BP神经网络分类器在储粮害虫图像检索中的应用研究

针对储粮害虫图像检索特点,将BP神经网络分类器技术应用于储粮害虫图像检测和识别,成为近年来的一个研究热点.对采集到的包含储粮害虫的图像使用基于BP神经网络分类器的图像的储粮害虫图像检索方法,可以在线将储粮害虫从图像背景中分离出来,很好地保留了储粮害虫各个部分的纹理特征,并将信息分类存储以备查询.试验和仿真结果证明该算法不仅在线计算量小、便于实时控制,而且能够快速、高效地检测到储粮害虫的有效特征,同时进行分类检索.     

现代信息技术在储粮害虫检测中的应用

储粮害虫检测技术一直是粮食储藏害虫防治的研究热点。本文以储粮害虫检测技术研究现状及其不足为基础,针对储粮害虫防控发展所面临的技术需求展开了研究,介绍了储粮害虫检测技术的发展历程,并对光学、声学、图像识别等领域的现代信息技术进行了描述与分析。根据现代信息技术的机理与特点,讨论了在储粮害虫检测中技术特点、应用成效、发展趋势等研究进展并对比分析了各种信息检测技术的优缺点,文章最后对储粮害虫信息检测技术的发展进行了总结与展望,对今后完善储粮害虫检测技术及实现粮食安全管理具有重要实际意义。     

基于深度学习的储粮害虫检测研究进展

储粮害虫检测与预警对保障粮食储存安全具有重要意义。目标检测是计算机视觉研究领域的核心问题之一,近年来深度学习在目标检测领域的应用研究取得了重大突破,储粮害虫目标检测也取得了较大进展,并逐步在粮库智能化建设中推广与应用。本文从储粮害虫数据集的获取与预处理、储粮害虫目标检测算法研究、储粮害虫检测结果应用等三个方面,总结了近年来基于深度学习的储粮害虫检测研究进展,通过对比研究,提出了该研究领域存在的问题及未来研究方向。     

基于视频检测的储粮害虫死亡评估算法的研究

在我国,如何对杀虫效果进行评估,以提高防治措施的有效性和经济性,是粮库在害虫防治方面亟待解决的一个问题。目前,我国一些粮库已经安装了储粮害虫图像采集装置,因此本研究提出一种基于视频检测的储粮害虫死亡评估算法,用来检测杀虫过程中害虫死亡的具体数量变化情况。算法的核心是基于深度卷积神经网络的双流法网络,综合图像目标检测算法和两帧差分法进行识别,实现视频数据中害虫的定位与识别。测试结果表明本算法可有效检测储粮害虫的死亡情况,检测平均正确率可以达到89.3%。     

信息素及其在储粮害虫检测中的应用

在粮食储藏过程中,准确检测粮堆内害虫种类和密度是害虫综合防治的重要依据,而传统检测方法存在工作量大、检测结果滞后等缺点,因此寻找新的检测手段具有重要意义。研究发现,昆虫信息素具有安全、绿色、微量、高效等特点,可用于储粮害虫的检测与控制。概述了昆虫信息素的结构鉴定、人工合成、采集方法,主要分析了信息素在储粮害虫监测诱捕检测法和信息素成分分析法中的应用研究,并讨论了信息素在上述两种检测方法的应用中所存在的难题,以期为储粮害虫检测技术的发展提供参考。     

RNAi在储粮害虫防治应用中的研究现状及展望

RNAi具有防治效果好、靶向性强等优点,因此被认为是下一代的害虫防控技术。近年,美国环境署(EPA)和食药局(FDA)先后批准了两款基于该技术的害虫防治及作物改良产品上市,标志着该技术在粮食领域的商品化开端。目前RNAi在多种储粮害虫中的可行性已经得到证实,但是该技术还存在一些问题,例如不同的害虫种类、dsRNA递送方式和分子设计差异都会影响RNAi防治效果。因此,本文系统性概述了RNAi技术在储粮害虫防治领域的研究及应用现状,并首次对RNAi技术在储粮害虫防控中的可行性、效率影响因素和增效方法进行了较为详细的总结。最后,还对RNAi技术在储粮害虫中的应用实践进行了展望,以期为该技术广泛应用于储粮害虫绿色防控提供理论基础。     

