基于注意力网络尺度特征融合的遥感场景分类

针对遥感数据集存在的类内差异性大和类间相似性高的特点导致遥感场景分类准确率不高的问题,提出了一种基于注意力网络尺度特征融合(MSA-CNN)的遥感影像场景分类模型.将遥感图像经过尺度变换操作输入到VGG-16网络提取遥感影像的多尺度特征,使用多选框注意力模型(MS-APN)提取图像多尺度下的目标区域,对目标区域进行剪切和放大并输入到三层网络结构中.融合原始影像的多尺度特征和目标区域的特征,并且利用LBP对全局特征表达,克服遥感图像因拍摄角度不同带来的差异性.将融合的多尺度特征输入到网络全连接层来完成最终的分类预测任务.实验结果显示:MSA-CNN平均分类精度较注意循环卷积网络(ARCNet)和传统细粒度循环注意力网络(RA-CNN)在NWPU-RESISC45公开数据集上分别提升1.63%和2.66%,在UC Merced Land-Use公开数据集上较RA-CNN提升0.64%.结果表明:提出的MSA-CNN能够有效提高遥感图像场景分类的准确率.

基于注意力Seq2Seq神经网络的生物强化系统厌氧发酵菌体质量预测研究

生物强化厌氧发酵系统能够提高发酵效率和产物质量。然而,在生物强化甲烷厌氧发酵过程中,关键的生物参数难以实时在线测量。为了解决这一问题,提出了一种基于注意力融入Seq2Seq-LSTM模型的质量预测方法。通过编码器将时间序列数据输入,并引入注意力机制以增强对重要信息的关注,从而得到更新后的中间向量;在解码器中同样引入注意力机制,利用LSTM神经网络对当前时刻的中间向量和输入信息进行综合处理。同时,为了提高模型的稳定性,使用了Adamw梯度下降优化器进行训练。最后,将该方法与LSTM、AM-LSTM模型一同应用于甲烷发酵菌体质量预测并进行对比。实验结果表明,该模型拟合能力和预测准确性均优于其他两种模型,能够更好适用于甲烷发酵菌体质量的在线预测。

基于物联网的设施农业精准控制平台设计与实现

为实现设施农业的智能化精准控制,降低人工成本,减少农作物病虫害,将设施农业温室大棚场景与物联网技术相结合,设计并实现了基于物联网的设施农业精准控制平台。该平台基于物联网六域架构模式,搭建消息队列遥测传输(MQTT)云服务,利用数据传输单元(DTU)设备进行协议转换,实现了感知控制域(SCD)与服务提供域(ASD)间的数据通信。平台功能包含环境感知模块、温室大棚信息模块、病虫害识别模块、设备控制模块、用户信息模块共5个模块,实现了对温室大棚的土壤湿度温度、相关营养元素含量以及空气温度湿度、光照强度等一系列环境数据的实时采集,同时可对农作物病虫害进行识别,最终完成对温室大棚滴灌、遮光棚等设施的精准控制,可辅助农户利用移动端设备对温室大棚进行科学管理。

多尺度CNN卷积与全局关系的中文文本分类模型

针对双向长短时记忆网络(bi-directional long short-term memory,BiLSTM)和卷积神经网络(convolution neural network,CNN)因各自模型提取特征的局限性导致的分类准确率不高的问题,提出一种改进的双层CNN网络和引入注意力机制的BiLSTM联合模型。由于单层CNN网络获取局部特征能力有限,该模型通过对多尺度组合卷积引入上采样与原始文本进行跳跃连接来增强后续卷积的局部感受野,以达到增强特征提取丰富语义的目的。同时对BiLSTM模型引入注意力机制使之将注意力关注到重点单词特征上,将改进后的CNN网络和BiLSTM模型进行特征融合,最后输入全连接层进行多分类任务。模型在2个公开的中文新闻分类数据集上进行实验,实验结果显示所提出的模型在公开数据集THUCNews上的准确率为93.62%,比单通道普通CNN模型提高3.01个百分点,比CNN-LSTM双通道模型提高2.2个百分点。

