检索结果-内蒙古大学图书馆

光谱学与光谱分析 2024年第11期44卷 3095-3100页

作者：翁士状潘美静谭羽健张巧巧郑玲安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心安徽合肥230601

苹果风味独特,清脆可口,深受全世界消费者的广泛喜爱。糖度是衡量苹果品质的关键指标。高光谱成像(HSI)由于含有丰富的图谱信息在糖度无损检测中有着广泛的应用前景,然而仍面临仪器笨重昂贵、操作耗时等问题。光谱超分辨率(SSR)可通过... 详细信息

苹果风味独特,清脆可口,深受全世界消费者的广泛喜爱。糖度是衡量苹果品质的关键指标。高光谱成像(HSI)由于含有丰富的图谱信息在糖度无损检测中有着广泛的应用前景,然而仍面临仪器笨重昂贵、操作耗时等问题。光谱超分辨率(SSR)可通过建立映射关系从低光谱维度RGB图像获得对应高光谱维度HSI图像,在HSI图像的高效获取上有着极大的优势。因而,将探索苹果RGB图像的SSR,并基于SSR数据进行糖度预测。首先,选取大小均匀的苹果作为研究对象,利用黑色哑光胶纸对感兴趣区域(ROI)进行标定。采集苹果RGB图像和HSI图像后,利用全局阈值法确定ROI并经过图像分割得到220个RGB-HSI图像对。然后,使用密集连接网络、多尺度层级回归网络和Transformer网络实现苹果RGB图像的SSR。最后,提取SSR后图像的反射率光谱,采用全光谱和竞争性自适应重加权选择后的有效波长光谱结合偏最小二乘回归(PLSR)、随机森林(RF)和极限学习机(ELM)构建糖度预测模型。结果表明,基于Transformer网络SSR结果最好。在SSR预测集中,平均相对绝对值(MRAESP)为0.1359,均方根误差(RMSESP)为0.0262;SSR后方法的反射率光谱与真实光谱一致性最好。在糖度预测的过程中,全光谱下ELM模型预测效果最好,预测集决定系数(RP2)和均方根误差(RMSEP)为0.9255和0.003,PLSR次之,RF最差。经过有效波长光谱提取后,预测结果有所提升,其中ELM模型预测结果最好,RP2为0.9609,RMSEP为0.0022,PLSR次之,RF最差。总之,基于Transformer图像SSR完成了苹果糖度的准确检测,提供了低成本高效率HSI图像的获取方式,实现了快速便捷的新型糖度检测,扩展了图像在水果品质分析中的应用场景,为促进智慧农业和食品领域的发展提供了理论依据。

关键词：高光谱成像苹果图像处理光谱超分糖度预测

来源：评论

学校读者我要写书评

暂无评论

基于轻量级密集多尺度注意力网络的小麦叶部锈病识别方法

引用

农业机械学报 2024年第11期55卷 21-31页

作者：鲍文霞赵诗意黄林生梁栋胡根生安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

人工诊断小麦锈病成本高、效率低,已无法满足现代农业生产的需要。本文提出了一种轻量级密集多尺度注意力网络模型(Mobile-Dense multi-scale attention net,Mobile-DMSANet),用于自动识别田间自然场景中的小麦叶部锈病(条锈病和叶锈病... 详细信息

人工诊断小麦锈病成本高、效率低,已无法满足现代农业生产的需要。本文提出了一种轻量级密集多尺度注意力网络模型(Mobile-Dense multi-scale attention net,Mobile-DMSANet),用于自动识别田间自然场景中的小麦叶部锈病(条锈病和叶锈病)。该模型在输入层设计了一个快速下采样模块(Fast subsampling block,FSB),它在不增加计算成本的前提下提高模型的特征表达能力。模型的特征提取层使用3个轻量级特征提取模块(Dense multiscale attention,DMS A)来提取小麦叶部锈病的特征。DMS A模块设计了一个多尺度的3路卷积层(Multi-scale threeway convolution,MSTC)用于获得不同尺度感受野,以提高模型的表达能力和对不同尺寸锈病的感知能力。DMSA模块中6个MSTC层通过密集连接实现特征重用,不仅大大减少了模型的参数量,而且提高了对这两种相似的小麦叶部锈病的特征提取能力。在DMSA模块中还引入了协调注意力机制(Coordinated attention,CA),来提高对病害信息的敏感性,并抑制图像中的背景信息。模型的输出层使用Softmax函数实现小麦叶部锈病识别。结果表明,Mobile-DMSANet模型在测试数据集上的识别准确率为96.4%,高于经典CNN模型(如ResNet50、AlexNet)和轻量级CNN模型(如ShufflenetV2、DenseNet系列)。Mobile-DMSANet参数量为4.54×10^(5),与其他轻量级模型相比大幅下降。本文所设计模型可用于移动端小麦叶部锈病的自动识别。

