摘要：为解决棉花苗期杂草种类多、分布状态复杂,且与棉花幼苗伴生的杂草识别率低、鲁棒性差等问题,以自然条件下新疆棉田棉花幼苗期的7种常见杂草为研究对象,提出了一种基于优化Faster R-CNN和数据增强的杂草识别与定位方法。采集不同生长背景和天气条件下的杂草图像4 694幅,对目标进行标注后,再对其进行数据增强;针对Faster R-CNN模型设计合适的锚尺度,对比VGG16、VGG19、Res Net50和Res Net101这4种特征提取网络的分类效果,选定VGG16作为最优特征提取网络,训练后得到可识别不同天气条件下的棉花幼苗与多种杂草的Faster R-CNN网络模型。试验表明,该模型可对杂草与棉花幼苗伴生、杂草分布稀疏或分布紧密且目标多等情况下的杂草进行有效识别与定位,优化后的模型对单幅图像平均识别时间为0.261 s,平均识别精确率为94.21%。在相同训练样本、特征提取网络以及环境设置条件下,将本文方法与主流目标检测算法——YOLO算法和SSD算法进行对比,优化后的Faster R-CNN模型具有明显优势。将训练好的模型置于田间实际环境进行验证试验,识别过程对采集到的150幅有效图像进行了验证,平均识别精确率为88.67%,平均每幅图像耗时0.385 s,说明本文方法具有一定的适用性和可推广性。

摘要：为解决田间环境复杂背景下病害识别困难、识别模型应用率低的问题,提出了一种基于改进卷积神经网络的玉米病害识别方法,探讨了数据集的品质对建立模型性能的影响。利用复杂背景下的玉米病害图像进行数据增强、背景去除、图像细分割和归一化等处理,设计了具有5层卷积、4层池化和2个全连接层的卷积神经网络结构,利用L2正则化和Dropout策略优化网络,对复杂背景下的玉米9种病害进行识别训练和测试,优化后的CNN模型平均识别精度为97.10%,比未优化的网络模型提高9.02个百分点。利用不同大小、不同品质的数据集对优选网络进行训练和测试,数据增强后比原始样本平均识别精度提高了28.17个百分点;将复杂背景去除后,模型性能进一步提升,识别精度达到97.96%;对数据集进行细分割处理后,平均识别精度为99.12%,表明卷积神经网络需要大量的训练数据,且数据集需有一定的代表性和品质。开发了基于移动端的玉米田间病害识别系统,系统测试结果表明,平均识别准确率为83.33%,系统能够实现田间复杂环境下的玉米病害识别。

摘要：为进一步提高核桃仁分类识别的准确性和实时性,提出一种基于卷积神经网络的算法模型。该模型包括输入层,4个卷积层和池化层构成的隐藏层,2个全连接层和输出层,并通过参数的优化设计来增强卷积网络模型的泛化性和鲁棒性。通过OpenVINO^(TM)(Open Visual Inference&Neural Network Optimization)工具套件进行推理优化缩短算法执行时间,以期提高识别的实时性。将训练后的卷积网络模型进行推理优化并进行试验验证。试验结果表明:未经过推理优化的卷积网络模型的识别正确率为98.31%,平均识别实别时间为323.2 ms,经过推理优化的卷积网络模型的识别正确率为99.44%,平均识别实别时间为29.6 ms,相比未经过推理优化的卷积网络模型在准确率以及实时性方面都有所提升,且执行时间提升10倍左右,经过推理优化的卷积网络模型能够较好地满足核桃仁的分类识别,具有一定的适用性。

摘要：为实现核桃园林中青皮核桃的识别与定位,设计了基于深度卷积神经网络的机器视觉检测方法。该方法在Faster R-CNN模型基础上加入批归一化处理和感兴趣区域校准算法,对比4种不同特征提取器,建立适合本研究的卷积神经网络模型,并与其他主流检测算法进行对比试验。研究表明,在Faster R-CNN模型框架下使用VGG16特征提取器具有更优的性能,平均精确率为97.56%,平均检测耗时为0.219 s,与原始Faster R-CNN模型相比,改进后的算法模型精确率提高了5.19%,平均检测耗时减少了0.156 s;与YOLO v3、YOLO v4和SSD300等检测算法相比,所提方法在平均精确率和识别速度上具有综合优势。利用视频影像验证了该方法在园林环境中识别的可行性,能够保持较高的平均精确率和实时性。所提方法能够为机器人自动采摘核桃提供研究基础。

摘要：在核桃精深加工过程中,风选法可以实现核桃壳仁混合物料高效无损地分离。为了研究不同等级的核桃壳仁颗粒在气流场中的分选效果,本文设计一种负压垂直气流风选装置,采用计算流体力学(CFD)与离散单元法(DEM)耦合的方法对风选过程进行仿真模拟,引用清选率与损失率量化风选效果。结果表明:当进料量一定,进风口风速19 m/s时,二分之一壳仁混合物料清选率达到96.5%,损失率仅为0.41%,分选效果最佳;进风口风速为17 m/s时,四分之一壳仁混合物料清选率为94.8%,损失率为0.8%,分选效果较为理想;进风口风速为16 m/s时,八分之一壳仁混合物物料清选率为92%,损失率为1.22%,风选效果较为合理。研究表明在垂直风道里,核桃壳的流动速度围绕某一固定值上下波动,核桃仁沉降速度随着颗粒浓度增加而减小并逐渐趋于稳定。

摘要：基于深度学习的作物病害自动识别已成为农业信息化领域新的研究热点,为探究数据集的大小和质量对基于深度学习的作物病害识别有效性的影响,研究不同数据集训练得到的模型识别效果并进行了分析。以338张玉米病害数据集为例,对其进行数据增强、移除背景和细分割划分等处理,设计5个AlexNet框架的CNN网络模型并利用不同类型的数据集进行测试,使用十倍交叉法验证识别结果。试验结果表明:使用不同数量和等级的数据训练后的模型识别准确率分别为56.80%、78.30%、80.50%、89.30%和81.00%。在获得每个网络的最终精度后,挑选出识别错误的图像进行分析,结合前人的研究结果,得出影响深度神经网络用于作物病害识别有效性的9个主要因素。数据集对基于深度学习的作物病害识别有效性的影响因素主要分为带注释的数据集大小、叶片症状代表性、协变量转移、图像背景情况、图像数据获取过程、症状分割、特征多变性、并发性病害以及症状的相似性等这9类,该试验能够为深度学习技术田间病害识别的实际应用中提供依据和指导。