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。     

基于轻量化MobileViT深度学习模型的烤烟自动分组方法

针对烟叶自动识别分组过程中特征提取困难、分组准确率低、模型参数量大、部署困难等问题,本文结合轻量化网络MobileNetV2与ViT模型的优点提出了一种轻量化MobileViT模型的烤烟自动分组方法。首先对所采集的烟叶图像进行前景和背景的预处理,解决提取烟叶特征困难的问题;然后将预处理后的图像建立成完整的烟叶图像数据集;最后针对建立的数据集使用基于轻量化MobileViT模型进行分组。使用该模型对云南省多地收购的5 871张混合烤烟叶片进行分组试验,结果表明MobileViT对正组烟叶、副组烟叶和正副混合组烟叶分组准确率分别达到了79.44%、83.83%、79.22%,与MobileNetV2相比分别提升了9.5%、17.66%、17.56%;与ViT模型相比分别提升了13.8%、30.83%、34.12%。与当前应用较多的MobileNetV3、Effcient、Resnet50三种模型相比,MobileViT模型在混合组上分组准确率较轻量化MobileNetV3网络提升了11.86%;较CNN为代表的Effcient、Resnet50模型分别提升了9.6%、6.55%,模型大小降...     

基于迁移学习的小样本织物图像自动分类与检索系统

针对织物图像在电子商务、库存管理等领域的应用存在分类繁琐、检索精度不高等问题，提出了一种基于迁移学习的小样本织物图像自动分类与检索系统。首先，设计并改进了基于迁移学习的深度学习模型，对其进行微调；然后基于小样本织物图像集训练，生成新的分类模型，实现织物图像自动分类；最后，去除新模型中的分类层，提取数据集所有织物图像的图像特征，存储到Milvus向量数据库中，输入待检索织物图像，选择相似度计算方法，实现织物图像top k检索。实验结果表明：预训练模型经重新设计及训练后，织物图像识别精度可达99.5%,top 5检索的平均精度均值为0.992,平均查准率为99.65%,平均检索时间0.165 3 s。通过系统的实施，可为小样本织物图像分类与检索领域现存问题提供可行的解决方案。     

基于特征融合的玉米品种识别

为了充分利用图像的多级尺度特征，同时发挥深度学习与传统特征各自在提取玉米图像深度特征和底层特征方面的优势，进一步提升玉米品种识别的准确率，提出一种基于特征融合的玉米品种图像识别方法。以苏玉10、京科968和正大619三个玉米品种为研究对象，制作数据集并标记类别标签，分别记为1、2、3。通过VGG16和ResNet50两种预训练网络来获取图像的深度特征，并与人工提取的特征进行融合得到新的玉米图像特征，输入到不同的分类器对玉米图像进行分类。实验结果表明，对特征进行融合相较于单一使用深度特征或传统特征具有更高的识别准确率，在三个玉米品种上分别达到99.58%、98.75%、99.17%，平均准确率为99.17%。     

基于机器视觉的生鲜牛肉冷藏时间识别研究

为解决生鲜牛肉冷藏时间人为识别误差大且无法量化的问题,该研究以4种冷藏时间共400块切片生鲜牛肉为研究对象,通过图像采集系统获取样本图像后搭建基于GoogLeNet的改进模型进行生鲜牛肉冷藏时间识别,并在此基础上引入迁移学习理论和数据增强技术来提高目标识别准确率。结果显示,该模型对测试集图像数据识别准确率为91.18%,迁移学习机制辅以数据增强技术能有效缓解复杂网络模型过拟合问题,并且在相同环境下的对比实验中,对生鲜牛肉冷藏时间的识别准确率优于反向传播式神经网络、深度卷积网络及GoogLeNet原始模型,可实现高效率、高准确性的生鲜牛肉冷藏时间识别,为生鲜牛肉的运输贮存安排及环境设置提供参考。     

基于双边滤波的RSG玉米籽粒胚部提取研究

胚部是玉米籽粒的重要组成部分,为了分析其形态特征以提高玉米籽粒品种自动识别率,针对玉米籽粒图像的特点,验证了一个利用双边滤波结合种子区域生长法(RSG)提取籽粒胚部的方法:先用双边滤波器在保证边缘的情况下平滑玉米籽粒胚部,再用RSG分割出胚部。选取华北地区常用的京科25为试验对象,采用该法提取出的胚部区域的面积与周长进行统计,并分别与手工测量的面积、周长进行线性回归分析,相关系数R~2的均值分别达到0.962 0,0.985 2。     

