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。     

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。     

基于玉米籽粒近红外光谱的品种与产地识别研究

为考察近红外光谱对玉米种子的品种识别与产地识别性能,采集了8个玉米品种波长范围为12 000~4 000 cm-1的近红外光谱数据,并基于此数据研究了基于PCA的光谱数据特征的提取方法,并探讨了神经网络(ANN)和支持向量机模型(SVM)在品种识别上的性能,进一步研究了玉米品种的产地识别技术,且比较了传统可见光图像的品种识别。研究发现:基于近红外的玉米品种识别,在6个主分量的情况下整体上性能达到90%以上;SVM算法较ANN算法稳定可靠,更适合于小样本情况下的光谱分析;基于光谱的品种识别与基于可见光图像的品种识别效果相当;另外发现同一品种在不同产地上其光谱特征差别较大,据此可以应用光谱进行产地鉴别,鉴别力达到95%以上。本研究所构建的方法对玉米品种识别和产地识别具有积极意义。     

玉米完整籽粒近红外品质分析模型的比较及改进

本文对国家玉米改良中心品质分析实验室采用普通玉米和高油玉米建立的完整籽粒近红外品质（蛋白质、油分、淀粉）分析模型（简称模型Ⅰ和模型Ⅱ）进行了比较分析，并对它们进行了进一步地改进。比较分析发现模型Ⅰ蛋白质预测的决定系数（R^2），定标均方根差（RMSEE），外部验证决定系数（RP^2）和外部验证均方根差（RMSEP）与模型Ⅱ相差不大，模型Ⅰ蛋白含量范围8．15％-16．06％，比模型Ⅱ8．55％-14．7％稍宽；改进以后的模型Ⅲ蛋白质含量8．15％-16．06％，分布比模型Ⅰ和2要广，浓度梯度更均匀；模型Ⅰ油份含量范围2．85％-10．26％，适合测低油分籽粒，模型Ⅱ油份含量范围4．16％-10．12％，适合测高油分籽粒，这与其建模时分别使用普通玉米和高油玉米材料相吻合。模型Ⅲ油分（2．85％-10．26％）涵盖了模型Ⅰ的普通玉米和模型Ⅱ的高油玉米，适应性更广。模型Ⅰ高淀粉含量籽粒分布多，模型Ⅱ低淀粉含量籽粒分布多；模型Ⅲ综合了模型Ⅰ的高淀粉含量玉米和模型Ⅱ的低淀粉含量玉米，适应范围也得到加强。     

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。     

基于深度学习的登海605玉米品种真伪鉴别方法研究

玉米是我国重要的谷类作物,玉米种子的纯度是影响种子质量的关键指标,不同品种玉米的种子活力、物理指标和发芽率都是不同的,因此需要对玉米品种的真伪进行鉴别分选。传统模式识别的方法需要人工定义各类特征,存在主观判断、费时费力等问题,实用性较差。针对上述问题,本研究拟建立一种基于RGB图像结合深度学习的低成本、高效、无损的单粒玉米种子真伪检测方法,选用不同产地登海605玉米种子440粒,其他品种480粒,采集玉米种子胚面和胚乳面制作数据集,通过图像处理技术对图像进行预处理,并按照7∶2∶1的比例将数据集分为训练集、验证集和测试集,分别使用GoogLeNet、MobileNet、Inception-ResNet、ResNet、DenseNet共5种网络模型利用迁移学习对3类数据集进行分类测试,结果表明,5种网络模型在双面数据集的平均识别准确率最高,测试识别准确率为99.05%,ResNet网络在3类数据集中的分类效果最佳,在双面测试集上为99.91%。本研究提供了一种无损、高效、相对可靠的方法来鉴别登海605玉米品种的真伪。     