关键词：小麦条锈病小麦叶锈病病害识别轻量级卷积神经网络 Molile-DMSANet

来源：评论

学校读者我要写书评

暂无评论

基于轻量型网络的无人机遥感图像中茶叶枯病检测方法

引用

农业机械学报 2024年第4期55卷 165-175页

作者：胡根生谢一帆鲍文霞梁栋安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的... 详细信息

针对无人机采集的茶叶枯病图像中病斑差异大,病斑和背景之间相似性高等问题,设计了一个轻量型网络LiTLBNet,用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络,用来提取茶叶枯病病斑的可区分特征,减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块,帮助网络在通道维度上学习目标的综合特征,减少因病斑和背景之间的相似性造成的误检,同时删除原基线网络最大的特征图,以减少计算量和模型大小。此外,本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量,提高小样本条件下LiTLBNet网络泛化能力。实验结果表明,利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%,平均精度均值为78.5%,与YOLO v5s接近。然而,LiTLBNet内存占用量仅2.0 MB,是YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

关键词：茶叶病害目标检测无人机遥感轻量型网络 LiTLBNet

来源：评论

学校读者我要写书评

暂无评论

基于FE-P2Pnet的无人机小麦图像麦穗计数方法

引用

农业机械学报 2024年第4期55卷 155-164,289页

作者：鲍文霞苏彪彪胡根生黄承沛梁栋安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的... 详细信息

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题,提出了一种基于FE-P2Pnet(Feature enhance-point to point)的无人机小麦图像麦穗自动计数方法。对无人机图像进行亮度和对比度增强,增大麦穗目标与背景之间的差异度,减少叶、秆等复杂背景因素的影响。引入了基于点标注的网络P2Pnet作为基线网络,以解决麦穗密集的问题。同时,针对麦穗目标小引起的特征信息较少的问题,在P2Pnet的主干网络VGG16中添加了Triplet模块,将C(通道)、H(高度)和W(宽度)3个维度的信息交互,使得主干网络可以提取更多与目标相关的特征信息;针对麦穗尺寸不一的问题,在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块,使得该模块能够更好地处理特征信息和融合多尺度信息;为了更好地对目标进行分类,使用Focal Loss损失函数代替交叉熵损失函数,该损失函数可以对背景和目标的特征信息进行不同的权重加权,进一步突出特征。实验结果表明,在本文所构建的无人机小麦图像数据集(Wheat-ZWF)上,麦穗计数的平均绝对误差(MAE)、均方误差(MSE)和平均精确度(ACC)分别达到3.77、5.13和90.87%,相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet(Congested scene recognition network)和WHCNETs (Wheat head counting networks)等,表现最佳。与基线网络P2Pnet相比,MAE和MSE分别降低23.2%和16.6%,ACC提高2.67个百分点。为了进一步验证本文算法的有效性,对采集的其它4种不同品种的小麦(AK1009、AK1401、AK1706和YKM222)进行了实验,实验结果显示,麦穗计数MAE和MSE平均为5.10和6.17,ACC也达到89.69%,表明本文提出的模型具有较好的泛化性能。

关键词：麦穗计数无人机图像 FE-P2Pnet FEM Wheat-ZWF数据集

来源：评论

学校读者我要写书评

暂无评论

基于改进YOLO v7-Pose的牛脸关键点检测与姿态识别方法

引用

农业机械学报 2024年第11期55卷 84-92,102页

作者：黄小平侯现坤郭阳阳郑寰宇豆子豪刘梦艺赵晋陵安徽大学互联网学院合肥230039 农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230039

