一种基于改进的YOLOv3算法在粮虫小目标检测的应用

原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1 998张数据集进行数据增强,最终形成大小为9 990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9 990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。     

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于YOLOv7的抛物运动轨迹绘制及实时预测

针对物体在空中运动的跟踪、拦截等问题,提出一种基于YOLOv7目标检测算法的抛物运动轨迹绘制及实时预测。首先,采用YOLOv7-Tiny训练能够识别球类目标的模型,设计并实现对于连续画面采集的实时检测与目标绘制框架。接着,对仅受重力作用、阻力与速度成正比以及阻力与速度的平方成正比的抛物轨迹方程进行推导,构建轨迹预测算法。最后,通过实验测试画面采集速度和抛物轨迹预测的准确性,实现抛物轨迹跟踪和预测。结果表明,每秒检测帧数达103,球类目标的检测平均精度均值@0.5(mAP@0.5)和@0.5∶0.95(mAP@0.5∶0.95)分别达到89.1%和66.6%,阻力与速度成正比的抛物轨迹X、Y方向预测的准确度分别达到98.50%、98.67%,阻力与速度的平方成正比的抛物轨迹X、Y方向预测的准确度分别达到99.35%、99.12%。     

基于无人机高光谱的烟田涝灾早期识别

[目的]为准确、及时估算烟田涝灾损失程度.[方法]以搭载高光谱成像仪的无人机采集强降水后的烟田高光谱遥感影像,对影像进行图像分割、几何校正、辐射校正、地表反射率反演等处理,根据烟株倒伏程度将烟田分为受灾烟田、正常烟田和土壤3个类别,并构建兴趣区(region of interests,ROI),采用光谱角匹配算法对涝灾...     

基于改进YOLOv3网络的烟梗识别定位方法

目的：实现烟叶分级流程烟梗部位的智能抓取,防止智能烟叶分级系统中机械手在抓取烟叶时对叶面造成损伤,减少烟叶智能分级设备生产中的人为操作,解决烟叶分级系统中的单片烟叶识别分类问题与对应等级单片烟叶存放问题。方法：提出一种基于改进YOLOv3的卷积神经网络烟梗自动识别定位模型。该模型在原有的YOLOv3的基础模型上改变单元模块结构引入注意力机制模块,优化模型参数,使用Swish激活函数,实现了对烟叶图像全部信息进行目标定位识别,构建烟梗目标检测模型。结果：改进后的YOLOv3模型的loss能更快的收敛,其mAP由90.46%提升为97.48%,准确率由95.33%提升为97.35%,回归率由84.65%提升为95.65%,为后续烟叶自动化分类打下基础。结论：与YOLOv3、Faster-rcnn、YOLOv4、Efficientdet算法作对比分析表明试验提出的算法更加轻量化,识别效果更好,能减少对烟梗试验平台的硬件配置要求,提高烟叶分类系统的经济效益,为烟叶分级系统中烟叶上料与分仓提供准确的位置信息。     

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低，小目标检测较困难的问题，提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制，使模型聚焦于图像中的关键信息，改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能，其中引入CBAM模块后提升幅度最明显，较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

“3S”技术在昭通市现代烟草农业示范区规划信息管理中的应用

应用高分辨率卫星遥感影像解译、地理信息系统和GPS定位技术,对昭通市昭阳区布嘎乡花鹿坪现代烟草示范区的土地利用、烟田分布、水利设施和烘烤配套设施等进行地理信息数字化和更新,创建了一个集基础地理信息、基本烟田及其附属设施分布等烟草农业规划综合信息为一体的地图信息查询系统.     

基于深度学习技术的烟梗形态分类与识别

为解决打叶复烤中人工分选纯烟梗、梗头及梗含叶检测效率低、识别误差大等问题,基于深度学习方法建立了一种烟梗在线分类识别模型.首先,基于数字图像处理方法对采集到的烟梗图像进行目标提取,制作烟梗数据集;其次,根据烟梗图像特征对原始YOLOv3模型进行改进,构建新的网络结构;然后,使用制作好的烟梗数据对改进后YOLOv3模型进...     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%,使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

基于小目标的手机外包装盒印刷质量自动检测算法研究

本文针对手机外包装印刷过程中出现的小目标缺印问题,提出了基于图像识别的改进YOLOv5算法智能检测。在原算法的基础上,通过对小目标检测进行深入研究,改进了原算法的小目标检测,最后采用改进的EIOU损失函数,从而针对手机外包装印刷过程出现的小目标缺陷问题进行检测。通过实验结果表明对同一数据集的手机外包装盒印刷缺陷,本研究的准确率达到82.0%,平均精度均值达到83.5%。该研究能够有效针对手机外包装印刷过程中出现的小目标缺陷进行高速和准确的识别,为手机外包装印刷检测过程中小目标缺陷检测提供了一种解决思路。     