基于改进密集连接网络的遥感图像场景分类

针对遥感图像场景分类任务从复杂背景下准确提取出地物信息困难和普通卷积提取特征容易产生冗余特征的问题,提出一种基于改进密集连接网络(Ghost-Densenet)的分类模型。该模型利用SoftPool对MaxPool和AveragePool进行替换,最大程度上保留了遥感图像的主要特征;利用Ghost模块通过简单线性变化生成特征图的特性,有效增强模型特征提取能力的同时减少了网络瓶颈层的冗余特征和网络的参数量与计算量。实验结果表明,该模型在UC Merced_Land Use数据集上的平均准确率为92.76%,相较于Densenet121,模型大小减少26.57%,计算量降低32.99%,准确率提高1.17%。通过在Aerial Image Dataset、WHU-RS19 Date Set、RSSCN7 Date Set、SIRI-WHU Date Set四个数据集上进行实验,验证了模型的有效性和鲁棒性,对遥感图像场景分类任务具有良好的应用价值。

基于DenseNet的人脸图像情绪识别研究

针对人脸情绪识别类内差异大,类间差异小的特点,结合学生人脸图像的线上课堂情绪识别的场景,提出多尺度空洞卷积模块提取不同空间尺度特征的稠密深度神经网络模型,实现自然场景下学生人脸图像识别.该模型主要由多尺度空洞卷积和DenseNet神经网络两个子网络组成,其中多尺度空洞卷积由不同空洞率的四分支网络提取不同尺度特征,空洞卷积减小特征图尺寸,减少DenseNet内存资源占用;最后在DenseNet网络中结合Adam优化器和中心损失函数.使用稠密网络的旁路连接,加强情绪特征传递和复用.研究结果表明:基于稠密深度神经网络的情绪识别网络模型能够有效提高情绪分类的准确率,模型对预处理后的FER2013+数据集识别准确率达到93.99%,可为线上教学反馈提供技术支持.

基于融合注意力机制的小样本遥感场景分类方法

针对遥感场景图像样本获取困难,数据量受限以及遥感图像目标对象和背景高度混杂的问题,提出一种基于融合注意力机制的小样本遥感场景分类方法。该方法采用RepVGG作为基准模型,并利用ECANet网络的ECA通道注意力机制改进RepVGG网络的RepVGGBlock模块,使得网络有效过滤无用信息并聚焦于关键场景区域,从而增强模型的特征判别能力,并确保在不增加模型参数的情况下提高分类准确率;同时通过随机数据增强方法在线增强训练数据,在不占用额外内存的情况下增加模型训练数据量,使得训练数据更多样化,提高模型的泛化能力。在UC Merced LandUse数据集上分类平均准确率为94.52%,相较于ResNet50、RepVGG-B1-SE网络,准确率分别提高4.52%和2.93%。实验结果表明,该方法能有效聚焦关键场景区域并提升小样本遥感场景分类的准确率,对实现遥感影像快速分类具有一定的参考意义。

基于混合空洞卷积与特征融合的肝脏肿瘤图像分割

为了解决肝脏肿瘤图像中肝脏肿瘤形状复杂、与四周正常组织之间的边界模糊而导致分割模型准确率低的问题,本文提出一种基于混合空洞卷积与高层特征融合的肝脏肿瘤图像分割模型(HFU-Net)。该模型加入高层特征融合再校准模块,丰富U-Net中跳跃连接部分,使其利用特征融合与压缩注意力机制对特征信息校准,提升网络编码器的特征信息获取能力。并且,为进一步提高网络各层的特征提取效果,使用混合空洞卷积块替换原模型编码网络中传统卷积模块,以获得密集的肿瘤特征信息,扩大网络感受野。实验结果表明,与U-Net算法相比,Dice系数、体积重叠误差(VOE)、灵敏度、精确率指标均有较好效果,分别提高了3.3%,4.59%,4.39%和2.04%该模型显著提高肝脏肿瘤图像分割精度,为肝癌诊断与治疗提供可靠依据。