基于卷积神经网络和迁移学习的色织物疵点检测

针对色织物疵点检测准确率较低的问题,提出一种基于卷积神经网络的疵点识别方法。首先对织物图像进行预处理,然后将无疵点织物和5类疵点织物图像样本输入到残差网络模型进行训练和测试,最终总识别率为91.53%。以残差网络模型为例,研究了迁移学习在织物疵点识别中的应用。将ImageNet数据集上预训练的图像特征迁移到织物疵点识别任务上,并在两个大小不同的数据集上比较迁移学习的效果。结果显示,当数据集较小时,通过迁移学习可以提升模型的识别率。     

基于GoogLeNet的稻米品种识别与碎米检测

稻米是我国人民食用的主要粮食作物,因此稻米的品种识别与质量检测有着重要的意义。在以前,通常使用的是人工的方式用眼睛观察来识别不同品种的稻米,这种方法效率低下,而且容易受主观的影响导致识别出错,从而影响准确率。本文基于MATLAB平台设计一套稻米品种识别系统,首先使用图像处理将实际拍摄稻米图片进行目标检测和提取,再采用迁移学习的方式训练GoogLeNet深度神经网络模型对稻米图片进行识别,该模型还能检测出每一粒稻米是否为整精米,且识别准确率可达到96.46%。在相同训练参数下对比VGG19训练结果,验证精度提高1.46%,调整数据量探究其对模型性能影响,模型准确率随着数据集增大而提高,精度维持在94.17%以上。     

基于深度学习卷积神经网络的花生籽粒完整性检测

目的:准确区分完整花生、果仁破损花生和表皮破损花生。方法:提出了一种基于深度学习卷积神经网络(CNN)的花生籽粒完整性检测方案。搭建了花生籽粒色选系统,建立了花生籽粒图像库;利用改进的密度峰值聚类(DPC)算法对CNN卷积核进行自适应压缩,有效平衡网络深度和运算效率;采用改进的麻雀搜索算法对CNN超参数配置和网络结构进行优化,得到适用于花生籽粒完整性检测的CNN模型。结果:相比于DL-CNN、CO-Net等检测方法,该方案识别准确率提高了5.41%~13.92%,花生籽粒单幅图像检测时间缩短了约16.9%。结论:该方法可有效提高花生籽粒完整性检测的准确率和实时性。     

基于卷积神经网络的织物图像特征提取与检索研究进展

为实现织物图像的快速自动识别与检索,从织物图像浅层视觉特征提取、深度语义特征学习以及检索模型构建3个方面综述了该领域的研究进展,分析了现有研究中存在的问题。发现织物图像浅层视觉特征在小样本数据集的检索中具有较好的适用性,且多特征融合应用可有效提升检索精度,但在大样本数据集及高层语义识别检索问题中的应用存在局限性,深度卷积神经网络是克服这一问题的有效途径;织物语义属性的优化设计、卷积神经网络结构优化以及距离尺度学习是目前提升深度检索模型语义识别精度的3个有效途径;认为未来织物图像识别检索精度的提升主要依赖于标准化的语义系统设计、精准的图像分割与识别技术以及多模态的信息融合检索。     

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。     

基于红外与可见光图像融合的苹果表面缺陷检测方法

目的：解决目前中国苹果分级分类大部分情况下仍需要进行人工筛选的问题。方法：采用基于多尺度变换的红外与可见光图像融合算法对所采集到的苹果的可见光图像和红外图像进行融合,得到缺陷特征更加直观的融合图像,对该图像进行图像的预处理操作得到二值化图像数据集,再采用卷积神经网络的AlexNet模型对之前的苹果表面缺陷数据集进行训练、验证和检测。结果：该检测方法在所制作的苹果表面缺陷数据集上对完好果、缺陷果、花萼/果梗、花萼/果梗加缺陷识别的平均准确度为99.0%,其中对花萼/果梗的识别准确率可达95.8%,对完好果、缺陷果和花萼/果梗加缺陷的识别准确率高达100%。结论：该方法对苹果表面缺陷的检测精度比较高,可以满足对苹果的在线分级的需求。