基于二维子空间的苹果病害识别方法

如何准确、实时得到苹果病害信息是苹果病害管理的一个重要研究内容。根据苹果叶片症状准确、快速地诊断苹果病害是预防和控制苹果病害的基础。由于苹果同类病害叶片及其病斑图像的形状、颜色和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于苹果叶部病害识别。为此,提出了一种基于二维子空间学习维数约简（2DSLDR）的苹果病害识别方法。该方法将高维空间的观测样本点映射到低维子空间,使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的分类特征。该方法直接作用于叶片图像,不需要计算逆矩阵,从而克服了经典植物病害识别方法中特征提取与选择的难题,避免了经典子空间判别分析中的小样本问题,提高了识别效果。采用该方法对三种常见苹果叶部病害进行识别实验,并与其他苹果病害识别和监督流形学习方法进行比较。实验结果表明,2DSLDR对苹果叶部病害识别是有效可行的,识别精度高达90%以上。     

基于多尺度振动和振声频谱特征自适应提取与选择的磨机负荷参数软测量

针对磨机筒体振动/振声多尺度频谱与磨机负荷参数间的模糊特性、多源多尺度频谱间的冗余性与互补性,以及现有文献中潜结构选择性集成模型难以模拟运行专家“听音”推理识别磨机负荷参数等问题,提出一种基于多尺度振动/振声频谱特征自适应提取与选择的磨机负荷参数软测量模型.该方法首先进行多尺度频谱获取,然后基于核潜结构映射和互信息进行多尺度振动和振声频谱特征的自适应提取和选择,最后采用同步聚类算法、Madani模糊模型以及基于分支定界和自适应加权融合算法的选择性集成学习策略构建磨机负荷参数软测量模型.通过实验球磨机验证了所构建的软测量模型能够模拟运行专家的模糊推理机制,具有较好的建模精度.     

多尺度U网络实现番茄叶部病斑分割与识别

随着深度学习技术的迅速发展,卷积神经网络成为研究植物叶部病害识别与病斑分割的主流方法.针对番茄叶部病斑大小不一、形状不规则、病斑分割需要大量像素级标记等问题,文中提出一种多尺度U网络,以同时实现番茄叶部病斑分割与病害识别.在病害特征提取阶段采用多尺度残差模块组合不同尺寸的感受野来提取病害特征,以适应病斑大小和形状的动态变化.引入CB模块(Classifier and Bridge)将病害特征提取阶段与病斑分割阶段连接,对病害特征进行分类,并根据分类结果反向映射出特定类的激活图,此激活图包含特定类别病斑的关键信息.在分割阶段采用上采样与卷积相结合的方法对特定类的激活图进行反卷积,利用跳跃连接方式将反卷积特征与低层特征融合,以补充更多的图像细节信息,获取病斑分割的灰度图.为了使分割的病斑定位更加精确,利用少量像素级标记,对每个像素点采用二分类交叉熵损失函数进行监督训练,同时更好地引导特征提取网络关注病斑部位.利用原始测试集与模拟噪声和光照强度的干扰测试集分别验证模型的病斑分割与病害分类性能.在原始测试样本集上多尺度U网络的平均像素准确率、平均交并比和频权交并比分别达到了86.15％,75.25％和90.27％;在降低30％亮度和添加椒盐噪声的干扰测试集上,模型的识别准确率分别为95.10％和99.20％.实验结果表明,所提方法可以实现番茄叶部病斑分割与识别效果的共同提升.     

基于胶囊SE-Inception的茄科病害识别方法研究

针对番茄和茄子2类茄科蔬菜的病害,基于SE-Inception和胶囊网络构建了一个具有抗噪性的茄科病害识别网络,称为胶囊SE-Inception.该网络主要分为特征提取和胶囊网络2部分.其特征提取部分采用了批处理归一化层(BN)加速网络收敛;利用SE-Inception结构和多尺度特征提取模块来提高模型的精度.胶囊网络...     

结合自注意力和特征自适应融合的语义分割算法

针对场景图像语义分割任务中存在多尺度目标以及特征提取网络缺乏对全局上下文信息的获取等问题,设计了一种嵌入改进自注意力机制以及自适应融合多尺度特征的双路径分割算法。在空间路径利用双分支的简易下采样模块进行4倍下采样提取高分辨率的边缘细节信息,使网络对目标边界分割更精确。在语义路径嵌入上下文捕获模块和自适应特征融合模块,为解码阶段提供具有丰富多尺度的高语义上下文信息,并采用类别平衡策略进一步提升分割效果。经过实验验证,该模型在Camvid和Aeroscapes数据集上的MIOU(mean intersection over union)指标分别为59.4％和60.1％,具有较好的分割效果。     