基于上下文感知与多尺度注意力的遥感变化检测

遥感图像中存在大小不一的地物,因此具有多尺度特性。现有变化检测方法大多采用多尺度分割以获得更完整、丰富的局部特征,但忽略了非局部位置特征(全局上下文信息)的重要性,导致提取特征差异化表示较弱。为了解决该问题,提出一个基于上下文感知与多尺度注意力的孪生网络SPAN。在特征提取模块,使用孪生金字塔结构提取不同尺度的特征进行融合以获取鲁棒性更强的特征;在注意力增强模块,引入一个结合全局上下文的金字塔分割注意力模块PSG,以进一步提取目标特征并增强差异化表示。实验表明,所提模型相较于现有模型,在变化检测标准数据集CDD和LEVIR-CD上的F1分别达到0.944、0.812。消融实验表明,PSG相较于传统的多尺度注意力,能充分提取具有判别性的特征,证明了全局上下文信息对变化检测任务的重要性。

基于Arduino与Python的实验室联动门禁报警系统设计

为满足高校实验室信息化建设中的安全需求,设计了基于Arduino和Python的实验室联动门禁报警系统。提出基于Arduino开源单片机为核心模块的设计方案,该方案利用开源的Python语言编写API接口连接各部分功能,使它们能互相通信,解决了传统门禁的弊端,提高了实验室的安全性。

CDIO模式下学生团队与开放实验室工程教育研究

为培养学生的工程能力和创新能力,对开放实验室与学生创新团队存在的问题进行分析.在现有的工程教育的条件下,引入CDIO工程教育模式,介绍了CDIO工程教育模式在中国发展的历程,提出CDIO模式下的项目驱动开放实验室、以赛促学的学生创新团队、开放实验室与学生创新团队多维度培养.该培养模式在借鉴了最新的工程教育模式的基础上,建立符合我国高校工程教育现状的开放实验室体系,应用到学生创新团队取得了一定的效果.

基于改进DenseNet的茶叶病害小样本识别方法

针对茶叶病害识别的传统方法费工费时,同时由于茶叶病害样本小且分布不均导致传统卷积神经网络不能准确快速识别的问题,提出一种基于迁移学习的SE-DenseNet-FL茶叶病害识别方法。SE-DenseNet-FL以DenseNet模型为基础,首先在DenseNet网络结构中融入SENet(Squeeze-and-ExcitationNetworks)模块,以加强重要特征传播实现特征重标定;其次引入Focal Loss函数替换原DenseNet中的损失函数,使模型在训练时专注于难分类的样本,以缓解样本分布不均给模型带来的性能影响;最后利用PlantVillage数据集预训练取得预训练模型,通过迁移学习在预训练模型上使用自建茶叶病害数据集进行参数微调,以缓解样本数据过少带来的过拟合影响。通过与原模型DenseNet以及其他经典分类模型(AlexNet、VGG16、Res Net101)进行试验对比,结果表明基于迁移学习的SE-DenseNet-FL在小样本及样本分布不均情景下对茶叶病害的识别准确率达到92.66%。该模型具有较高的识别准确率与较强的鲁棒性,可为茶叶病害智能诊断提供参考。

基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。

基于二值化的Faster R-CNN柑橘病虫害识别研究

为研究在自然场景下柑橘叶片病害检测和识别技术,提出一种基于二值化的Faster R-CNN(Binary Faster R-CNN)区域检测神经网络模型。改进模型将原始的Faster R-CNN全连接层神经网络转变为二进制全卷积神经网络。试验结果表明,该模型对柑橘的黑斑病、溃疡病、黄龙病、疮痂病、健康叶片的平均准确率分别为87.2%、87.6%、89.8%、86.4%和86.6%,总平均准确率为87.5%;模型识别时间相较于Faster R-CNN网络提高0.53 s,每幅图像的检测时间为0.31 s,模型大小缩小到15.3 MB,FLOPs为2.58×10^(9);同时在保证模型检测有效性的情况下可快速收敛。该方法对复杂自然环境下的柑橘叶片病害检测具有较好的识别速度和鲁棒性,对柑橘类疾病预防有重要的研究意义。