奶牛脸部关键点检测在牛场智能化中发挥着重要的作用,它可以帮助实现牛脸识别、牛脸对齐、头部动作检测与行为识别等。针对目前奶牛养殖环境中存在牛脸遮挡、弱光照等问题,提出了一种改进的YOLO v7-Pose网络模型的算法,可用于牛脸关键... 详细信息

奶牛脸部关键点检测在牛场智能化中发挥着重要的作用,它可以帮助实现牛脸识别、牛脸对齐、头部动作检测与行为识别等。针对目前奶牛养殖环境中存在牛脸遮挡、弱光照等问题,提出了一种改进的YOLO v7-Pose网络模型的算法,可用于牛脸关键点检测和头部姿态识别。首先通过网络相机在牛场获取奶牛脸部图像并构建数据集。其次,在YOLO v7-Pose网络模型中引入SPPFCSPCL结构,以提高奶牛脸部关键点的特征提取能力;将关键点检测的损失函数OKS替换为WingLoss损失函数,增加奶牛脸部关键点的检测精度;最后,使用L1范数对改进的模型剪枝,使改进后的网络模型参数量降低。试验结果表明:改进模型YOLO v7-SCLWL-Pose检测牛脸关键点较原模型AP提升5个百分点,AP0.5提升2.7个百分点,改进后模型内存占用量仅为106.7 MB,减少33.6%。将本文关键点检测用于姿态识别,试验结果对抬头和低头等动作的识别准确率达到95.5%和86.5%。本研究为牧场奶牛行为识别提供了支撑技术。

关键词：牛脸检测关键点检测 YOLO v7-Pose 姿态识别

来源：评论

学校读者我要写书评

暂无评论

LSVSH描述符:高鉴别强鲁棒的点云局部特征统计直方图

引用

计算机辅助设计与图形学学报 2024年第2期36卷 248-257页

作者：吴鹏鹏梁栋赵宝周磊安徽大学互联网学院合肥230039 安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230601

三维局部特征描述是三维计算机视觉中的重要任务.现实场景中包含噪声、遮挡和杂波等干扰,使得准确和鲁棒的三维局部特征描述具有很大的挑战性.为提高特征描述的性能,提出一种局部曲面变化统计直方图(local sur-face variation based sta... 详细信息

三维局部特征描述是三维计算机视觉中的重要任务.现实场景中包含噪声、遮挡和杂波等干扰,使得准确和鲁棒的三维局部特征描述具有很大的挑战性.为提高特征描述的性能,提出一种局部曲面变化统计直方图(local sur-face variation based statistics histogram,LSVSH)描述符.首先设计一种不依赖于局部参考轴(local reference axis,LRA)的新属性(称为曲率属性),增强描述符对LRA误差的稳健性;然后沿径向剖分局部空间,在每个子空间中统计3个角度属性和1个曲率属性生成LSVSH描述符,实现对局部曲面信息的全面稳健描述.在B3R,U3M,U3OR和QuLD这4个数据集上进行大量的实验,结果表明,LSVSH在4个数据集上的RPC下面积(the area under the recall-precision curve,AUCpr)值分别为0.95,0.70,0.54和0.10,优于现有的局部特征描述符的性能;在U3M数据集上的正确配准率和在U3OR数据集上的正确识别率分别达到70%和100%,验证了LSVSH应用于物体配准和识别任务上的有效性.

关键词：局部特征描述符局部参考轴点云配准点云识别

来源：评论

学校读者我要写书评

暂无评论

面向无人机遥感图像中茶叶枯病检测的轻量型网络

引用

农业机械学报 2024年

作者：胡根生谢一帆鲍文霞梁栋安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心

针对无人机采集的茶叶枯病图像中病斑差异大，病斑和背景之间相似性高等问题，本研究设计了一个轻量型网络LiTLBNet，用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络，用来提取茶叶... 详细信息

