为了提高计算机视觉技术对玉米品种的识别率,研究基于遗传组合神经网络的玉米品种识别方法。利用自制的动态计算机视觉系统,获取了4种具有代表性的西南地区杂交玉米种子图像,提取了8个形态特征参数和6个颜色特征参数。针对玉米品种识别特点,设计了由4个子网络组成的遗传算法优化的径向基函数组合网络,并优选了特征参数组合,优化了网络参数。经验证对比试验表明,本方法识别率可达95%,优于其它识别方法,切实提高了玉米品种识别率。

摘要：玉石作为珍贵的宝石,在市场上存在着真伪难辨和品种鉴别困难等问题。准确识别玉石品种对消费者购买珠宝和珠宝行业发展具有重要意义。基于紫外可见近红外光谱仪的玉石品种识别技术能够提供非接触、快速和准确的手段来鉴定不同玉石品种,解决了传统鉴定方法中可能存在主观性和人为误差等问题。本文以紫外可见近红外光谱仪的玉石品种识别与鉴别技术为切入点,详细分析了该技术原理及其在珠宝行业中的应用。通过预处理、光谱测试、数据处理与特征提取等步骤,可以实现对未知玉石样品进行真伪判断和品种识别。该方法具有高效准确的优势,并且可以帮助消费者做出明智的购买决策。

摘要：为快速、精准、无损地识别苹果品种,促进苹果产业快速发展,凸显高品质品种苹果优势,本研究采用介电频谱技术,以阿克苏地区3个品种的‘红富士’苹果作为研究对象,基于LCR数字测试仪采集了120个苹果样本在0~100 kHz的介电特频谱数据作为原始输入参数,在全频和连续投影算法优选频率条件下,利用误差反向传播网络与极限学习机2种方法建立了品种识别模型,并对模型精度进行了分析比较。结果表明,所建立的模型平均准确率均在80%以上,频率优选条件下的2种模型分类准确率可达到90%。然而由于以上模型方法存在无用信息,导致建立的模型稳定性较差,需要数据预处理、降维等步骤,操作耗时,且过程繁琐,致使分类结果稳定性较差。基于此,设计了一维卷积神经网络品种分类模型,与其他模型相比,一维卷积神经网络分类模型以原始参数作为输入,校正集与预测集中的平均分类准确率分别为98.48%和99.26%,模型稳定性更好,且可简化模型复杂度,改善苹果分类的准确性和稳定性,更适宜于苹果品种的识别。

摘要：利用数字图像处理技术识别观赏菊品种的方法。首先设计一套观赏菊图像采集系统,可以克服因环境光线不稳定给图像质量带来的影响,并为菊花图像提供简单的图像背景。然后针对观赏菊的特点,分别从颜色、形状和纹理三个方面来描述菊花特征,融合特征并建立特征模型。最后采用KNN算法对未知观赏菊品种进行分类识别。本文对20个观赏菊品种(每个品种130幅图像)进行试验,其中每个品种训练样本100幅,测试样本30幅。实验结果表明,20个品种的平均正确识别率可达到92.17%,验证利用图像处理技术识别观赏菊品种的可行性。

摘要：优良品种对提高农业产量和收入起着关键作用,针对现有的种业安全问题,为实现玉米品种的快速识别和保护,构建一种基于玉米果穗图像的品种识别模型。将采集到的1000张玉米果穗图像经预处理后按7∶2∶1的比例划分为训练集、验证集和测试集,并对数据集进行平移、翻转等多种数据增强处理。通过迁移学习,将预训练好的权重和参数迁移到NASNet-mobile、Xception、ResNet50V2、MobileNetV2、DenseNet121、VGG16模型进行对比,结果表明,NASNet-mobile识别性能较好,识别率达90%。不同优化算法的对比表明,优化器选择Adam模型具有更好的表现。在此基础上,对多种全连接层模块进行试验,结果表明,全连接层数量为2层、维度为256时可以得到更好的玉米果穗图像特征,最终模型在全连接层模块下的识别准确率达95%,较NASNet-mobile提升5%,实现了对玉米品种的分类识别。以上结果为玉米品种的快速精准鉴定以及种质资源保护提供了智能化技术支持。

摘要：目的:改善现有水果识别与分级方法依赖于人工操作和复杂设备的情况。方法:提出了一种轻量化模型YOLO-FFD(YOLO with fruit and freshen detection),该模型以YOLOv5框架为基础,基于深度可分离卷积和GELU激活函数设计轻量化模块LightweightC3作为主干特征提取网络的基本单元,减少模型参数量和计算量,加快模型的收敛速度;使用大内核深度可分离卷积模块EnhancedC3改进原模型的颈部,抑制信息丢失并增强模型的特征融合能力,提高模型的检测精度;采用GSConv代替特征融合网络中的普通卷积,使模型进一步轻量化。结果:提出模型的平均精度均值达到了96.12%,在RTX 3090上速度为172帧/s,在嵌入式设备Jetson TX2上速度为20帧/s。相比于原始YOLOv5模型,平均精度均值提高了2.21%,计算量减少了26%,在RTX 3090和Jetson TX2上的速度分别提高了2倍和1倍。结论:YOLO-FFD模型能够满足识别水果品种和新鲜度的需求,且在复杂场景下错检、漏检情况均有改善。

摘要：研制了一种基于计算机视觉技术的动态多对象玉米品种识别系统,设计选用3CCD彩色摄像头、图像采集卡、光电开关、输送带、照明箱等零部件组成硬件装置。利用Visual C++6.0、Access 2007软件,编制图像采集、图像处理、特征提取、模式识别、特征库等功能模块程序,构成软件部分。系统对4种具有代表性的西南地区杂交玉米进行了品种识别,结果表明,最高识别率可达95%,最短识别时间为5.4 s。动态多对象玉米品种快速识别系统可实现多粒玉米种子的动态、快速、准确识别。

摘要：种子精选是种子工程发展中需要解决的关键问题之一。该文设计了动态玉米籽粒品质检测分级系统,利用玉米籽粒的形态特征将种子分为4级,利用颜色特征将种子分为3级,分级合格率分别为81.8%和93.04%;设计了玉米籽粒品种识别系统,利用基于贝叶斯准则的分类器和基于支持向量机的模式识别方法,可实现农大80、农大108、高油115、农大4967、白糯6号共5个玉米品种的识别,平均识别准确率为92%;研制了玉米单倍体籽粒分拣系统,根据其颜色特征及模式识别技术进行玉米单倍体识别后使用二自由度并联机器人机构,采用气吸方式进行分拣,分拣精度为80%。