基于深度学习的图像识别技术在柑橘病虫识别中的应用研究

随着柑橘种植产业规模的逐步扩大,病虫害成为阻碍柑橘产业发展面临的主要问题之一。为了构建一种检测工具,实现对柑橘病虫进行早期检测和鉴定,预防病虫灾害的发生,对各种深度学习框架进行了实验,以确定其中某一种框架有助于构建更准确、更高效的检测工具。本研究中使用的深度学习方法包括卷积神经网络CNN、VGG16和Xception。VGG16和Xception都是基于CNN架构改进的预训练模型,使用迁移学习方法。VGG16结构简单,使用多个较小的3×3卷积核构建了一个较深的16层网络结构模型,同时表现出很好的性能。Xception通过引入深度可分离卷积层的架构SeparableConv,实现了空间相关性和跨通道相关性的完全解耦,在基本不增加网络复杂度的前提下提高了模型的效果。研究数据集取自华南农业大学的柑橘病虫害数据集和网络爬虫,通过对原始图像数据进行预处理,将不同维度的特征归一化到相同的取值区间[0,1],消除不同特征之间的相关性,并通过对原始图像进行移动、旋转、缩放、增加饱和度等变换方法,有效扩充了数据集。通过实验对比,表现最好的模型是Xception,病虫检测准确率为81.9%。     

QoE优先的移动网络RRTCC传输改进策略

目前Chrome浏览器为WebRTC适配的RRTCC（receiver-side real-time congestion control)拥塞控制算法在移动网络环境的多流竞争情况下表现较差.在有TCP流共存的情况下会过度退让从而导致WebRTC流饥饿,在视频会议这种多WebRTC流并发的情况下,新加入的WetRTC流会损害已有流的通信质量.针对该问题,提出了QoE优先考量的RRTCC传输控制改进策略MTCIS,该策略根据对当前移动网络性能和QoE需求的分析,采取激进程度适中的WebRTC传输控制方法,避免了与TCP流竞争时过度退让的问题.针对多WebRTC流并发的场景,设计了并发流管理机制,在合理利用带宽和优先满足用户QoE的基础上,对视频流的传输参数进行动态调整.实验结果表明,在移动网络场景多流竞争的情况下,MTCIS策略能够有效地保证WebRTC的合理竞争性、稳定性和健壮性,提高了用户的QoE体验.