针对无人机采集的茶叶枯病图像中病斑差异大，病斑和背景之间相似性高等问题，本研究设计了一个轻量型网络LiTLBNet，用于准确、实时地检测野外茶园无人机图像中的茶叶枯病。LiTLBNet使用轻量型的M-Backbone作为骨干网络，用来提取茶叶枯病病斑的可区分特征，减少因图像中病斑的尺度、颜色和形状的巨大差异而导致的漏检。在LiTLBNet的LNeck结构中引入了SE和ECA模块，帮助网络在通道维度上学习目标的综合特征，减少因病斑和背景之间的相似性造成的误检，同时删除原基线网络最大的特征图，以减少计算量和模型大小。此外，本研究还通过旋转、加噪声、构建合成图像等方式来扩充训练样本数量，提高小样本条件下LiTLBNet网络的泛化能力。实验结果表明，利用LiTLBNet检测无人机遥感图像中茶叶枯病的精度为75.1%，mAP为78.5%，与YOLO v5s接近。然而，LiTLBNet的内存占用量只有2.0MB，只有YOLO v5s网络的13.9%。LiTLBNet网络可用于对茶叶枯病进行实时、准确的无人机遥感监测。

关键词：茶叶病害目标检测无人机遥感深度学习轻量型网络

来源：评论

学校读者我要写书评

暂无评论

基于无人机图像的小麦麦穗计数方法

引用

农业机械学报 2024年

作者：鲍文霞苏彪彪胡根生黄承沛梁栋安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题，提出了一种基于FE-P2Pnet（Feature Enhance-Point To Point）的无人机小麦图像麦穗自动计数方法。首先，对无人机图像进行亮度和对比度增强，增大麦穗目标与... 详细信息

针对无人机图像背景复杂、小麦密集、麦穗目标较小以及麦穗尺寸不一等问题，提出了一种基于FE-P2Pnet（Feature Enhance-Point To Point）的无人机小麦图像麦穗自动计数方法。首先，对无人机图像进行亮度和对比度增强，增大麦穗目标与背景之间的差异度，减少叶、杆等复杂背景因素的影响。其次，引入了基于点标注的网络P2Pnet作为基线网络，以解决麦穗密集的问题。同时，针对麦穗目标小引起的特征信息较少的问题，在P2Pnet的主干网络VGG16中添加了Triplet模块，将C(通道)、H(高度)和W(宽度)3个维度的信息相互交互，使得主干网络可以提取更多与目标相关的特征信息；针对麦穗尺寸不一的问题，在FPN(Feature pyramid networks)上增加了FEM(Feature enhancement module)和SE(Squeeze excitation)模块，使得该模块能够更好地处理特征信息和融合多尺度信息；为了更好地对目标进行分类，使用Focal Loss损失函数代替交叉熵损失函数，该损失函数可以对背景和目标的特征信息进行不同的权重加权，进一步突出特征。实验结果表明，在本文所构建的无人机小麦图像数据集(Wheat ZWF)上，麦穗计数的Mae（平均绝对误差）、Mse（均方误差）和Acc(平均精确度)分别达到了3.77、5.13和90.87%，相较于其他目标计数回归方法如MCNN(Multi-column convolutional neural network)、CSRnet（Congested scene recognition network)和WHCNETs (Wheat head counting networks)等，表现最佳。与基线网络P2Pnet相比，Mae和Mse分别降低了23.2%和16.6%，Acc提高了2.67个百分点。为了进一步验证本文算法的有效性，对采集的其它4种不同品种的小麦（AK1009、AK1401、AK1706和YKM222）进行了实验，实验结果显示，麦穗计数的平均Mae和Mse值为5.10和6.17，准确率也达到了89.69%，表明本文提出的模型具有较好的泛化性能。本文的研究可以为小麦麦穗计数相关研究提供一定的支持和帮助。

关键词：无人机图像麦穗计数 FE-P2Pnet FEM Wheat-ZWF数据集

来源：评论

学校读者我要写书评

暂无评论

反射光谱结合光谱基二维卷积回归网络快速检测食用油中饱和脂肪酸

引用

光谱学与光谱分析 2022年第5期42卷 1490-1496页

作者：翁士状储昭结王满琴王年安徽大学农业生态大数据分析与应用技术国家地方联合工程研究中心安徽合肥230601

人们日常膳食中常见的食用油含有丰富的饱和脂肪酸,饱和脂肪酸能为人体提供能量和必须营养物质,但过量摄入会导致多种心血管疾病。结合反射率光谱和深度学习方法发展一种食用油中饱和脂肪酸含量的分析方法。首先,测量了菜籽油、大豆油... 详细信息