选择性融合多尺度筒体振动频谱的磨机负荷参数建模

针对目前采用经验模态分解(empirical model decomposition,EMD)得到的系列子信号构建的磨机负荷参数软测量模型泛化性能差、难以进行清晰物理解释,以及EMD算法存在的模态混叠等问题,本文提出了基于选择性融合多尺度筒体振动频谱的建模方法.首先采用EMD、集合EMD(ensemble EMD,EEMD)、希尔伯特振动分解(Hilbert vibration decomposition,HVD)共3种多组分信号自适应分解算法获得磨机筒体振动多尺度子信号的集合,接着通过相关性分析剔除虚假无关部分,然后再将与原始信号相关性强的那部分多尺度子信号变换至频域,进而更有利于构建这些多尺度频谱与磨机负荷参数间的映射模型,最后通过改进分支定界选择性集成(improved branch and bound based selective ensemble,IBBSEN)算法建立软测量模型,实现对多源多尺度筒体振动频谱的最优选择性信息融合.基于实验球磨机运行数据的仿真实验表明所提方法在模型可解释性和泛化性能上均优于之前研究所提出方法.     

基于改进YOLO的双网络桥梁表观病害快速检测算法

桥梁表观病害检测是确保桥梁安全的关键步骤. 然而, 桥梁表观病害类型多样, 不同病害间外观差异显著且病害之间可能发生重叠, 现有算法无法实现快速且准确的桥梁多病害检测. 针对这一问题, 对YOLO (You only look once) 进行了改进, 提出了YOLO-lump和YOLO-crack以提高网络检测多病害的能力, 进而形成基于双网络的桥梁表观病害快速检测算法. 一方面, YOLO-lump在较大的滑动窗口图像上实现块状病害的检测. 在YOLO-lump中, 提出了混合空洞金字塔模块, 其结合了混合空洞卷积与空间金字塔池化, 用于提取稀疏表达的多尺度特征, 同时可以避免空洞卷积造成的局部信息丢失; 另一方面, YOLO-crack在较小的滑动窗口图像上实现裂缝病害的检测. 在YOLO-crack中, 提出了下采样注意力模块, 利用1×1卷积和3×3分组卷积分别解耦特征的通道相关性和空间相关性, 可以增强裂缝在下采样阶段的前景响应, 减少空间信息的损失. 实验结果表明, 该算法能够提高桥梁表观病害检测的精度, 同时可实现病害的实时检测.     

基于手机拍摄图像分析的苹果病害识别技术研究

为提高用低分辨率图像识别苹果病害的准确率,建立了完整的预处理流程,用类间方差闻值分割法和形态学运算等方法抽取图像的病态部位.根据病斑形状及Hu不变矩提取病斑的形状特征,提取病斑的H方差结合H-S直方图特征作为病斑的颜色特征,用计盒维数法提取病斑纹理特征.在对特征进行优选的基础上,构建BP神经网络病害识别模型.识别实验结果表明,用优选的8个特征和BP神经网络模型对5种病害的平均正确识别率达92.6%,可有效识别苹果病害.     

面向交通流预测的双分支时空图卷积神经网络

针对目前交通流预测中未充分考虑到交通流量与密度、交通流量与速度之间的关联性特征信息，以及忽略多尺度时间特征的问题，提出了一种面向交通流预测的双分支时空图卷积神经网络。首先，依据交通数据的周期性，将交通数据划分为近期与周期两种时间粒度的数据输入；其次，在每个输入分支中，先通过关联性门控线性单元(AGLU)提取流量与密度、流量与速度之间的关联性特征信息；然后，通过图卷积层和多尺度时间卷积层提取关联性特征中的空间与时间上下文信息，并采用预测卷积层输出近期、周期双分支预测结果；最后，通过门控机制融合预测结果，从而实现交通流量的准确预测。实验结果表明，所提模型在交通流预测准确性与稳定性方面整体优于其他模型。     

多层次MRF重标记及映射法则下的图像分割

针对彩色图像分割问题,研究Markov 随机场(Markov random fields, MRF)模型内迭代条件模式(Iterative conditional mode, ICM)方法的标记推理策略. 通过小波分解构造图像多尺度表达,针对顶层图像先验标记获取问题,改进原始谱聚类算法, 通过近邻传播自动确定图像的聚类参数,运用集成学习提高算法的稳定性和准确度. 对其他各尺度图像,通过分析尺度关联下的区域特征变化,结合不同尺度间的特征相似性和同一尺度内空间邻域的一致性, 提出一种立体结构描述下的尺度--空间映射法则.通过定量和定性的分割实验,结果表明本文算法具有良好的准确性、鲁棒性和普适性.