基于改进YOLOv5的碎米检测数据集

碎米检测是评估大米品质的重要环节,传统的碎米检测是由人工挑选完成的,这种方式耗时费力,误差率高,而且公开可用的碎米检测数据集并不多。为解决该问题,本文创建了一个大米碎米数据集,该数据集共由2435张图片和对应标签文件组成,其中包含3种类别;并提出了一个改进的YOLOv5碎米检测模型,该模型引入ShuffleNetv2轻量化结构作为特征提取结构,大大减少了模型的参数量,在此基础上,引入了BiFPN结构作为特征融合结构,使用α_IoU作为回归框损失对损失函数进行改进。实验表明,改进之后的模型精度可达98.9%,比原YOLOv5高0.3%,参数量和计算量也比原模型减少了85%以上,其中精度相比于YOLOv3、SSD、RestinaNet、FasterRCNN分别高了0.4%、33.3%、27.9%、27.2%。相关数据集将在https://github.com/THFrag/broken-rice-detection上提供。     

雪茄烟烟支外观质量检测方法

为解决雪茄烟烟支外观质量检测自动化程度低、人为影响因素大等问题,研制了一种雪茄烟烟支外观质量检测装置,并构建了基于机器视觉技术和深度学习的烟支外观质量缺陷检测模型。通过检测装置采集雪茄烟柱面缺陷图像,并利用随机平移、翻转等方法对图像进行均衡和增强,建立数据集;使用K-means聚类算法生成适用于柱面缺陷数据集的先验框;对YOLOv5模型进行训练,并验证检测效果;采用大津法求得最佳阈值对雪茄烟端面空头图像进行分割,通过统计烟丝缺失比例实现空头缺陷检测。结果表明：(1)采用YOLOv5模型对柱面缺陷进行检测,多类别平均准确率MAP(Mean Average Precision)为87.7%,单张图像检测时间为13.1 ms/张,模型抗干扰能力强,检测精度和时间均优于对比模型。(2)YOLOv5模型能够准确识别和定位多尺寸、多种类以及密集缺陷,具有较强泛化能力和鲁棒性。(3)在不同亮度光照环境下,均能够实现空头缺陷检测。该方法可为提高雪茄烟产品质量提供支持。     

基于改进YOLOv5的织物缺陷检测

鉴于织物表面纹理复杂导致织物缺陷检测准确率低以及小目标检测困难等问题,提出一种基于改进YOLOv5的织物缺陷检测算法。首先,在YOLOv5的骨干网络上,增加CBAM注意力机制,从而强化有用的特征信息弱化无用的特征信息;其次,将Neck层的路径聚合网络(PANet)用加权双向特征金字塔网络(Bi-FPN)替换,从而更好地平衡多尺度特征信息,提高小目标检测的特征能力。最后,通过改进损失函数,使用Focal EIOU Loss损失函数来代替CIOU Loss损失函数,不仅使得收敛速度更快,而且可以有效的解决难易样本不平衡问题。实践证明：改进后的训练模型平均精度均值mAP值为84.5%,比未改进增加了4.7%,可满足实际生产中的织物缺陷检测要求。     

转几丁质酶基因烟草遗传稳定性研究

从转几丁质酶基因烟草株系(NPTII基因是选择标记基因)对卡那霉素的抗性,及外源几丁质酶基因表达蛋白的活性(Western Blot检测)两个方面对转基因株系的遗传稳定性进行了分析研究。在卡那霉素抗性检测试验中,检测了13个T₂转基因株系,其中9个株系被检测种子100%对卡那霉素(100 mg/L)具有抗性;T₃和T₄转基因株系各检测了10个,100%被检测种子在含卡那霉素100 mg/L的MS培养基上长成了烟苗。Western Blot检测了11个T₂株系,检测结果表明,6个株系被检测植株100%含有外源几丁质酶蛋白,2个株系被检测植株80%含有外源几丁质酶蛋白,2个株系被检测植株50%含有外源几丁质酶蛋白,1个株系被检测植株19.05%含有外源几丁质酶蛋白。在温室内将转基因烟草与未转基因烟草密植在一起,种植2代,烟株开花期模仿自然风力对烟株吹风,进行了转基因烟草是否可以通过花粉进行基因漂移的研究。研究结果表明,在自然风媒条件下未发现转基因烟草可进行基因漂移。      

