基于TPH-YOLOv5和小样本学习的害虫识别方法

深度卷积目标检测算法可自动识别农田害虫,实现对害虫的监测和预警,确保农业稳产、增产,在智慧农业中有着重要的应用。针对小目标害虫漏检率高和小样本害虫识别精度低的问题,首先,设计有针对性的小目标和小样本害虫数据增强方法,采用复制粘贴、裁剪、过采样等技术,保证样本规模及位置多样性特性,进而提升其对训练损失的贡献度;其次,构建基于微调的二阶段小样本学习策略,兼顾分阶段学习基类和新类害虫特征,确保在识别新类害虫的同时,不降低基类害虫的识别能力,以满足不断更新害虫数据的实际农业应用场景需求;最后,引入TPH-YOLOv5作为害虫识别算法。在28类害虫图像数据集上进行实验,结果表明,所提方法具有较高的学习效率和识别正确率,其精度、召回率、平均精度均值分别为87.6%,84.9%和85.7%。     

基于改进的深度信念网络的入侵检测方法

针对传统入侵检测方法很难快速准确地从海量无标签网络数据中提取特征信息以识别异常入侵,提出了基于改进的深度信念网络的softmax分类（IDBN-SC）入侵检测方法。利用改进的DBN对原始网络数据进行无监督特征学习,引入自适应学习速率减少训练网络模型所需要的时间;采用softmax分类器对获得的降维数据进行网络攻击类型识别。在NSL-KDD数据集上进行测试,相比其他入侵检测方法,实验结果表明IDBN-SC方法不仅识别准确率平均提高3.02%,而且其softmax分类器训练时间平均缩短5.58 s。     

基于二次随机森林的不平衡数据分类算法

不平衡数据集的分类问题是现今机器学习的一个热点问题。传统分类学习器以提高分类精度为准则导致对少数类识别准确率下降。本文首先综合描述了不平衡数据集分类问题的研究难点和研究进展,论述了对分类算法的评价指标,进而提出一种新的基于二次随机森林的不平衡数据分类算法。首先,用随机森林算法对训练样本学习找到模糊边界,将误判的多数类样本去除,改变原训练样本数据集结构,形成新的训练样本。然后再次使用随机森林对新训练样本数据进行训练。通过对UCI数据集进行实验分析表明新算法在处理不平衡数据集上在少数类的召回率和F值上有提高。     

基于联邦学习和深度残差网络的入侵检测

深度学习被广泛应用到入侵检测领域,但大多数研究的重点是通过改进算法提高入侵检测的准确率,却忽视了在实际应用中单个用户拥有的数据无法满足训练需求的问题。为了实现网络入侵检测模型在训练过程中保护用户隐私安全的同时,仍具有对网络流量数据检测异常的能力,提出一种基于联邦学习并融合深度残差网络（ResNet）和注意力机制的入侵检测模型FL-SEResNet(Federation Learning Squeeze-and-Excitation network ResNet)。在训练过程中,通过对数据压缩、解压、分发、加密和聚合等操作,可以在保护参与者数据隐私的同时,通过多方参与提供足够的训练数据。在NSL-KDD和UNSW-NB15数据集上,所提模型在多分类实验的识别准确率分别为84.22%和80.38%。在NSL-KDD上,与同属于联邦学习的CNN-FL相比,对多分类的识别准确率提升了1.82个百分点,对少数类R2L(Remote to Local)的识别准确率提升了24.94个百分点。     

基于深度学习的芒果病虫害分类识别

传统芒果病虫害防治,需要人工进行识别,现引入深度学习技术,可快速准确地对芒果病虫害进行识别。以攀西地区芒果的12种病虫害为研究对象,采用的数据集一部分来自公开数据集MangoLeafBD,另一部分由爬虫技术获得的网络图片组成,共获取图片6 769张,其中4 879张为训练集,1 220张为验证集,670张为测试集。为迎合实际应用的需要,选择了MobileNetV3、MobileViT等4种不同规模的轻量级深度学习网络模型,结合迁移学习训练策略进行对比实验,比较了各个模型的参数量、精确率、召回率等参数。实验结果显示,MobileViT模型用于芒果病虫害分类识别效果最佳,该模型的精确率为96.31%,召回率为96.12%,F1为96.20%,均优于其他模型。由此表明,模型具有较好的鲁棒性和识别性能,可为芒果病虫害分类识别提供技术参考。     

