共查询到20条相似文献，搜索用时 31 毫秒
1.
快速准确识别奶牛粪便形态,对于奶牛肠胃健康监测与精细管理具有重要意义。针对目前奶牛粪便识别人工依赖强、识别难度大等问题,提出了一种基于VGG-ST（VGG-Swin Transformer）模型的奶牛稀便、软便、硬便及正常粪便图像识别与分类方法。首先,以泌乳期荷斯坦奶牛粪便为研究对象,采集上述4种不同形态的粪便图像共879幅,利用翻转、旋转等图像增强操作扩充至5580幅作为本研究数据集;然后,分别选取Swin Transformer、AlexNet、ResNet-34、ShuffleNet和MobileNet 5种典型深度学习图像分类模型进行奶牛粪便形态分类研究,通过对比分析,确定Swin Transformer为最优基础分类模型;最后,融合VGG模型与Swin Transformer模型,构建了VGG-ST模型,其中,VGG模型获取奶牛粪便局部特征,同时Swin Transformer模型提取全局自注意力特征,特征融合后实〖JP3〗现奶牛粪便图像分类。实验结果表明,Swin Transformer模型在测试集中分类准确率达859%,与ShuffleNet、ResNet-34、MobileNet、AlexNet模型相比分别提高1.8、4.0、12.8、23.4个百分点;VGG-ST模型分类准确率达89.5%,与原Swin Transformer模型相比提高3.6个百分点。该研究可为奶牛粪便形态自动筛查机器人研发提供方法参考。 相似文献
2.
输电线路的故障会给电力系统带来重大影响,因此对其进行准确预测变得尤为重要,文章旨在探索如何有效地结合现有输电线路监控系统与先进的深度学习技术,以实现对故障的预测。本研究选择了基于MobileNet架构的卷积神经网络,采用了深度分离卷积、Transformer注意力机制、多尺度特征提取等技术,训练过程中还采用了迁移学习和域自适应技术来增强模型的泛化能力。在验证数据集上,本研究算法实现了更短的检测时间和更高的正确率,优于VGG16和原卷积神经网络,也证明了模型在各种场景下的鲁棒性。本次探索为输电线路的维护和预测提供了可行的方法,也为电力行业在实际应用中集成深度学习技术提供参考。 相似文献
3.
针对小麦腥黑穗病轻度患病籽粒易与健康籽粒混淆,人工识别难度大的问题,将校正光谱序列融合技术与深度学习模型相结合,实现小麦腥黑穗病籽粒快速、精准分类。以健康、轻度患病、重度患病各300粒小麦籽粒的高光谱数据为样本,通过多元散射校正算法(MSC)和标准正态变换算法(SNV)对原始光谱进行预处理,并利用二维相关光谱法(2D-COS)分析SNV与MSC算法处理后的光谱之间的互补性。使用校正光谱序列融合技术将原始光谱、SNV预处理光谱与MSC预处理光谱三者进行融合得到序列融合光谱,以充分利用不同光谱预处理数据间的互补信息。最终,利用序列融合光谱数据建立基于ResNet 50算法的小麦腥黑病分类模型。试验结果表明,序列融合光谱ResNet 50模型总体准确率最高为93.89%,F1值为93.87%,分类性能优于单一预处理光谱建立的ResNet 50模型。为进一步评估模型分类效果,使用序列融合光谱分别建立偏最小二乘判别分析(PLS-DA)、支持向量机(SVM)以及集成学习算法模型随机森林(RF)与极端梯度提升树(XGBoost)模型,并进行对比,结果显示：SVM、PLS-DA、RF与XGBoost总体准确率分别为81.67%、84.44%、89.44%与90.55%,F1值分别为81.59%、84.04%、89.49%与90.59%,ResNet 50总体准确率与F1值优于传统光谱分析模型。因此,本研究表明校正光谱序列融合技术结合深度学习模型,能够实现对不同患病程度腥黑穗病籽粒的有效分类。 相似文献
4.
