基于mRMR-XGBoost的水稻关键生育期识别

针对目前使用无人机识别水稻关键生育期时光谱数据特征维度高和冗余,导致模型准确率和泛化能力不足的问题,该研究提出一种基于最优特征组合的水稻关键生育期(分蘖期、拔节期、抽穗期、乳熟期、完熟期)识别方法。首先使用无人机采集田间光谱图像,基于相对植被指数和迭代自组织数据分析算法对光谱图像进行分割,以有效提取水稻冠层区域。然后对水稻生育期的关键特征进行表达,采用最小冗余特征选择算法对特征进行重要性排序,并通过增量分组法确定最优特征组合。最后基于极度梯度提升算法构建水稻生育期的识别模型。对比试验结果显示,本文模型对5个关键生育期的识别较好,混淆情况少,对水稻分蘖期、拔节期、抽穗期、乳熟期和完熟期识别精确率分别为98.08%、100.00%、99.68%、97.50%和99.29%,整体识别精确率达到98.77%,F1值为0.9891,Kappa系数为0.984,相比于SVM(支持向量机)分别提高了1.59个百分点、0.0146和0.02,相比于RF(随机森林)分别提升了1.23个百分点、0.011和0.015。研究结果可为田间作物的精准管理和决策提供重要依据。

机械工程及自动化在工业领域的发展方向及前景

机械工程要想获得长远的发展,机械工程的自动化在工业领域扮演者越来越重要的角色,对机械工程的发展具有重要的意义,不仅可以提升工作效率,还可以降低成本,因此,机械工程及自动化在机械工程中的应用具有实质性的意义和价值。本文就机械工程及自动化在工业领域的发展方向及前景进行了研究。

基于通道注意的可变形金字塔表情识别网络

人脸表情识别是计算机视觉领域里一项热门且有挑战性的任务。由于人脸表情的特性相对固定,从宏观上针对人脸表情的特性进行方法设计能有效提高人脸表情识别的性能。基于这一观点,针对人脸表情特征的不规则特性和空间多尺度互补特性,提出了基于通道注意的可变形金字塔网络。该网络主要由可变形卷积块、空间金字塔池化块和通道注意块构成,其中可变形卷积块有助于网络对人脸表情的不规则特征进行采样;而空间金字塔池化块则加强了网络学习多尺度空间上下文情绪信息的能力;通道注意块则促使网络动态关注更具判别性的情绪特征。该方法在CK+、JAFFE以及Oulu-CASIA三个实验室环境的人脸表情数据集和FER2013以及RAF-DB两个野外环境的人脸表情数据集上进行了对比实验和消融实验并取得了有竞争力的结果。从可视化结果上看,该方法提取的特征及关注的人脸区域符合不同表情的呈现特性和人们日常判断表情的规律。