基于注意力机制的轻量化VGG玉米籽粒图像识别模型

玉米是重要的生产资料,为实现对玉米种子的识别与保护,实验采集了5个玉米品种,经处理后共获得1 778张玉米籽粒图像,建立胚面与胚乳面混合的数据集。按7∶2∶1的比例划分训练集、验证集和测试集。首先基于迁移学习选取DenseNet121、MobileNetV2、VGG16和GoogLeNet对玉米籽粒图像进行识别,在测试集上的准确率分别是94.32%、93.18%、95.45%和92.61%,由于在VGG16上的准确率最高,所以选择对VGG16进行改进,在对模型进行轻量化处理的同时引入通道注意力SE模块,构建一个新的网络模型L-SE-VGG,并与未预训练的VGG16、迁移学习的VGG16和不加SE模块的L-VGG进行对比,最终在L-SE-VGG上的识别准确率高达98.86%。研究为深度学习技术在玉米籽粒品种识别中的应用提供了新的有效策略和实验方法,为玉米籽粒品种的识别和检测提供了参考。     

基于改进YOLOv5s的大米外观品质无损检测模型

针对大米在外观品质中需要快速识别需求,提出了一种基于改进YOLOv5s网络的大米外观品质识别模型(CG-YOLOv5)。为提高大米的识别率,文本增加了小目标检测层。其次,为使模型轻量化,用Ghost模块代替YOLOv5s的骨干网络。为进一步提升模型的性能,通过试验研究了不同的注意力机制对模型性能的影响,最终选取CBAM注意力机制加入到YOLOv5s网络中。为直观CBAM注意力机制的效果,对大米图像进行了特征图可视化。试验结果表明修改后的网络的mAP达到了96.5%,相比YOLOv5s网络提升了4.3个百分点。在相同数据集下,与8种主流的检测网络进行对比,并在不同光照情况下的试验结果表明,该方法的检测mAP和检测时间皆优于其它8种检测网络；在检测时间上,该方法的平均检测时间为41ms,相较于YOLOv3快119ms,相较于YOLOv4-tiny快35ms。该方法具有优异的检测精度以及良好的鲁棒性和实时性,可以用于大米品质检测中。     

基于改进CBAM注意力机制的MobileNetV2玉米种子品种识别研究

玉米是我国主要粮食作物,有较高的营养价值和经济价值。不同的地域环境适宜种植的玉米品种不同,但由于玉米种子在外形方面存在的差异较小,所以仅凭肉眼很难对其进行快速准确的识别。为实现玉米种子品种的准确识别,本研究采集了9种玉米种子图像共2792张建立数据集,并按照7：2：1的比例随机划分训练集、验证集和测试集。本研究将注意力机制CBAM引入轻量化模型MobileNetV2,对CBAM的串行方式进行改进,构建一个新型注意力模块E_CBAM,并通过对比不同的压缩比,选出效果最佳的压缩比为4,提出了E_CBAM_MobileNetV2模型。实验表明E_CBAM_MobileNetV2的准确率为98.18%,相较于MobileNetV2提高了5.45%。本研究为玉米种子的高效、便捷、快速识别提供了理论依据,同时为推动自动化检测玉米品种的手段提供了技术基础。     

甜、糯玉米果穗真空保鲜直接灭菌技术参数分析

根据授粉后籽粒灌浆的天数、含水率、果穗直径大小对甜玉米、糯玉米进行了分级,研究两类品种各个等级的玉米果穗经真空保鲜直接灭菌(变二次加热为一次加热)产生酸变、胀袋、褐变的临界温度、时间和压力,确定了使产品合格率达95%以上的甜、糯玉米果穗真空保鲜直接灭菌技术参数,保证了加工产品的食用品质。     

基于机器视觉技术预测玉米质量等级的方法研究

国家标准规定玉米的质量定等指标为容重,为了实现利用机器视觉快速预测玉米等级,采用自行构建的基于机器视觉技术的玉米检测系统获取4种不同等级的玉米籽粒图像,通过均值滤波、最大类间方差法和形态学运算对玉米籽粒和背景进行处理、分割和特征参数的选取,并采用主成分分析法确定图像特征信息的最佳主成分因子数,建立以玉米容重为基础的8-21-4三层BP神经网络质量等级识别模型。结果表明:利用BP神经网络对基于完整籽粒图像和籽粒横切面图像的玉米等级的总体识别率均在90%以上,因此利用该模型对玉米等级的检测识别具有较高的可行性。     

一款鲜食玉米剥皮机的结构设计及应用

研发了一种鲜食玉米剥皮机,介绍了该设备的主要结构、关键系统、工作原理及影响剥皮效果的因素,此设备适应玉米籽粒含水率介于58%～73%间的物料,对脆嫩易剥的鲜食玉米籽粒品种的破损率﹤5%,剥净率﹥90%,为我国鲜食玉米果穗剥皮问题提供解决办法。     