伴生杂草不仅与作物争夺养分和水分,而且还是多种病虫害的中间寄主,成为困扰作物高效生产的难题。随着深度学习技术的发展,杂草的自动检测和分类识别在清除杂草过程中得到重要应用。首先阐述应用于杂草识别过程中深度学习的硬件需求以及软件实现过程,分析用于深度学习不同硬件的优缺点,阐述深度学习模型建立、训练、模型评估以及模型部署等基本步骤;并重点论述深度学习方法在杂草和作物识别以及杂草分类识别的研究进展。然后指出深度学习数据需求量大,目前无通用数据集,杂草、作物相互遮挡,光照环境复杂,机器作业条件恶劣等情况下识别准确率低的问题。最后提出图像与光谱数据融合、杂草识别模型模块化、杂草长势预测、模型嵌入式部署研究将成为基于深度学习的杂草识别方法未来的研究方向。 相似文献
5.
为实现对柑橘叶片病虫药害种类的快速精准识别,针对多种类柑橘病叶设计一种融合注意力机制(Attention mechanism)的双向门控循环单元-循环神经网络(Attention-bidirectional gate recurrent unit-recurrent nural network, Att-BiGRU-RNN)分类模型。该模型在编解码模块分别采用BiGRU和RNN结构,能够利用高光谱数据前后波段光谱信息的关联性,有效提取光谱信息的深层特征;根据不同波段光谱信息的差异性引入注意力机制动态分配权重信息,提高重要光谱特征对分类模型的贡献率,提升模型的分类准确率。获取6类柑橘叶片高光谱信息,构建实验样本集,利用Att-BiGRU-RNN、VGG16、SVM和XGBoost分别建立柑橘病叶分类模型,Att-BiGRU-RNN模型总体分类准确率(Overall accuracy, OA)平均可达98.21%,相较于其他3种模型分别提高4.71、10.95、3.89个百分点,对光谱曲线重合度高的除草剂危害和煤烟病叶片的分类准确率有显著提升。实验结果表明,深度学习方法可有效利用高光谱不同... 相似文献
6.
荒漠草原植被稀疏、裸土细碎化分布对遥感数据空间分辨率和光谱分辨率的指标精度提出更高要求,目前应用于遥感场景的深度学习模型隐藏层较多、模型结构复杂,且采用经典深度学习模型未考虑遥感数据内在特点,导致模型训练普遍存在计算过度、耗时增加等问题。本文利用低空无人机（Unmanned aerial vehicle,UAV）遥感平台搭载高光谱成像光谱仪采集荒漠草原地物高光谱数据,发挥高空间分辨率与高光谱分辨率相结合的优势,并基于三维卷积神经网络（Three-dimensional convolutional network,3D-CNN）方法提出一种适合荒漠草原地物植被、裸土、标记物识别的精简学习分类模型,进行参数组合调优,在调整学习率、批量规模、卷积核尺寸及数量后,最高总体分类精度（Overall accuracy,OA）可达到99.746%。研究结果表明,精简学习分类模型的优化建立在超参数选择基础上,为获得精度高、耗时短、性能稳定的最优模型,需不断调整超参数并对比不同组合分类效果。基于无人机高光谱技术的精简学习分类模型在荒漠草原地物的分类识别应用中具有较大优势。 相似文献
7.
为实现茶叶病害精准分类,针对茶叶病害图像分类中小样本问题及类别分布不均的问题,提出了一种基于迁移学习的SimAM-ConvNeXt-FL模型的病害图像分类方法。首先在ConvNeXt模型中加入SimAM模块,以加强复杂特征的提取。其次针对样本分布不均问题,将Focal Loss函数作为训练过程中的损失函数,通过增加数量较少样本的权重来减小样本分布不均的影响。最后使用SimAM-ConvNeXt-FL模型对Plant Village数据集训练,将训练得到的参数迁移到实测的茶叶病害图像上并进行微调,减少过拟合带来的影响,设置消融实验证明模型改进的有效性,并与不同分类模型(AlexNet、VGG16、ResNet34模型)分别进行对比实验。实验结果表明,SimAM-ConvNeXt-FL模型识别效果最佳,准确率达96.48%, SimAM-ConvNeXt-FL模型较原ConvNeXt模型在茶煤病、茶藻斑病、茶炭疽病、健康叶片和茶白星病的F1值分别提高4.46、3.76、0.43、0.22、5.23个百分点。结果表明本文提出的模型具有较高的分类准确率与较强的泛化性,可推进茶叶病害分类工作发展... 相似文献
8.