基于YoloV3的分布式光纤传感振动识别

油气行业在长距离管线运行中需要监测各种数据和运行状态,传统基于信号分析的算法存在着灵敏性低、误检率高、漏检等问题。针对以上问题,本文提出一种基于图像分类网络yolov3来实现对分布式光纤振动传感网络事件的分类方法。通过搜集现场人工挖掘和机械挖掘事件地信号,信号经过转换后制作数据集,加载数据集,训练模型,在Yolov3图像分类网络中训练,达到了在信号瀑布图中可以快速准确地识别挖掘事件类型的目标。结果表明,利用计算机视觉来对分布式光纤传感网络中的挖掘事件类型进行检测是可行的,且相较于传统算法有着更高的灵敏性和准确率。     

基于卷积神经网络的苹果栽培品种识别

针对苹果栽培品种识别分类问题,提供一个包含多个苹果果树品种的叶片图像原始数据集,并且研究构建一种新的深度卷积神经网络分类模型,对其分类准确性、泛化性能和稳定性进行对比验证,以期对苹果栽培品种简便、快速、准确的识别分类提供理论依据和技术支持。以甘肃省平凉市静宁县果树果品研究所苹果良种苗木繁育基地作为实验基地,在其中选取14个苹果果树品种。每个品种选取10棵左右树龄、树势、长势都存在差异的果树,采摘100片左右成熟的、无机械损伤的叶片,然后拍摄叶片图像建立数据集,进而利用卷积神经网络训练识别分类模型。本文针对苹果栽培品种识别分类,提供一个包含14个苹果果树品种共计14394张叶片图像的原始数据集,并且设计实现基于卷积神经网络的识别分类模型。实验结果表明,该识别分类模型有较高的准确率,训练集训练精度可以达到99.88%,验证集验证精度为94.36%,独立测试集的测试精度为90.49%。本文的研究结果可以为现代苹果田间种植及科研试验等实际场景提供力所能及的帮助,为深度卷积神经网络技术在植物品种识别分类实际应用场景提供参考,丰富深度学习在农业上的应用。     

基于深度学习的农田害虫识别研究

农田害虫降低了农作物的产量和质量,如何有效区分和治理农田害虫成为首要解决的问题。文章紧抓农田环境需求和农民对农作物的产量需求不匹配的痛点,基于卷积神经网络技术识别农田害虫,为农业提供有效的识别方式。采用MobileNetV1、残差神经网络（Residual Network,ResNet）50、视觉几何群网络（Visual Geometry Group Network,VGG）16以及微调预训练模型VGG16共4种网络模型二分类农田害虫图片集。由于样本数据量较少,为防止出现过拟合,使用了数据增强技术,即通过现有训练图片生成更多的训练图片,从而提高泛化能力。实验表明,4种网络模型的准确率分别为88.63%、91.73%、86.49%和90.13%,在农田害虫识别中均具有较好的实际应用效果。     

基于迁移学习与图像增强的夜间航拍车辆识别方法

为了对夜间航拍图片中的车辆进行有效识别,提出基于二次迁移学习和Retinex算法的图像处理方法,仅利用小规模的数据集训练网络,采用基于Faster R-CNN的深度学习算法即可实现车辆的快速检测.首先在ImageNet大规模数据集和中国科学院日间航拍中规模数据集之间应用一次迁移学习;然后在日间中规模数据集与夜间航拍小规模数据集之间应用二次迁移学习;最后利用Retinex迭代算法对夜间图片进行处理以增强其与日间图片的相似性,使二次迁移学习有效进行.实验结果表明,在深度学习平台上,该方法利用小规模航拍数据集训练出有效的识别网络,检测结果优于传统的机器学习方法,在军事侦察及交通管控等方面具有一定的应用价值.     