基于双向门控尺度特征融合的遥感场景分类

针对遥感影像数据集的图像在形状、纹理和颜色上存在较大差别,以及因拍摄高度和角度不同存在的尺度差异导致遥感场景分类精度不高的问题,提出利用主动旋转聚合来融合不同尺度的特征,并通过双向门控提高底层特征与顶层特征互补性的特征融合补偿卷积神经网络(FAC-CNN)。该网络利用图像金字塔为原始图像生成不同尺度图像后将其输入到分支网络中来提取多尺度特征,并提出主动旋转聚合的方式来融合不同尺度的特征,使融合后的特征具有方向信息,从而提高模型对不同尺度输入以及不同旋转输入的泛化能力,实现模型分类精度的提升。FAC-CNN比基于VGGNet的注意循环卷积网络(ARCNet-VGGNet)和门控双向网络(GBNet)在西北工业大学遥感场景图像分类数据集(NWPU-RESISC)上准确率分别提升了2.05个百分点与2.69个百分点,在航空影像数据集(AID)上准确率分别提升了3.24个百分点与0.86个百分点。实验结果表明,FAC-CNN能有效解决遥感影像数据集存在的问题,提高遥感场景分类的精度。

基于改进残差网络的柑橘病害识别

针对复杂自然环境下柑橘病害图像识别准确率不高的问题,提出一种基于ResNet34深度学习模型的多类别柑橘病害图像识别方法.通过舍弃部分残差结构中的identity映射,进一步提取柑橘病害图像的低层特征,降低消极特征在低层特征的占比,得到改进后的S-ResNet模型.与ResNet34模型相比:S-ResNet模型对自然环境下柑橘病害图像的识别准确率提高了3.9%.为提取柑橘病害图像中更具表达力的深层特征,使用3×3卷积核替换ResNet34首层中的7×7卷积核,得到改进后的M-ResNet模型.使用模型融合方法将S-ResNet与M-ResNet进行融合,得到融合模型F-ResNet,解决了单一模型中泛化能力弱、鲁棒性较差等问题.实验结果表明,F-ResNet对自然环境下柑橘病害图像的识别准确率达到93.6%,可以很好地满足实际生产环境中果园病害识别需求,具有良好的应用前景.

基于SK-EfficientNet的番茄叶片病害识别模型

针对目前番茄叶片病害识别的深度学习模型网络参数量多、精确度低、移动端模型部署难的问题,提出一种基于SK-EfficientNet的番茄叶片病害识别方法。该方法采用轻量级模型EfficientNet作为基准模型,并利用选择性卷积核机制SKNet替换EfficientNet核心模块MBConv中的SENet,使得卷积核根据输入特征的多尺度信息自适应选择感受野大小,提高图像特征提取能力同时更有效地利用参数。多组对比实验结果显示,改进后的模型在训练精度上得到进一步提高,且模型参数仅为3.83 MiB。在PlantVillage数据集上平均准确率达到99.64%,且验证SK-EfficientNet-B2的识别精度最高;在自然场景下平均准确率较原模型提高3.81个百分点。结果表明,改进后模型能有效提高自然场景下番茄叶片病害识别精度,可为移动端部署番茄叶片病害识别模型提供参考。

基于改进残差网络的水稻害虫识别

水稻害虫是影响水稻产量的因素之一,准确识别水稻害虫对提高水稻产量具有重要意义,针对水稻害虫识别准确率不高的问题,提出一种基于改进残差网络模型的水稻害虫识别方法。该模型是将动态路由胶囊结构嵌入残差网络深度卷积模型中,代替残差网络的全连接层,首先通过4个残差块得到特征图,将特征图进行胶囊化编码,其次进行层间路由,以减少卷积神经网络(CNN)在输出时丢失的大量信息。对水稻的14类害虫进行识别,并分析不同参数(学习率、批量大小、激活函数和优化组合)的影响。结果表明,提出的改进残差网络模型的准确率达到77.12%。模型满足水稻害虫图像识别的需求,具有一定的识别准确率及较强的鲁棒性,可为实际农业场景下水稻害虫识别提供可行的方案。