基于卷积网络的沙漠腹地绿洲植物群落自动分类方法 总被引：1，自引：0，他引：1
为解决沙漠腹地绿洲遥感图像植物群落背景较易混淆,仅用传统的基于像元光谱信息的图像处理方法未能充分利用其图像特征信息,使得提取效果不佳的问题,针对地物类内特征复杂、类间边界模糊的特点,以连续分布的区域为研究对象,提出了一种基于深度卷积神经网络(Convolutional neural network,CNN)的高分辨率遥感影像植物群落自动分类方法。切分无人机影像获得规则块图像,利用基于CNN的VGGNet和Res Net模型分别对块图像的特征进行抽象与学习,以自动获取更加深层抽象、更具代表性的图像块深层特征,从而实现对植物群落分布区域的提取,以原图像与结果图像叠加的形式输出植物群落自动分类结果。采用了不同梯度的样本数量作为训练样本,利用文中提出的方法分析了不同梯度的训练样本数量对自动分类结果的影响。实验结果表明,训练样本数量对分类精度具有明显的影响;提高其泛化能力后,Res Net50模型与VGG19模型的建模精度从86. 00%、83. 33%分别提升到92. 56%、90. 29%; Res Net50模型分类精度为83. 53%～91. 83%,而VGG19模型分类精度为80. 97%～89. 56%,与传统的监督分类方法比较,深度卷积网络明显提高了分类精度。分类结果表明,训练样本数量不低于200时,基于CNN的Res Net50模型表现出最佳的分类结果。 相似文献
9.
10.
针对大田蔬菜对靶施药过程中靶标难以精准识别定位的问题,以甘蓝为研究对象,进行基于深度学习的靶标在线识别方法与模型研究。对比3种当前性能较优的目标检测模型Faster R-CNN、SSD和YOLO v5s,选择YOLO v5s作为田间甘蓝识别迁移学习模型,提出一种MobileNet v3s主干特征提取网络与深度可分离卷积融合的YOLO-mdw大田甘蓝目标识别方法,实现复杂环境下的大田甘蓝实时识别;提出一种基于卡尔曼滤波和匈牙利算法的甘蓝目标定位方法,并将模型部署于NVIDIA Xavier NX开发板上。试验结果表明,YOLO-mdw识别模型在晴天、多云、阴雨天气条件下识别准确率分别为93.14%、94.75%和94.23%,图像处理时间为54.09 ms,相对于YOLO v5s模型用时缩短26.98%;速度不大于0.6 m/s时,识别准确率达94%,平均定位误差为4.13 cm,平均甘蓝直径识别误差为1.42 cm。该靶标识别系统能在大田复杂环境下对甘蓝进行实时识别定位,为对靶施药提供技术支持。 相似文献
11.
12.
赤霉病是影响小麦产量和品质的主要病害之一。为快速、有效地监测小麦赤霉病的发生情况,利用数码相机对人工接种赤霉病菌的小麦田进行RGB图像获取,在图像预处理基础上,对Deeplabv3+网络模型进行调参和训练。以轻量化网络MobileNet V2为网络编码模块,利用空洞卷积技术建立基于深度学习网络的小麦赤霉病发病麦穗的识别与检测模型,并用实测数据对模型进行验证和评价。结果表明,该模型的平均精度为0.969 2,损失函数Loss为0.103 0,平均交并比MIoU为0.793,模型识别与检测效果较好。上述结果为小麦赤霉病的检测与识别提供新的手段。 相似文献
13.