鲜食玉米加工工艺及自动化设备设计

目的：解决鲜食玉米切割时准确率较低，随机误差较大，容易损伤籽粒问题。方法：设计了一种新型工艺的甜糯玉米加工生产线，该生产线利用机器视觉技术对玉米姿态进行判断，通过换向设备完成玉米姿态调整，设计适应性定位机构分别对玉米头尾进行切割，再依据切割后果穗苞叶附着力差异特点进行留层加工，经相机品质筛选后装箱，并利用样机进行加工试验。结果：该生产线加工效率达1 500穗/h；留层合格率为90.2％；籽粒破损率为1.81％。结论：该鲜食玉米加工生产线实现了玉米的上料、排序、切割、剥皮等工序自动化，实现苞叶合理留层，对比传统设备更加保护玉米籽粒。     

基于卷积神经网络与迁移学习的玉米籽粒图像分类识别

种子是农业生产最基本,最主要的生产资料。为实现玉米种子的快速鉴定识别与保护,本文提出基于卷积神经网络(Convolution Neural Network, CNN)与迁移学习相结合的玉米种子籽粒图像分类识别方法,可将预训练的CNN模型参数迁移到玉米籽粒图像分类识别任务中。实验采集了6种玉米种子籽粒图像双面图像共1 976张,包括16DX531,京粘1号,科诺58,铁研,小金黄,郑单958,建立胚面,胚乳面和双面混合的3种数据集。按照7∶2∶1的比例随机划分训练集,验证集和测试集,并对训练集图像作数据增强处理。基于4种CNN模型Xception, ResNet50V2,MobileNetV2,DenseNet121进行参数迁移学习。实验结果表明Xception与胚乳数据集建模方法优于其他方法。Xception--胚乳模型训练集与验证集平均识别准确率分别为95.55%和95.97%,测试集准确率为92.78%。基于卷积神经网络与迁移学习相结合的玉米籽粒图像识别方法切实可行。     

基于改进残差网络的空纱筒识别模型

针对纺织车间背景复杂、纱筒种类多导致利用传统机器视觉识别空纱筒准确率低、模型参数量大的问题,设计了一种基于改进残差网络的空纱筒识别模型。该模型借鉴ResNet系列的模型结构,进行卷积核轻量化,改进经典的残差模块并加入SENet注意力机制,以达到提高检测空纱筒的准确率,减少模型参数的目的。最后通过数据增强,创建了适合工厂实际生产的纱筒数据集。实验结果表明：在消融实验中,应用SENet注意力机制可以提高3.86%的准确率,利用优化残差模块不仅减少了650%的模型参数还提高了1.22%的准确率。在原数据集的验证集上,改进模型的准确率为99.6%比ResNet-18模型高4.46%,与VGG-16和AlexNet相比提高了7.05%～9.41%。在增强的数据集上,识别模型的准确率都有了较大的提升,但改进模型的准确率变化不大,说明该模型的鲁棒性较好,不易受到样本不足的影响。改进模型的参数数量缩小到原模型参数数量的1/10左右,为嵌入式设备部署空纱筒识别模型提供了思路。     

玉米籽粒霉变等级高光谱图像检测方法研究

为了快速、无损检测出储藏玉米籽粒不同霉变状况,提升玉米收储环节质检效率,尝试利用高光谱成像技术结合机器学习算法构建玉米籽粒霉变等级分类模型。采集400～1 000 nm波段范围内玉米籽粒高光谱图像,以测定的真菌孢子数为依据,将籽粒霉变状态划分为健康、轻度霉变、中度霉变和重度霉变4个等级,采用随机蛙跳(RF)算法优选出7个光谱特征变量,针对特征波段图像,利用Tamura算法共提取出21个纹理特征变量,基于颜色矩阵提取出21个颜色特征变量。进一步结合支持向量机(SVM)、极限学习机(ELM)和偏最小二乘回归(PLSR)3种算法分别建立基于光谱、图像和图谱特征融合的玉米籽粒霉变等级分类模型。经分析比较,融合光谱和图像特征并结合ELM算法建立的分类模型用于玉米籽粒霉变等级识别效果最优,训练集和测试集分类准确率(Acc)分别为94.21%和93.86%,并将玉米籽粒霉变等级进行可视化表达。     