基于卷积神经网络的织物图像识别方法研究进展

基于卷积神经网络的织物图像识别技术具有自主学习、准确率高和适用性广的优点,已被广泛应用于纺织工业生产中。本文面向纺织领域详细综述了基于卷积神经网络的疵点分类、瑕疵检测、图像分类、图像分割技术的具体应用和研究进展,总结了各种网络结构的改进点和优缺点,同时就目前存在的问题及未来研究方向进行了展望。随着网络结构的不断优化,图像识别方法对实时性和精确性各有侧重,但其鲁棒性和适用性仍有较大的发展空间,有待做进一步研究。     

唇形科植物在储粮害虫防治中的应用

总结了应用唇形科植物粗提物、活性成分、精油等对储粮害虫进行防治的研究进展,并指明了今后防治储粮害虫的发展方向。     

基于改进的Faster R-CNN的小目标储粮害虫检测研究

针对小目标储粮害虫图像的检测问题,提出了一种基于特征金字塔网络的Faster R-CNN改进模型对图像中的小目标进行检测。本文以5种常见的储粮害虫为检测目标,样本中通过随机组合的方式混合不同种类的储粮害虫进行拍照取样,通过对原始图像数据进行目标扩充后构建了含942张储粮害虫图像的数据集（CSGP）。在改进模型的特征金字塔网络结构中,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。实验结果表明,采用训练集目标扩充的方式,储粮害虫图像的目标检测结果mAP提升了2.21%;改进后的模型进一步使得储粮害虫图像检测的mAP达到96.69%。最后,设计了一套粮仓内的储粮害虫监测系统。     

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。     

基于卷积神经网络的食品图像识别

目的 探究一种基于Inception_V3-CNN模型的食品图像识别和分类方法。方法 选取包含20类食品和19609张的食品图像建立数据集Food-101, 通过卷积神经网络(convolutional neural networks, CNN)提取图像候选区域的视觉特征, 并自动进行分类, 使其具有较高的识别率; 此外, 采集来自kaggle库中已标注的食品图像集做预测对比实验, 以保证Inception_V3-CNN模型检测的准确度。结果 该方法能够去除背景噪音, 且仅需部分提取视觉特征, 可以有效解决网络食品图像的分类问题, 与多视图支持向量机(support vector machine, SVM)+方向梯度直方图(histogram of oriented gradients, HOG)和传统CNN方法相比, 在测试时间相近、设备计算能力相同的条件下, 该方法识别率更高, 迭代次数为15000次时, Loss值降至4.92, 准确率可达93.89%。结论 此方法可以快速识别食品图像, 在实际网络图片中能有较好的可移植性。将算法移植到移动设备中实现APP的模块化操作也将成为后续工作探索的重点方向。     

江西省储粮昆虫调查

在江西省内选择5个地市作为代表地区,对粮库、加工厂、饲料厂、农户等调查点的储粮昆虫进行调查。调查发现江西省有60种储粮昆虫,其中鞘翅目昆虫最多,达42种,占70%。拟谷盗Tribolium castaneum Herbst和谷蠹Rhizopertha dominica Fabricius是江西省重要储粮害虫,总发生频率均为69.6%;12种主要储粮害虫在江西省的总发生频率约大于10%。江西省粮库内的储粮昆虫种类数量为5.4种/调查点。加工厂、饲料厂和农户中储粮昆虫种类数量达11.8种/调查点。江西省地区储粮害虫天敌种类丰富,主要有寄生蜂类、嗜虫蝽类、拟蝎类和捕食螨类,具有生物防治储粮害虫的天然优势。在江西省还首次发现并确定微扁谷盗Cryptolestes pusilloides(Steel et Howe)。     