基于改进双重深度Q网络的入侵检测模型

入侵检测技术作为网络安全有效的防御手段,是网络安全体系中的重要组成部分。随着互联网的快速发展,网络数据量快速增加,网络攻击更加趋于复杂化和多元化,目前主流的入侵检测技术无法有效识别各种攻击。针对实际网络环境中正常流量和攻击流量数据不平衡,且对攻击类流量检测率低的问题,基于深度强化学习提出一种基于改进双重深度Q网络的CBL_DDQN网络入侵检测模型。该模型将一维卷积神经网络和双向长短期记忆网络的混合网络模型引入深度强化学习的DDQN框架,并使用深度强化学习中的反馈学习和策略生成机制训练智能体来对不同类别的攻击样本进行分类,在一定程度上减弱了训练模型过程中对数据标签的依赖性。采用Borderline-SMOTE算法降低数据的不平衡度,从而提高稀有攻击的检测率。通过NSL_KDD和UNSW_NB15数据集对模型的性能进行评估,结果表明：该模型在准确率、精确率、召回率这三项指标上均取得了良好的结果,检测效果远优于Adam-BNDNN、KNN、SVM等检测方法,是一种高效的网络入侵检测模型。     

基于SSD的粮仓害虫检测研究

为了对粮仓害虫进行有效地检测,减少粮食损失,提出一种基于SSD的粮仓害虫检测方法。该方法利用多个尺度的卷积特征图来检测害虫。通过轻量化模型结构和优化损失函数来提高SSD的训练速度和检测效率。实验将6类高爆发的粮仓害虫图像进行训练和测试,结果表明:该方法相比较于当前主流的目标检测方法在对粮仓害虫检测中具有更高的mAP。     

基于高阶残差和注意力机制的轻量型作物害虫识别

精准识别作物害虫对作物进行适时地防护和治理具有重要意义. 在面向自然环境时, 由于作物害虫体积小、与环境颜色的差异性不大, 同时又面临着各种噪声和复杂背景等因素的影响, 目前与深度学习相关的作物害虫识别模型存在难以兼顾识别准确率和鲁棒性的要求, 难以部署在计算资源有限和低性能的移动端等缺陷. 因此选取ShuffleNetV2网络结构中模型参数最少的ShuffleNetV2 0.5×为基准网络, 设计了一个基于高阶残差和注意力机制的轻量型作物害虫识别模型(HOR-Shuffle-CANet). 其中, 前期的高阶残差可以为后面的网络层提供丰富的害虫特征, 有效提高模型的识别准确率; 坐标注意力(coordinate attention, CA)机制能够进一步抑制背景噪声和对作物害虫重点信息的关注, 有效增强模型的鲁棒性; 带标签平滑正则化(label smoothing regularization, LSR)的双稳态逻辑损失函数可以解决训练含噪数据集时逻辑损失函数的两个缺点, 使得模型对噪声的适应能力更强. 试验结果表明, HOR-Shuffle-CANet模型在自然场景中10类常见作物害虫图像的测试数据集上达到了91.22%的识别准确率, 较基准网络提升了3.54个百分点. 在保持轻量化计算的基础上, 其识别准确率也高于现有的经典卷积神经网络AlexNet、VGG-16、GoogLeNet、Xception、ResNet-34和轻量级网络模型MobileNetV3-Small、EfficientNet-B0等. 该模型具有识别准确率高、鲁棒性强和抗干扰性能好等特点, 能够很好地适应作物害虫识别的实际应用需求.     

基于深度学习的农作物病虫害图像识别APP系统设计

为准确有效识别出农作物病虫害类别及位置,构建一款农作物病虫害图像识别App系统,为广大农户、研究人员及管理者提供智能信息服务.该系统基于Android平台开发,在所收集的大量病虫害数据集上,开展了Darknet、YOLO等深度网络模型训练和测试,并使用批量正则化、维度聚类和课程设计学习等技术优化模型,实现了181种作物...     