基于YOLO-FFD的水果品种和新鲜度识别方法

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。     

玉米穗储藏水分与品质变化相关性的研究

我国东北地区农村的玉米普遍使用穗储的方式,储藏期多数在3～6个月,由于种植面积大,收获数量多,采取地趴散堆或简易栈子的方式储存,存在霉变及鼠害损失严重的普遍问题,损失量在8%左右。因此,研制开发容量大、使用方便,能够防霉变和鼠害的大储量农用储粮装具是减少农村储粮损失、保持粮食质量的必要手段。研究针对JSWZ系列大型钢网储粮仓储存的玉米穗的品质指标检测数据进行相关性分析,建立玉米穗水分与容重和脂肪酸值的变化预测模型,探讨利用常规水分检测结果来预测储藏期间玉米穗品质的变化趋势。玉米水分与脂肪酸值的线性模拟更趋近实测值,而玉米的容重不随水分变化而改变。     

基于YOLOv5的咖啡瑕疵豆检测方法

目的:实现咖啡豆瑕疵检测。方法:提出一种基于改进YOLOv5s网络,以YOLOv5s为基线网络嵌入并优选不同的注意力机制模块与激活函数。结果:使用CBAM模块与激活函数Hardswish的平均精度均值相比基线网络分别提高了5.3%和2.9%。经过200次迭代训练,模型准确率为99.5%,平均精度均值为97.6%,召回率为0.98,识别速率为64幅/s,模型大小为15 M。结论:相比于Faster RCNN、SSD、YOLOv3、YOLOv4、YOLOv5s,试验算法识别准确率更高,模型更加轻量化,对咖啡瑕疵豆的识别效果更好。     

基于轻量卷积网络的马铃薯外部缺陷无损分级

目前马铃薯外部缺陷检测方法主要依靠人工提取特征,且检测精度不高,为了更好地对马铃薯外部缺陷进行快速、准确在线分级,本实验提出一种基于轻量卷积网络的在线分级方法。首先,利用ImageNet数据集训练Xception网络模型,建立马铃薯预训练网络模型;然后,重新构建5 类缺陷全连接层,并通过迁移学习在预训练网络模型上训练马铃薯缺陷数据集;最后,基于外部缺陷识别模型分别测试5 类缺陷的分级性能。结果表明,学习率为0.000 01时,网络模型整体性能最优,训练准确率为98.88%,损失值为0.034 9;在相同样本条件下,与9 种不同深度的网络进行对比,本实验构建的轻量级网络模型识别效果最好,平均识别准确率达到96.04%,且运行时间比识别效果较好的ResNet152网络更短,本实验网络模型的识别速率为6.4 幅/s,本研究结果可为马铃薯在线分级提供理论支持。     

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。     

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。      

基于深度学习的水果缺陷实时检测方法

目的：对CenterNet方法进行优化改进。方法：使用MobileNetV3的轻量化卷积神经网络替代CenterNet 原有的骨干网络,加快检测速度,对MobileNetV3模块进行改进,增强模型对水果中小缺陷块的检测能力,并对CenterNet的预检测阶段进行优化,提高其检测准确度。结果：试验方法对显著缺陷如直径>4 mm的苹果识别率高达99.7%,检测速度为113帧/s,模型体积为1.31 MB。结论：与CenterNet_ResNet18和CenterNet_Shuffler模型相比,MO-CenterNet模型检测水果缺陷在训练时间、检测速度和准确率方面均衡性更好。     

Comparison of Aspergillus ear rot and aflatoxin contamination in grain of high-oil and normal-oil corn hybrids

High-oil corn (Zea mays L.) grain is a valuable component of feed for monogastric livestock. One method of increasing the concentration of oil in corn grain is the TopCross method. With TopCross, ears of a cytoplasmic male-sterile, normal-oil hybrid are pollinated by a male-fertile, high-oil synthetic hybrid. The concentration of oil in the resulting grain is increased because of xenia effects. Kernels of high-oil corn typically have a larger germ and a smaller endosperm than kernels of comparable normal hybrids. The growth of Aspergillus flavus Link:Fr within germ tissue has been reported to be more extensive than that on the whole corn kernel; therefore, the severity of Aspergillus ear rot could be more extensive and aflatoxin concentrations could be higher in high-oil grain produced by TopCross than in grain with a lower concentration of oil. The objective of this study was to compare Aspergillus ear rot severity levels and aflatoxin concentrations in the grains of hybrids crossed with high-oil or normal-oil pollinators. Fifteen hybrids were evaluated in 1998 and 1999 in Urbana, Ill. Primary ears were inoculated with A. flavus and evaluated for susceptibility to Aspergillus ear rot and aflatoxin production in grain. Concentrations of aflatoxin and oil in corn kernels were significantly higher for high-oil hybrids than for normal-oil hybrids; however, ear rot severity was unaffected by the type of pollinator. These results suggest that grain from high-oil hybrids is at greater risk for aflatoxin contamination during some growing seasons.