玉米品种籽粒品质性状研究

对55个玉米品种籽粒品质性状研究.结果表明,不同玉米品种籽粒百粒重、百粒体积、粗脂肪、粗纤维、出珍率、皮渣率以及色泽体系中a＊值、b＊值差异较大.春玉米与夏玉米在百粒重、百粒体积、粗蛋白、灰分、粗纤维、亮度指数L＊上差异显著.玉米品种籽粒平均容重766.0g/L,百粒重34.48 g,百粒体积28.06 mL,籽粒密度1.23g/mL,淀粉含量69.55%,粗蛋白含量10.97%,粗脂肪含量4.51%,灰分含量1.46%,粗纤维含量2.19%,出珍率37.94%,出粉率56.48%,皮渣率5.58%.不同玉米品种间的糊化特性有一定差异.春玉米品种的峰粘度、破损值、回生值以及最终粘度显著小于夏玉米（a=0.05）,而糊化温度、冷糊稳定性高于夏玉米.玉米品种平均糊化温度72.8℃,峰粘度371 BU,破损值82 BU,回生值480 BU,最终粘度748 BU,冷糊稳定性21 BU.     

基于高光谱图像光谱变量和颜色特征的霉变玉米籽粒识别

目的:准确识别霉变玉米籽粒。方法:基于高光谱图像光谱变量和颜色特征建立霉变玉米籽粒识别的新方法。先对玉米籽粒图像进行图像分割和光谱变量、颜色特征提取,并根据颜色特征生成颜色直方图;将光谱变量和颜色直方图特征组成特征集合;通过距离函数对特征集合中所有特征的分析确定霉变玉米籽粒所属类别。结果:所提方法对霉变玉米籽粒类别的最大平均识别偏差为1.12,最佳平均识别准确率为97.59%;与基于高光谱图像+随机蛙跳+极限学习机的方法、基于高光谱图像+稀疏自动编码器+卷积神经网络的方法、基于高光谱图像+蚁群优化+BP神经网络的方法相比,研究所提方法对霉变玉米籽粒类别的识别准确率明显提高。结论:该方法可实现被测玉米籽粒样品是否霉变以及霉变程度的准确判断。     

基于深度学习的粘虫板储粮害虫图像检测算法的研究

本文提出了一种基于深度学习的粘虫板储粮害虫图像检测算法,实现了放置在粮仓表面粘虫板诱捕的六大类害虫（米象/玉米象、谷蠹、扁谷盗、锯谷盗、拟谷盗、烟草甲）的定位和识别。考虑粘虫板图像的背景复杂、害虫体积较小、姿态多样的特点,改进了SSD的目标框回归策略、损失函数和特征提取网络结构,测试结果表明本文提出的算法可有效检测粘虫板上的害虫,检测平均正确率(mAP)可以达到81.36%。改进后的SSD算法部署在储粮害虫监测系统中,目前已在全国十一个粮库进行实验测试。     

基于卷积神经网络和支持向量机的水稻种子图像分类识别

针对外形相似的水稻种子间分类难、识别正确率低等问题,提出一种卷积神经网络与支持向量机相结合的方法(CNN_SVM)对8类水稻种子进行分类识别.首先对图像进行切割、旋转等预处理后建立水稻种子图像数据库,其次通过提取图像的方向梯度直方图(HOG)、LBP纹理、SIFT描述子和CNN特征,分别建立SVM、KNN和Softma...     

自然场景下基于改进LeNet卷积神经网络的苹果图像识别技术

针对传统基于内容的识别方法在特征提取方面存在计算复杂、特征不可迁移等问题,为避免光照条件、重叠及其他遮挡等因素对图像识别的影响,以LeNet卷积神经网络作为基础,对其结构进行改进,设计了一种基于改进LeNet卷积神经网络的苹果目标识别模型,并利用该模型对不同场景的苹果图像进行识别训练与验证。结果表明:该网络模型可有效实现苹果图像的识别,对独立果实、遮挡果实、重叠果实以及相邻果实的识别率分别为96.25%,91.37%,94.91%,89.56%,综合识别率达到93.79%。与其他方法相比,该算法具有较强的抗干扰能力,图像识别速度快、识别率更高。     

基于优化SVM的虫害图像识别研究

农作物虫害问题严重威胁我国农业及粮食生产安全。针对传统虫害识别智能化水平低、效率低等问题,提出一种基于优化SVM的虫害图像识别方法。本研究以草地贪夜蛾成虫图像作为试验对象,采用HOG特征描述符提取图像特征信息,通过粒子群优化算法对SVM模型的内部参数进行寻优。模型在经过训练后,对简单背景下虫害图像的识别准确率达100%,对复杂背景下样本的识别准确率达93.89%。模型识别效果明显优于其他对比模型,为机器学习在农作物虫害识别中的应用提供一定参考。     