针对传统苹果叶部病害分类方法精准性差、效率低等问题,提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支,强化网络对叶部病害区域的特征提取能力,提高病害的识别精度和实时性。为更好地引导网络学习到零散分布的病害斑点的特征,引入特征图随机裁剪分支,不仅实现有限样本空间的扩充,还进一步优化网络结构,提高训练速度。试验以苹果5类常见的叶部病害(黑星病、黑腐病、雪松锈病、灰斑病、白粉病)为主要研究对象,并与主流分类算法模型进行对比。试验结果表明,所提ResNet18-CBAM-RC1模型病害分类准确率可达98.25%,高于ResNet18(93.19%)和VGG16(96.13%),能够有效提取叶片病害特征,增强对多类病害的识别,提高识别准确率。此外,模型内存占用量仅为37.44 MB,单幅图像推理时间为9.11 ms,可满足嵌入式设备上果园病害识别的实时性要求。 相似文献
14.
为了在病害发生条件下进行玉米LAI的遥感估算,针对41个不同抗性的玉米自交系品种,通过人工接种方法,获得了不同病害严重程度(1～9级)的LAI数据,同时采集了地面高光谱和无人机多光谱数据,构建了K近邻算法、支持向量机、梯度提升分类树和决策分类树分类模型对病害进行分类,对玉米种质资源抗病性进行了划分。基于不同玉米病害胁迫程度分类结果,采用随机森林回归、梯度提升回归树、极端梯度增强算法、轻量梯度提升机4种机器学习模型对玉米LAI进行反演,讨论了不同模型在病害胁迫下的鲁棒性。研究结果表明,对不同生育期玉米病害程度进行划分,基于地面高光谱识别精度分别为84.72%(梯度提升分类树)、47.67%(支持向量机)、55.05%(K近邻算法)、83.02%(决策分类树)。基于病害分类结果,本文利用无人机多光谱数据估算了不同病情等级胁迫下的玉米LAI。构建了4种集成学习模型对不同病情等级的LAI进行估算,4个LAI反演模型的总体反演精度(rRMSE)分别为：19.11%(梯度提升回归树)、15.94%(轻量梯度提升机)、14.51%(随机森林回归)和15.45%(极端梯度增强算法)。其中极端梯度增强算... 相似文献
15.
基于YOLOv4的猪只饮食行为检测方法 总被引：7，自引：0，他引：7
针对猪舍环境下猪只饮食行为自动化检测程度较低的问题,提出了一种基于YOLOv4的猪只饮食行为检测模型。基于多时间段、多视角和不同程度遮挡的猪只饮食图像,建立了猪只饮食行为图像数据库,利用YOLOv4深度学习网络的深层次特征提取、高精度检测分类特性,对猪只饮食行为进行检测。结果表明,基于YOLOv4的猪只饮食行为检测模型在不同视角、不同遮挡程度以及不同光照下均能准确预测猪只的饮食行为,在测试集中平均检测精度(m AP)达到95.5%,分别高于YOLOv3、Tiny-YOLOv4模型2.8、3.6个百分点,比Faster R-CNN模型高1.5个百分点,比Retina Net、SSD模型高5.9、5个百分点。本文方法可为智能养猪与科学管理提供技术支撑。 相似文献
16.
不同品种苹果之间往往存在较大的价格差异,为了防止从采购到销售过程中因苹果品种分类不当产生经济损失,提出了一种基于融合注意力机制的自动识别和分类模型EBm-Net(针对苹果类型)。该模型通过融合通道注意力和空间注意力机制充分提取了苹果表面的形状轮廓特征和颜色纹理特征,从而进一步增加苹果类型之间的特征距离。同时,从特征图和类别概率统计图2方面证明了EBm-Net在苹果品种分类方法上的有效性。实验结果表明,EBm-Net网络模型在红富士、乔纳金、秦冠、小国光、金冠、澳洲青苹、嘎啦上的分类准确率分别为96.25%、96.25%、100%、92.50%、98.75%、100%和93.75%,7种苹果类型的总体分类准确率高达96.78%。因此,将视觉图像与深度学习相结合对苹果品种进行分类和识别是可行的,为苹果品种的实时检测提供了一种新的方法。 相似文献
17.
