共查询到20条相似文献，搜索用时 265 毫秒
1.
基于自适应卷积神经网络的染病虾识别方法 总被引：1，自引：0，他引：1
针对南美白对虾样本来源多样导致的泛化效果较差的问题,引入香农信息论构造不同来源样本的特征差异模型,以深度卷积神经网络(DCNN)为识别框架基础,依据多源样本组成的数据集在分类前后呈现的熵减规则计算DCNN中的网络超参数,消解数据集从随机输入到规则输出的信息熵,打破数据类型从三维输入到一维输出的熵变动,实现图像数据由高维空间向低维空间的映射,获取DCNN中关于超参数和网络深度的自适应优化策略,以提高识别不同来源染病虾的泛化效果。实验结果表明,所提方法在单个数据集上的识别精度最高可达97.96%,并在其他4个图像数据集上进行了测试泛化,泛化精度下降幅度小于5个百分点。 相似文献
2.
针对现有深度学习技术在奶牛关键点检测研究中尚存在网络复杂度高、检测速度慢等问题，提出了一种轻量化奶牛关键点检测模型SimCC-ShuffleNetV2。在模型中，主干网络采用ShuffleNetV2用于特征提取，有利于实现网络的轻量化；检测头采用SimCC用于关键点位置预测，SimCC采取坐标分类的方法使得检测更加简单高效。为了验证模型的性能，本研究设计了奶牛的关键点及骨架结构，并标注了3 600幅图像用于模型的训练与测试。试验结果表明，SimCC-ShuffleNetV2模型的AP50:95为88.07%,浮点运算量为1.5×108,参数量为1.31×106,检测速度为10.87 f/s,可以实现奶牛关键点的精确与高效检测。与基于回归的DeepPose网络、基于热力图的HRNet网络进行了对比试验，结果表明SimCC-ShuffleNetV2取得了精度与速度的良好平衡。同时，本研究通过更换不同主干与不同检测头的方式，对比验证了不同模块对模型性能影响，本研究所提出的模型在所有试验中均取得了最佳结果，表明ShuffleNe... 相似文献
3.
[目的/意义]实现复杂的自然环境下农作物害虫的识别检测,改变当前农业生产过程中依赖于专家人工感官识别判定的现状,提升害虫检测效率和准确率具有重要意义。针对农作物害虫目标检测具有目标小、与农作物拟态、检测准确率低、算法推理速度慢等问题,本研究提出一种基于改进YOLOv8的复杂场景下农作物害虫目标检测算法。[方法]首先通过引入GSConv提高模型的感受野,部分Conv更换为轻量化的幻影卷积(Ghost Convolution),采用HorBlock捕捉更长期的特征依赖关系,Concat更换为BiFPN (Bi-directional Feature Pyramid Network)更加丰富的特征融合,使用VoVGSCSP模块提升微小目标检测,同时引入CBAM (Convolutional Block Attention Module)注意力机制来强化田间虫害目标特征。然后使用Wise-IoU损失函数更多地关注普通质量样本,提高网络模型的泛化能力和整体性能。之后,对改进后的YOLOv8-Extend模型与YOLOv8原模型、YOLOv5、YOLOv8-GSCONV、YOLOv8-BiFPN、... 相似文献
4.
围绕水产养殖水下目标精准识别的产业发展需求,针对小样本目标识别精度低、模型算法场景适应能力差等问题,提出一种基于改进循环对抗网络（Cycle constraint adversarial network, CycleGAN）样本扩增和注意力增强迁移学习的小样本养殖鱼类识别方法。利用水下采样装备收集实际养殖场景和可控养殖场景大黄鱼图像,并以可控场景图像作为辅助样本集。利用CycleGAN为基础框架实现辅助样本到实际养殖场景图像的迁移,并提出一种基于最大平均差异（Maximum mean discrepancy, MMD）的迁移模型损失函数优化方法。在迁移学习阶段使用ResNet50为基础框架,并引入SK-Net（Selective kernel network）注意力机制优化模型对不同感受野目标的感知能力,提升模型对无约束鱼类目标的识别精度。试验结果表明,本文方法有效提升了小样本鱼类目标的识别能力,鱼类识别召回率达到94.33%,平均精度均值达到96.67%,为鱼类行为跟踪和表型测量提供了有效的技术支撑。 相似文献
5.