河北省储粮昆虫与螨类分布调查

2016年8月份在河北省张家口、石家庄、邯郸、秦皇岛等4个地级市粮库、加工厂、农户等25个场所进行了现场采集。共采集到5个目38种储粮昆虫,其中鞘翅目Coleoptera 16个科29种、膜翅目Hymenoptera 4个科4种、鳞翅目Lepidoptera 3个科3种、啮虫目Corrodentia 1个科1种、半翅目Hemiptera1个科1种,同时发现3个目5个科7种储粮螨类。从采集结果来看,河北省储粮场所中嗜卷书虱Liposcelis bostrychophila Badonnel、锯谷盗Oryzaephilus surinamensis (Linnaeus)、锈赤扁谷盗Cryptolestesferrugineus(Stephens)、土耳其扁谷盗Cryptolestesturcicus(Grouville)、赤拟谷盗Triboliumcastaneum(Herbst)、谷蠹Rhyzoperthadominica(Fabricius)、玉米象Sitophiluszeamais Motschulsky、米象Sitophilusoryzae(Linnaeus)等储粮害虫分布最为普遍,米象小蜂Lariophagus distinguendus(Duftschmid)等天敌昆虫也分布广泛。     

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。     

储粮害虫智能检测方法的分析

储粮害虫的检测一直以来都是粮食储藏行业研究的一个热点，害虫种类的正确识别是粮食管理人员进行害虫防治的必要依据。对目前国内外的两种主要的害虫检测方法进行了叙述与分析，即基于图像识别的检测方法和基于声信号的检测和识别方法。在此基础上，该文重点论述了基于DSP的多信息融合的储粮害虫智能检测方法。     

2019 年中日稻米产业科技研讨会特约专栏

<正>专栏主持孙辉:博士,研究员,国家粮食和物资储备局科学研究院粮食品质营养研究所所长。兼任国际标准化组织ISO TC34/SC4(谷物与豆类分会)主席,中国粮油学会发酵面食分会副会长,全国粮油标准化技术委员会委员,《粮油食品科技》第四届编委会委员。在粮食品质和标准等方面主持了多项科研项目,完成14项国际标准、25项国家标准、14项粮食行业标准。多次获得"中国粮油学会"科     

基于卷积神经网络模型的裂纹鸡蛋图像识别

目的:提高基于计算机视觉的鸡蛋裂纹检测方法的准确性和运行效率。方法:使用禽蛋模拟撞击设备得到裂纹鸡蛋,并通过鸡蛋动态图像采集设备采集不同角度裂纹鸡蛋和完好鸡蛋图像,然后以原始图像和经预处理后图像分别建立用于裂纹鸡蛋图像识别的YOLO-v5、ResNet和SuffleNet模型,并比较不同模型识别准确度以及对未经预处理图像的适应性。结果:YOLO-v5、ResNet和SuffleNet模型均可有效识别经过预处理的裂纹鸡蛋图像,其验证集准确率分别为98.8%,97.8%,99.4%。对于未经预处理的裂纹鸡蛋,ResNet模型判别准确率较低,而SuffleNet模型对其适应性较好,判别准确度超过99%。结论:在卷积神经网络模型中,SuffleNet模型适用于裂纹鸡蛋图像的识别,且采集的图像无需进行预处理。     

基于改进YOLO深度卷积神经网络的缝纫手势检测

在人机协作领域,针对动作手势相似度大,环境复杂背景下手势识别率低的问题,提出一种基于YOLO深度卷积神经网络检测识别缝纫手势的方法。以4种复杂缝纫手势作为检测对象并构建缝纫手势数据集,通过在YOLOv3低分辨率的深层网络处增加密集连接层,加强图像特征传递与重用提高网络性能,实现端到端的缝纫手势检测。实验结果表明,在缝纫手势测试集中,训练后的模型平均精度均值为94.45%,交并比为0.87,调和平均值为0.885。通过对比区域卷积神经网络、YOLOv2以及原始YOLOv3算法,提出的改进方法检测精度有显著提升;同时在GPU加速情况下,平均检测速度为43.0帧/s,可完全满足缝纫手势的实时检测。     

基于改进卷积神经网络的化纤丝饼表面缺陷识别

针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。