近年来,基于传统机器学习和深度学习的叶片病害识别算法取得显著进展。然而现有病害识别模型大多采用单一类型特征,即对叶片病害图像提取颜色纹理等传统特征或采用深度学习自动学习特征。一方面采用深度学习自动学习特征需要大量样本,计算开销较大;另一方面传统特征往往应用于小规模病害数据集。因此提出基于多视图特征融合的病害识别算法,首先提取病害叶片图像的Gist特征以及基于深度学习预训练模型VGG16的深度特征,通过深度典型相关分析(DCCA)发掘传统特征与深度特征的相关性,获得更加鲁棒的特征子空间,从而提高识别效果。在Plant Village上的试验结果表明,采用DCCA融合传统特征和深度特征的识别方法比单类型特征识别法的识别精度要高,其平均识别精度可达88.45%。 相似文献
18.
为提高智能甘蔗收获的准确性，降低算法对部署的高算力要求，利用轻量级目标检测算法YOLOv4-tiny相对YOLOv4算法更简化的网络结构、更高的推理速度等优点，提出基于MobileNet和网络瘦身的两种YOLOv4-ting识别算法方案，并比较二者的精度和模型复杂度。其中，基于网络瘦身算法的YOLOv4-tiny在精度较瘦身前(947%)下降0.6%的情况下，模型复杂度下降为原来的1/3，即瘦身后的FLOPs和Params分别为1.1 G和1 789 658。而以MobileNet为Backbone的YOLOv4-tiny在精度下降1.92%的情况下，它的FLOPs和Params为1.29 G、2 600 068，其在精度和模型复杂度上的表现都不如瘦身后的YOLOv4-tiny模型。结果表明：基于网络瘦身算法的YOLOv4-tiny甘蔗茎节识别模型可有效降低模型复杂度，其计算量对嵌入式设备和移动式设备友好。该研究可为智能甘蔗收割机构的开发提供技术参考。 相似文献
19.
针对现有基于卷积神经网络的水果图像分类算法均使用池化层进行降维处理会丢失部分特征,导致分类精度有待提高的问题,提出FC-CNN(Fruit Classification Convolutional Neural Network)水果图像分类算法。该算法基于深度卷积神经网络思想,设计了一种由二维卷积层、批量规范化层和激活函数组成的网络结构,利用Sofmax loss和L2正则化进行损失函数设计。算法使用卷积加步长替代池化层,让网络具有自主学习下采样能力,使用批量规范化层用于解决网络过拟合问题。采用Fruits-360数据集进行测试,实验表明,FC-CNN可以识别出48种水果,准确率可达到99.63%。与现有的深度学习水果图像分类算法相比,FC-CNN的识别准确率更高,识别种类更多。 相似文献
20.
基于迁移学习的农作物病虫害检测方法研究与应用 总被引：3，自引：0，他引：3
为了提高农作物病虫害严重程度（健康、一般、严重）的分类效果，采用迁移学习方式并结合深度学习提出了一种基于残差网络（ResNet 50）的CDCNNv2算法。通过对10类作物的3万多幅病虫害图像进行训练，获得了病虫害严重程度分类模型，其识别准确率可达91.51%。为了验证CDCNNv2模型的鲁棒性，分别与使用迁移学习的ResNet 50、Xception、VGG16、VGG19、DenseNet 121模型进行对比试验，结果表明，CDCNNv2模型比其他模型的平均精度提升了2.78~10.93个百分点，具有更高的分类精度，病虫害严重程度识别的鲁棒性增强。基于该算法所训练的模型，结合Android技术开发了一款实时在线农作物病虫害等级识别APP，通过拍摄农作物叶片病虫害区域图像，能够在0.1~0.5s之内获取识别结果（物种-病害种类-严重程度）及防治建议。 相似文献