《农业机械学报》2019,(Z1)
针对复杂背景下行人跟踪任务的深度学习网络模型和在线行人跟踪算法问题,在多层竞争融合模型目标检测预训练区域建议网络基础上,结合长期和短期并存的在线学习更新策略,实现行人跟踪任务。预训练网络的特征提取过程以VGG16为主干网络,将提取的特征投入多层竞争融合区域建议网络中,进而生成定位更准确的候选目标。在线跟踪算法使用预训练过的区域建议网络初始化参数值,选取第1帧500个正样本和5 000个负样本对区域建议网络进行微调,建立长期和短期更新的帧索引集,通过正负样本对区域建议网络进行更新,最终实现在线行人跟踪算法。在公开数据集Caltech、ETH、PETS 2009和Venice上对本文模型进行实验验证,结果表明,竞争融合区域建议网络在行人跟踪任务中性能优越,在几个环境背景较复杂的行人数据集中改进的方法均取得了很好的效果。 相似文献
6.
为准确实时跟踪羊只目标,进行疾病异常预警,实现奶山羊精细化养殖,本文基于DiMP跟踪模型,利用奶山羊跟踪对象单一且图像样本丰富的特点,结合迁移学习和类特定融合方法,设计了一种类特定的奶山羊目标跟踪模型,能够有效克服DiMP算法在跟踪类特定目标时定位精度不足的缺点。利用构建的奶山羊视频跟踪数据训练集对跟踪算法进行迁移训练,加快模型收敛速度,使评估网络预测出的边界框更贴合奶山羊真实框的位置和尺寸。在线跟踪阶段,针对目标模板仅采用第1帧特征制作整个序列的调制向量,导致该调制向量相对整个跟踪阶段特征不具代表性,与后续帧差异大的缺点,使用训练集制作包含奶山羊各种姿态的类调制向量,以指数消融方式更新奶山羊类调制向量与第1帧调制向量间的比重,增强边界框回归任务中的奶山羊特征与背景的判别性。提出的算法在测试集上的AUC(Area under curve)和精准度(Precision)分别为76.20%和60.19%,比DiMP方法分别提升6.17、14.18个百分点,跟踪速度为30 f/s,满足实时跟踪的要求。实验结果表明,提出的类特定奶山羊目标跟踪方法可用于监测复杂场景下奶山羊的运动,为奶山羊精细化... 相似文献
7.
针对目前群养生猪智能化养殖中复杂环境下猪只目标检测精度低的问题,提出了一种基于改进YOLOX的群养生猪轻量化目标检测模型Ghost-YOLOX-BiFPN。该模型采用Ghost卷积替换普通卷积,在减少主干网络参数的情况下,提高了模型的特征提取能力。使用加入CBAM注意力机制的BiFPN作为模型的Neck部分,使得模型充分融合不同体型猪只的特征图,并使用Focal Loss损失函数解决猪圈环境下猪只与背景难以区分的问题,增强模型对正样本的学习。实验结果表明,改进后模型对群养生猪检测精度为95.80%,相比于原始YOLOX算法,检测精度提升2.84个百分点,参数量降低63%。最后将本文轻量化模型部署到Nvidia Jetson Nano移动端开发板,通过在开发板上实际运行表明,本文所提模型实现了对不同大小、不同品种猪只的准确识别,为后续智能化生猪养殖提供支持。 相似文献
8.
基于卷积层特征可视化的猕猴桃树干特征提取 总被引：2，自引：0，他引：2
为探究卷积层深度对猕猴桃树干图像特征提取的影响,提出了一种分析所提取特征的可视化方法。首先,对所采集建立的数据集进行正负样本分类,将数据集中的树干与输水管交叉区域作为正样本,其余区域作为负样本,输入LeNet、Alexnet、Vgg-16以及定义的3类浅层模型进行训练;然后,通过提取激活映射图、归一化、双三次插值的可视化方法,获取各个分类模型最后一个卷积层的可视化结果,通过可视化试验对比可知,Alexnet和Vgg-16能够准确提取测试集图像中的树干区域特征,而LeNet与3类浅层模型在提取树干的同时将输水管、地垄等区域特征一并提取;最后,以上述6类网络结构作为特征提取层的图像分类和目标检测模型,对开花期和结果期的数据集进行验证,以不同季节数据集特征变化而引起的精度下降幅度作为评判标准,结果显示,图像分类浅层模型精度下降幅度不小于15.90个百分点、Alexnet与Vgg-16分别下降6.94个百分点和2.08个百分点,目标检测浅层模型精度下降幅度不小于49.77个百分点、Alexnet和Vgg-16分别下降22.53个百分点和20.54个百分点。所有浅层模型因所提取特征的改变,精度有更大幅度的下降。该方法从可视化角度解释深层网络与浅层网络对猕猴桃树干目标特征的提取差异,可为研究网络深度和训练样本的调整提供参考。 相似文献
9.
