基于改进YOLO v5s的轻量化植物识别模型研究

为方便调查宁夏全区荒漠草原植物种类及其分布,需对植物识别方法进行研究。针对YOLO v5s模型参数量大,对复杂背景下的植物不易识别等问题,提出一种复杂背景下植物目标识别轻量化模型YOLO v5s-CBD。改进模型YOLO v5s-CBD在特征提取网络中引入带有Transformer模块的主干网络BoTNet(Bottleneck transformer network),使卷积和自注意力相结合,提高模型的感受野;同时在特征提取网络融入坐标注意力(Coordinate attention,CA),有效捕获通道和位置的关系,提高模型的特征提取能力;引入SIoU函数计算回归损失,解决预测框与真实框不匹配问题;使用深度可分离卷积(Depthwise separable convolution,DSC)减小模型内存占用量。实验结果表明,YOLO v5s-CBD模型在单块Nvidia GTX A5000 GPU单幅图像推理时间仅为8 ms,模型内存占用量为8.9 MB,精确率P为95.1%,召回率R为92.9%,综合评价指标F1值为94.0%,平均精度均值(mAP)为95.7%,在VOC数据集平均精度均值可达80.09%。相比YOLO v3-tiny、YOLO v4-tiny和YOLO v5s,改进模型内存占用量减小,平均精度均值提升。模型YOLO v5s-CBD在公开数据集和宁夏荒漠草原植物数据集都有良好的鲁棒性,推理速度更快,且易于部署,已应用在宁夏荒漠草原移动端植物图像识别APP和定点生态信息观测平台,可用来调查宁夏全区荒漠草原植物种类和分布,长期观测和跟踪宁夏盐池县大水坑、黄记场、麻黄山等地植物生态信息。

基于改进YOLO v5的宁夏草原蝗虫识别模型研究

针对草原蝗虫图像具有样本收集困难、目标较小和目标多尺度等技术难点,基于YOLO v5网络,提出了一种复杂背景下多尺度蝗虫目标检测识别模型YOLO v5-CB,用于宁夏草原常见蝗虫检测。改进模型YOLO v5-CB针对蝗虫原始样本量较少的问题,使用CycleGAN网络扩充蝗虫数据集;针对蝗虫图像中的小目标特征,使用ConvNeXt来保留小目标蝗虫的特征;为有效解决蝗虫图像尺度特征变换较大问题,在颈部特征融合使用Bi-FPN结构,来增强网络对多尺度目标的特征融合能力。实验结果表明,在对宁夏草原常见亚洲小车蝗、短星翅蝗、中华剑角蝗进行检测识别时,YOLO v5-CB的识别精度可达98.6%,平均精度均值达到96.8%,F1值为98%,与Faster R-CNN、YOLO v3、YOLO v4、YOLO v5模型相比,识别精度均有提高。将改进的蝗虫检测识别模型YOLO v5-CB与研发的分布式可扩展生态环境数据采集系统结合,构建了基于4G网络的Web端蝗虫识别平台,可对观测点的蝗虫图像进行长期实时检测。目前,该平台已在宁夏回族自治区盐池县大水坑、黄记场、麻黄山等地的草原生态环境数据获取中得到了应用,可对包括宁夏草原蝗虫信息在内的多种生态环境信息进行长期检测和跟踪,为虫情防治等提供决策依据。

高浓度臭氧冰的制备影响因素研究

臭氧冰具有保鲜、抗菌功能,并有极长的半衰期,可以保存和运输,但通常情况下制备的臭氧冰中臭氧含量较低,严重影响其应用。利用自制臭氧水发生装置低温条件下制取高浓度臭氧水,探究水温、pH、冻结温度以及制冰模具对臭氧冰中臭氧浓度的影响。结果表明:臭氧水温度为5℃、pH为3、冻结温度为-40℃、制冰模具为4×4 cm包装袋时,臭氧冰中臭氧保存率可达46.01%。通过降低水温和调节pH来提高臭氧水稳定性同时选用合适制冰模具阻止臭氧逸散能显著提高臭氧冰中臭氧保存率。

改进YOLOv5s的蝗虫识别系统

为准确有效识别宁夏荒漠草原地区蝗虫种类,基于YOLOv5s网络模型提出一种复杂背景下蝗虫目标检测模型YOLOv5s-CG,在主干网络使用CoTNet保留复杂背景下的蝗虫特征信息,同时在颈部网络中融入GAM全局注意力机制提高检测模型的特征融合能力。结果表明,在对宁夏荒漠草原蝗虫进行识别时,模型YOLOv5s-CG精确率为92.5%,平均精度均值为93.2%,相比原始模型分别提高4.8个百分点和5.3个百分点,与Fast R-CNN、YOLOv3、YOLOv4、YOLOv5s、YOLOv6s、YOLOv7模型相比,YOLOv5s-CG网络模型对宁夏荒漠草原蝗虫具有更好的检测性能。基于YOLOv5s-CG,开发宁夏荒漠草原蝗虫识别APP系统,实现宁夏荒漠草原地区复杂背景下的蝗虫在线识别检测,为宁夏荒漠草原地区蝗虫的监管防控和综合治理提供数据支持。