基于图像分析的谷物害虫检测与分类识别技术研究

介绍了谷物害虫检测系统的硬件组成，描述了采用差分图像法实现对谷物害虫检测判断和三帧差分法实现谷物害虫图像恢复与提取的方法，最后利用图像的一阶灰度值直方图和图像的目标区域，自动提取静态仓储物害虫图像的纹理等特征，实现对仓储物害虫的快速鉴定和分类．     

基于深度学习的木材缺陷图像的识别与定位

传统的木材缺陷定位方法主要有物理设备检测和传统计算机技术检测,但这两种方法均存在数据收集困难、高度依赖数据本身等问题,不适用于实际生产。本文提出一种基于深度学习的自动缺陷定位模型（Automatic defect location model, ADLM）,包含单缺陷定位模型（Single defect location model, SDLM）与多缺陷定位模型（Multi-defect location model, MDLM）,满足不同需求。模型使用MobileNet作为骨干网,只需少量数据集进行训练。在公开数据集Wood Defect Database中,该模型可获得86.1%的缺陷识别率。在单缺陷数据集中,该模型可获得97.5%的定位精确率。在多缺陷数据集中,该模型可获得90.0%的定位精确率。与传统的木材缺陷识别模型相比,基于深度学习的自动缺陷定位模型无须前期人工提取特征,具有检测速度更快、精准度更高以及适用性更广等优点。     

多尺度特征DCA融合的海上船舶检测算法研究

为了加强海上交通的安全性,以常见的民用船和军用船为研究对象,针对原始YOLOV3算法在船舶数据集上检测精度不高、目标框出现误检和小目标漏检的问题,提出了改进的船舶检测算法MS-YOLOV3.构建船舶图像数据集Shipdataset,包括数据采集、增强和标签标注,使用维度聚类算法在该数据集中找出合适尺寸的先验框,并应用于...     

A rapid learning and dynamic stepwise updating algorithm for flatneural networks and the application to time-series prediction

A fast learning algorithm is proposed to find an optimal weights of the flat neural networks (especially, the functional-link network). Although the flat networks are used for nonlinear function approximation, they can be formulated as linear systems. Thus, the weights of the networks can be solved easily using a linear least-square method. This formulation makes it easier to update the weights instantly for both a new added pattern and a new added enhancement node. A dynamic stepwise updating algorithm is proposed to update the weights of the system on-the-fly. The model is tested on several time-series data including an infrared laser data set, a chaotic time-series, a monthly flour price data set, and a nonlinear system identification problem. The simulation results are compared to existing models in which more complex architectures and more costly training are needed. The results indicate that the proposed model is very attractive to real-time processes.     

谷物害虫检测与分类识别技术的研究及应用

阐述了在仓储物害虫检测与分类识别的方法,提出了检测系统的硬件组成,对检测到的谷物害虫图像的一阶灰度值直方图和图像的目标区域,自动提取静态仓储物害虫图像的数理统计特征、纹理特征和几何形状特征的主要技术和方法。试验结果表明,该方法可为谷物害虫的计算机自动模式识别(快速分类)提供稳定的特征参数值,有效提高了识别率,为仓储物害虫的快速鉴定和分类研究开辟了新途径。     

基于深度学习的网络空间操作系统识别技术研究

在网络空间精准、快速、全面地进行网络资产探测是实现数字资产安全有效管理的前提,而识别操作系统是网络资产探测的基础,通过对流量中的操作系统信息的识别可以对已知漏洞进行预防范。本文主要提供了一种基于卷积神经网络的操作系统指纹快速识别方法,设计和构建了以ReLU函数作为激活函数的二层卷积模型且增加了BN层、池化层、全连接层,通过使用流量探测分析工具p0f将其指纹库操作系统指纹数据作为训练集,对收集到的流量数据作为测试集进行指纹识别测试,并将SVM方法和决策树方法与本文构建模型进行对照组实验。实验结果表明,本文操作系统识别模型具有较高的收敛速度和准确率,且平均判别准确率相比于SVM算法和C4.5决策树算法提高了13和6个百分点,证明本文研究的模型在操作系统识别方面具有良好的性能。     

基于支持向量机的储粮害虫分类识别技术研究

介绍了采用三帧差分法实现锌物害虫图像恢复与提取的方法,利用图像的一阶灰度值直方图和图像的目标区域,自动提取静态储粮害虫图像的纹婵等特征。针对于相对特征维数而言样本数很少的特点,提出利用多类SVM分类器的方法实现对储粮害虫的快速鉴定和分类。实验结粜表明,相比传统的神经网络,SVM在有限样本情况下具有良好的泛化能力。