复杂养殖环境下运动奶牛目标的准确检测是奶牛跛行、发情等运动行为感知的基础。针对现有方法多采用参数化模型实现运动奶牛目标检测的缺陷,提出了一种无参核密度估计背景建模方法。该方法根据各像素的历史样本估计像素的概率模型,针对历史样本信息中冗杂信息导致模型复杂度过高的问题,采用关键帧检测技术剔除样本中的冗余信息以降低算法的复杂度,并实现了在小样本下核函数对遥远历史帧图像信息的获取,从而提高了检测精度。针对检测目标轮廓缺失的问题,结合三帧差法进一步实现了运动目标的完整提取。为了验证本算法的有效性,对不同环境和干扰下的运动奶牛视频样本进行了试验,并与高斯混合模型(Gaussian mixture model,GMM)和核密度估计模型(Kernel density estimation,KDE)方法进行了对比。试验结果表明,本文算法平均前景正检率为95. 65%,比高斯混合模型提高了15. 56个百分点,比核密度估计模型提高了10. 56个百分点。同时,本文算法平均实时性指标为1. 11,基本可以实现运动奶牛目标的实时、准确检测,该研究结果可为奶牛跛行疾病的预防、诊断以及奶牛运动行为的精确感知提供参考。 相似文献
10.
为提高养殖禽舍温度预测算精度，降低数据冗余度和差异性对预测结果的影响，提出一种基于智能优化特征子集选取和模糊聚类改进SVR（Support Vector Regression）的温度预测模型。首先，构建最优特征子集选取模型，通过设计最优特征子集选取指标，以降低特征之间冗余度和数据维度；采用改进的离散灰狼算法对特征子集选取模型进行求解，以实现最优特征子集选取。其次，建立模糊聚类改进SVR预测机制，通过设计多度量核FCM（Fuzzy C-means）算法，以实现数据样本自动分类；提出与数据样本分类相对应的SVR预测算法，并采用灰狼算法对SVR参数进行优化，最大程度降低样本数据差异性对预测精度的影响。最后，融合最优特征子集选取和模糊聚类改进SVR预测机制，以实现养殖禽舍温度高精度预测。仿真结果表明，该算法实现不同季节条件下养殖禽舍温度的高精度预测，相比于其他预测算法，预测精度提高约23.7%~37.8%。所提养殖禽舍温度预测算法具有良好的预测性能，具有一定的推广应用价值。 相似文献
11.
12.
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
13.
为实现大规模养殖场内奶牛目标的自动提取,将相关滤波算法融入目标提取基本框架,提出一种相关滤波融合边缘检测的奶牛目标提取(Correlation filtering-edge detection based target extraction, CFED)算法。首先利用颜色名(Color names, CN)、方向梯度直方图 (Histogram of oriented gradient, HOG)设计的相关滤波器获取奶牛目标范围;再利用13个不同方向的边缘滤波模板卷积目标范围图像得到图像边缘,最后融合边缘信息和颜色特征提取出奶牛目标。对奶牛场不同环境下的9段视频进行目标提取试验,结果表明,算法提取的目标与真实结果平均重叠率达到92.93%,较Otsu、K-means聚类、帧间差分法和高斯混合模型(Gaussian mixture model,GMM)分别高35.63、32.84、20.28、14.35个百分点;平均假阳性率和假阴性率分别为5.07%和5.08%,处理每帧图像平均耗时0.70s。该结果表明,提出的CFED算法具有较好的目标检测能力,为奶牛目标准确快速提取提供了一个有效方法。 相似文献
14.
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
15.
奶牛体况评分是评价奶牛产能与体态健康的重要指标。目前,随着现代化牧场的发展,智能检测技术已被应用于奶牛精准养殖中。针对目前检测算法的参数量多、计算量大等问题,以YOLO v5s为基础,提出了一种改进的轻量级奶牛体况评分模型(YOLO-MCE)。首先,通过2D摄像机在奶牛挤奶通道处采集奶牛尾部图像并构建奶牛BCS数据集。其次,在MobileNetV3网络中融入坐标注意力机制(Coordinate attention, CA)构建M3CA网络。将YOLO v5s的主干网络替换为M3CA网络,在降低模型复杂度的同时,使得网络特征提取时更关注于牛尾区域的位置和空间信息,从而提高了运动模糊场景下的检测精度。YOLO v5s预测层采用EIoU Loss损失函数,优化了目标边界框回归收敛速度,生成定位精准的预测边界框,进而提高了模型检测精度。试验结果表明,改进的YOLO v5s模型的检测精度为93.4%,召回率为85.5%,mAP@0.5为91.4%,计算量为2.0×109,模型内存占用量仅为2.28 MB。相较原始YOLO v5s模型,其计算量降低87.3%,模型内存占用量减... 相似文献
16.