云南玉溪烟区烟草黑胫病菌的生理小种鉴定及其致病性分析

为明确云南玉溪烟区烟草黑胫病菌生理小种的类别及对主栽品种的致病性，以来源于玉溪市新平县和澄江市的172株烟草疫霉菌为材料，采用TTC法及活体植株接种法明确其生理小种的归属和组群分布，以不同生理小种的烟草疫霉菌株为接种体，研究生理小种鉴定接种技术并验证其可靠性。结果表明，TTC平板上呈现红色的供试烟草疫霉菌株均属于0号或1号生理小种；活体植株接种显示，0号和1号生理小种有149株和12株，分别占比86.63%和6.98%；无致病力及未鉴定出小种归属的菌株分别有2株和9株，分别占比1.16%和5.23%。表明新平县和澄江市烟草黑胫病菌以0号生理小种为主。致病性测定显示，170个菌株对主栽品种KRK26、云烟87和K326均有较强致病力。此外，寄主离体叶片与茎秆轻微致伤后，对烟草黑胫病菌生理小种的抗感反应与活体植株注射接种结果一致，具有同等的鉴别力。说明离体材料致伤接种的方法可用于区分不同烟草品种对黑胫病的抗感性。     

改进YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

土壤中烟草疫霉的分离与量化测定

从温室盆栽接种试验土和烟田土中分别取样，在室温下晾干，研碎并通过１ｍｍ直径的网筛，用选择性培养基土壤稀释平板法和叶片诱饵法分离烟草疫霉菌株；用土壤稀释平板法测定了云南主要烟区土样的烟草疫霉密度。结果看出，连作烟田的病菌密度高于轮作田，低凹烟田高于山地烟田。叶片诱饵法试验表明，以烟茎切片的诱集效果最好，其次是烟叶和马铃薯叶，番茄叶和辣椒叶的诱发效果相似，花生叶诱集不到烟草疫霉。     

烟草根际促生菌(PGPR)的筛选、鉴定及促生机理研究

筛选并鉴定了贵州烟区烟草根际促生菌（PGPR）菌株。测定PGPR产激素能力、定殖能力以及对烟草苗期促生作用，以具备多项促生能力为筛选标准，确定目标PGPR，再通过16S rDNA、平板对峙以及PCR技术对目标PGPR进行属鉴定、抗病能力测定。通过筛选获得的7株目标PGPR均能产生脱落酸、细胞分裂素、赤霉素和生长素。烟苗盆栽试验表明7株PGPR均具有促生效果，其中LX-7处理的烟苗鲜重和根系活力最大；大田移栽30d后，LX-7根际定殖数量可维持107cfu/g根，显著高于其它菌株；抑菌试验证实LX-4、LX-5和LX-7具有广谱抗菌作用。综合考量，LX-4、LX-5和LX-7具有显著的促生效果，经16SrDNA鉴定分别为枯草芽孢杆菌、地衣芽孢杆菌和解淀粉芽孢杆菌。      

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

外源CBD缓解烟草Cd胁迫的代谢组学分析

【目的】探究外源大麻二酚（CBD）对镉（Cd）胁迫下烟草的缓解效应。【方法】以烟草品种K326为研究对象，施用乙酸镉，并将CBD喷施于Cd胁迫烟株叶面，测定各处理烟株Cd含量，并基于GC-MS和LC-MS/MS的靶向和非靶向组学方法分析烟株代谢物的差异。【结果】（1）CBD能提高烟株的Cd耐受系数，显著降低烟株地上部分的Cd积累量。（2）不同处理烟株代谢物存在明显差异，其中有15种初生代谢物、8种生物碱、12种植物激素差异显著。（3）施用CBD后，Cd胁迫下烟株根部的有机酸（苏糖酸、棕榈酸、丁二酸、乙醇酸、葡萄糖酸）、肌醇半乳糖苷、丙氨酸等初生代谢物含量减少；生物碱与植物激素合成趋于正常水平。（4）烟株中葡萄糖酸、乙醇酸、乳酸、肌醇半乳糖苷、甘油含量与烟碱呈正相关，其可能是重金属胁迫下，调控生物碱合成的潜在物质。（5）CBD可以调节烟株色氨酸、酪氨酸代谢等响应胁迫的代谢通路恢复正常，并通过调节硫代谢，改善植株对养分的吸收利用，使TCA循环等能量代谢通路恢复，保证烟草中生物碱类等特异性次生代谢物的稳定合成。【结论】外源CBD可通过改变代谢途径缓解烟株Cd毒害，为降低烟草重金属污染提供新途...