基于图像处理的鸡蛋新鲜度预测模型研究

采集98枚不同贮藏时间鸡蛋图像信息,测量鸡蛋蛋重、蛋白及气室高度等新鲜度常规指标,以Matlab图像处理工具箱为研究工具,测量蛋黄面积比、气室高度及整蛋长短径,通过SPSS统计分析蛋重与整蛋长短径和气室高度关系回归模型,蛋白高度与蛋黄面积比、气室高度等关系模型;以蛋重及蛋白高度为特征参数,利用深度信念网络建立预测模型,进行新鲜度预测分级。所建蛋重及蛋白高度预测模型相关系数分别为0.942和0.925,新鲜度分级准确率为93.3%。结果表明:该试验所设计基于图像处理数据的鸡蛋新鲜度分级模型准确率高,采集装置简单,可用于估测鸡蛋新鲜度。     

基于图像处理的纺织品耐摩擦色牢度评级

为解决目前纺织品色牢度人工评级方式的主观性和繁重工作量,结合深度学习与传统纺织检测,以纺织品检测中的纺织品色牢度评级为对象,研究基于图像处理和深度学习的智能评级创新方法。针对场景与问题,选择利用图像处理技术进行采样图像的预处理和分割,在小样本、多分类的实际条件下搭建数据库,利用深度学习完成对摩擦沾色试样色牢度的迅速评级。结果表明,所选择的图像处理技术对图像的处理效果良好,对后续深度学习准确率的提高有辅助效果;深度学习对耐摩擦沾色试样色牢度的评级准确率达到87.5%,高效、客观且准确率高,实现评级操作简易化,利用神经网络达到代替人眼评级过程,提高准确度和改善目前方法的不足。     

基于改进图像阈值分割算法的纱线疵点检测

针对纺织行业纱线疵点检测方法可靠性差、灵敏度低、检测速度低的问题,提出一种基于数字图像处理的纱线疵点判定方法.首先,搭建纱线图像采集系统,完成纱线图像采集;其次,针对纱线边缘信息难处理以及传统双边滤波对椒盐噪声处理效果差的问题,对双边滤波进行改进,改进后的双边滤波可有效保存纱线边缘信息;再者,针对传统阈值分割计算量大、...     

基于稀疏字典学习的羊绒与羊毛分类

为准确鉴别羊绒与羊毛纤维,提出了一种基于稀疏字典学习的分类方法。首先,对纤维图像进行预处理实现数据增强,获取纤维图像特征矩阵;之后,对特征矩阵进行字典学习,获取过完备字典与稀疏编码;最后,通过稀疏编码与字典实现羊绒与羊毛的分类和鉴别。该方法使用光学显微镜以及扫描电子显微镜图像作为数据集,实验结果表明,与支持向量机分类器以及基于稀疏表示的分类算法相比,本文方法的分类准确率可提高5%~10%,分类准确率最高可达到91%,可用于后续实际的羊绒与羊毛纤维分类与鉴定工作。     

A new methodology to appraise the physical characteristics of maize silage by image processing: effect of the ensiling process

We present a new computer vision method for measuring the physical characteristics of maize silages based on the extraction of image textural features, namely five Haralick features, the moments of order 1 and 2 on the grey levels of the image, and a fractal parameter. To show the effectiveness of these features for characterising the physical properties of the maize silage, a trial was performed on three maize cultivars (Zea mays L, a mid–early hybrid and an early hybrid) to study the effects of the ensiling process. The features could discern effects of the ensiling process on the physical properties of the maize silage. These effects were neither significant by comparing particle size distributions, nor with chemical compositions, whereas a biological response (degradation in the rumen) to the ensiling process exists. Thus image textural features seemed to give new and interesting measurements of the physical properties of the silage, explaining the biological response better than other methods. Furthermore, the ensiling effect was not the same with all the maize types and varied with the proportion of large particles in the silages. Linear relations between features before and after the ensiling process made it possible to predict a measure on a silage knowing its value on the parent forage. Copyright © 2004 Society of Chemical Industry