互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。 相似文献
17.
针对苹果采摘机器人识别算法包含复杂的网络结构和庞大的参数体量,严重限制检测模型的响应速度问题,本文基于嵌入式平台,以YOLO v4作为基础框架提出一种轻量化苹果实时检测方法(YOLO v4-CA)。该方法使用MobileNet v3作为特征提取网络,并在特征融合网络中引入深度可分离卷积,降低网络计算复杂度;同时,为弥补模型简化带来的精度损失,在网络关键位置引入坐标注意力机制,强化目标关注以提高密集目标检测以及抗背景干扰能力。在此基础上,针对苹果数据集样本量小的问题,提出一种跨域迁移与域内迁移相结合的学习策略,提高模型泛化能力。试验结果表明,改进后模型的平均检测精度为92.23%,在嵌入式平台上的检测速度为15.11f/s,约为改进前模型的3倍。相较于SSD300与Faster R-CNN,平均检测精度分别提高0.91、2.02个百分点,在嵌入式平台上的检测速度分别约为SSD300和Faster R-CNN的1.75倍和12倍;相较于两种轻量级目标检测算法DY3TNet与YOLO v5s,平均检测精度分别提高7.33、7.73个百分点。因此,改进后的模型能够高效实时地对复杂果园环境中的苹果进行检测,适宜在嵌入式系统上部署,可以为苹果采摘机器人的识别系统提供解决思路。 相似文献
18.
针对农作物与杂草交叉生长,导致杂草等目标难以识别的问题,提出一种融合强化注意力机制的农田杂草识别方法。首先,利用主干网络进行特征提取,并在此基础上提出一种强化注意力模块,从水平和垂直等两个维度细粒度进行位置特征编码,通过计算原始主干网络提取的特征与位置编码之间的偏移量,强化目标物体的定位与识别;然后,在单层注意力机制的基础上,引入上下文关系链条,进一步强化模型的泛化性能,最后,结合迁移学习的训练方式缓解小样本数据集极易造成过拟合的问题。通过测试单一目标物体和交叉生长的多目标物体在晴天、雨天和阴天等多场景环境下的识别性能,结果表明,本文方法分别可以实现单一目标物体和交叉生长的多目标物体92.84%和90.01%的平均识别准确率。 相似文献
19.
日光温室基质培生菜鲜质量无损估算方法 总被引：2，自引：0，他引：2
设施栽培中作物鲜质量动态变化作为生长发育的指示性特征,是蔬菜长势无损监测的重要指标之一。水培蔬菜通过离水直接称量实现长势无损监测,但是土培或基质培无法通过直接鲜质量称量实现生长过程的无损测量。本文提出了基于表型特征参数和生长过程环境参数融合的鲜质量估算方法,用于日光温室环境下基质培生菜个体和群体的鲜质量无损估算。首先,监测生菜全生命周期的环境参数,采集第1批次生菜生长过程中的多样本图像和部分样本鲜质量,提取样本图像中不同生长期生菜的形状、颜色、纹理等特征,计算环境信息中的累积辐热积等参数。然后,利用高斯过程回归方法建立表型参数和环境参数与生菜鲜质量的关系模型。最后,采集第2批次生菜群体的样本数据,基于上述模型预测生菜3个生长阶段的个体和群体鲜质量,以验证鲜质量估算模型的泛化能力和可靠性。结果表明,与支持向量机、线性回归、岭回归和神经网络相比,高斯过程模型的决定系数R2为0.9493,相对误差的均值和标准差分别为11.50%和11.21%。模型泛化能力试验中,生菜群体鲜质量比个体鲜质量的预测相对误差的平均值小（3个生长阶段分别相差4.44、5.71、5.89个百分点）,且随着群体数量增加,群体鲜质量预测的相对误差的均值和标准差逐渐减小。本鲜质量估算方法预测的群体鲜质量数据可为基质培绿叶菜类作物的栽培管理决策提供数据支撑。 相似文献
20.
为解决自然状态下成熟草莓存在的背景干扰、信息丢失等问题,提出一种基于深度残差学习的草莓识别方法.首先,引入深度可分离卷积降低残差网络参数,从不同角度提取成熟草莓特征,通过交叉熵损失函数来识别分类层中的草莓.其次,嵌入压缩和激励模块学习特征权重,使用特征重新校准改善网络的学习和表征属性.最后,采用添加空间金字塔池化、加权... 相似文献