人们日常膳食中常见的食用油含有丰富的饱和脂肪酸,饱和脂肪酸能为人体提供能量和必须营养物质,但过量摄入会导致多种心血管疾病。结合反射率光谱和深度学习方法发展一种食用油中饱和脂肪酸含量的分析方法。首先,测量了菜籽油、大豆油、葵花籽油、玉米油、橄榄油、芝麻油及花生油等7种食用植物油350~2500nm范围的反射光谱,并通过气相色谱-质谱分析法获得其软脂酸、花生酸及山嵛酸等饱和脂肪酸的含量。使用中心化、多元散射校正、标准正态变量变换及标准化等算法做光谱预处理消除光谱噪声。然后,构建了一种新型的二维光谱卷积回归网络(S2DCRN)用于脂肪酸分析,而全卷积网络(FCN)、偏最小二乘回归(PLSR)、支持向量回归(SVR)及随机森林(RF)用于与S2DCRN模型相对比。最后,采用序列前向选择(SFS)、随机蛙跳(RFrog)及遗传算法选取光谱特征的重要波长,进而构建更为简单稳健的分析模型。实验结果表明,对食用油的全光谱预处理后,S2DCRN模型性能最优,其模型对预测集的决定系数(R2P)达到0.9879,均方根误差(RMSEP)为0.5100。基于重要波长的S2DCRN模型,RFrog-SFS为S2DCRN提供了最佳的预测结果R2P=0.9679,RMSEP=0.4627。虽然变量选择后所取得的分析效果略差,但光谱波长数目不足全光谱的1%,节省了光谱数据采集工作并大幅降低了模型复杂度,有助于后续便携式简化检测装置的研发。为进一步探究S2DCRN模型的通用性能,S2DCRN被用于食用油中花生酸和山嵛酸含量分析。其中,S2DCRN对花生酸的预测结果较好R2P=0.9501,RMSEP=0.1529。所提出的S2DCRN可实现反射率光谱对食用油中多种脂肪酸的准确快速分析。

关键词：食用油饱和脂肪酸反射光谱卷积神经网络

来源：评论

学校读者我要写书评

暂无评论

基于坐标注意力机制和YOLO v5s模型的山羊脸部检测方法

引用

农业机械学报 2023年第7期54卷 313-321页

作者：郭阳阳洪文浩丁屹黄小平安徽大学互联网学院合肥230039 农业生态大数据分析与应用技术国家地方联合工程研究中心合肥230039

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取... 详细信息

山羊的脸部检测对羊场的智能化管理有着重要的意义。针对实际饲养环境中,羊群存在多角度、分布随机、灵活多变、羊脸检测难度大的问题,以YOLO v5s为基础目标检测网络,提出了一种结合坐标信息的山羊脸部检测模型。首先,通过移动设备获取舍内、舍外、单头以及多头山羊的图像并构建数据集。其次,在YOLO v5s的主干网络融入坐标注意力机制,以充分利用目标的位置信息,提高遮挡区域、小目标、多视角样本的检测精度。试验结果表明,改进YOLO v5s模型的检测精确率为95.6%,召回率为83.0%,mAP0.5为90.2%,帧速率为69 f/s,模型内存占用量为13.2 MB;与YOLO v5s模型相比,检测精度提高1.3个百分点,模型所占内存空间减少1.2 MB;且模型的整体性能远优于Faster R-CNN、YOLO v4、YOLO v5s模型。此外,本文构建了不同光照和相机抖动的数据集,来进一步验证本文方法的可行性。改进后的模型可快速有效地对复杂场景下山羊的脸部进行精准检测及定位,为动物精细化养殖时目标检测识别提供了检测思路和技术支持。

关键词：羊脸检测 YOLO v5s 坐标注意力机制精准畜牧

来源：评论

学校读者我要写书评

暂无评论

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案：

请选择收藏分类：

通借通还

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：