基于深度学习的马铃薯病害智能识别

针对现有通过叶片病斑识别马铃薯病害的方法中,只对简单背景下的单片叶片进行病害识别处理,难以应用于真实复杂环境的问题,提出了一种基于深度学习的现场环境下马铃薯病害智能识别的方法。首先采用Deeplab v3+语义分割网络在生长背景中分割出马铃薯叶片,然后使用自适应对比度增强和颜色空间转换的方法提取马铃薯病斑,最后结合病斑的纹理特征和VGG16网络提取的特征,通过搭建一维卷积神经网络识别出病害。实验结果表明,上述方法能准确有效地识别复杂背景下的马铃薯病害。     

面向自动拆解的废旧电器整机智能识别方法

针对拆解废旧电器整机识别的传统方法效率低下的现象,提出一种自定义特征的废旧电器整机识别的方法;首先对废旧电器图像采用目标分割算法把废旧电器与背景进行分割,然后提取废旧电器整机的形状特征和卷积神经网络提取的深层特征,采用PCA算法对提取到的形状特征进行优化,将优化后的形状特征与深层特征进行特征拼接,最后将拼接后的特征向量对搭建好的3个SVM二分类器进行训练,得到废旧电器的分类模型;结果表明,拼接后的特征向量对废旧电器识别的准确率较高,高达91.21%,能够有效地实现废旧电器的智能识别。