基于Cascade RCNN和二步聚类的织物疵点检测

提出一种改进的基于深度卷积网络Cascade RCNN的织物疵点检测算法。针对织物存在疵点长宽比极端、疵点小以及疵点类间数量不均衡导致识别准确率低的问题,引入特征金字塔网络(FPN)和深度残差网络(ResNet101)进行高低层特征融合,获取更全面的织物疵点多尺度特征信息。采用二步聚类算法确定适用于极端形状疵点检测的预定义框最佳尺寸。采用改进的Cascade RCNN网络构架和二步聚类法确定的预定义框进行织物疵点检测试验。结果表明:改进后疵点识别准确率最高可达到98.4%。认为:改进特征提取网络和适用于极端形状疵点的预定义框能有效提高织物疵点识别准确率和定位精度。

基于Cascade R-CNN的玉米幼苗检测

准确识别玉米幼苗是实现自动化精准除草、间苗、补种等苗期作业的重要前提。为此,针对自然环境下农业机器人对玉米幼苗的检测问题,结合深度残差网络强大的特征提取能力和级联网络连接多个检测器不断优化预测结果的特点,对Cascade R-CNN模型进行改进,使之适用于自然环境下玉米幼苗的检测。模型使用残差网络ResNet-50与特征金字塔网络FPN作为特征提取器提取玉米幼苗图像的特征图,利用区域建议网络生成目标候选框,通过感兴趣区域池化将不同大小的特征图转换为统一尺寸的输出;最后,分类回归模块根据特征图对目标进行分类,并使用边框回归修正候选框的位置和大小,从而完成玉米幼苗目标检测。同时,以3~5叶期玉米幼苗为研究对象,采集其田间图像并制作数据集,用所制作的数据集对Cascade R-CNN模型进行训练,选取AlexNet、VGG16、ResNet18、ResNet50与ResNet50+FPN分别作为特征提取网络进行对比试验,确定所提出的ResNet50+FPN为最优特征提取网络,平均精度均值(mAP)为91.76%,平均检测时间为6.5ms。选取双阶段目标检测模型Faster R-CNN、R-FCN、CoupleNet与以ResNet50+FPN为特征提取网络的Cascade R-CNN进行对比实验,结果表明:Cascade R-CNN模型检测效果最佳、速度最快,且能对自然环境下的玉米幼苗进行有效检测,可为玉米苗期自动化精准作业提供技术支持。

基于连锁故障模型的感应电动机连锁堵转分析

以包含感应电动机群的单负荷无穷大系统为对象,提出了适当假设条件下电动机群连锁堵转宏观规律的分析方法。该方法利用CASCADE模型的公式直接计算堵转规模的概率密度函数(PDF),避免了蒙特卡洛仿真,算例表明所述方法在中度连锁堵转条件下具有较好的精度。堵转规模影响因素的研究显示:刻画连锁堵转发生和传播的参数与负荷水平有较好的线性关系,从而在临界条件下,不发生连锁堵转的概率随负荷的增长而呈幂律下降;同期望堵转规模等值线间的间距反映了连锁堵转的传播状况,间距越小,堵转越易于传播,从而发生大规模连锁堵转的概率就越大;电动机群初始功率的分布和各电机初始功率的差异对堵转规模的PDF影响很小。

感应电动机连锁堵转宏观规律的初探

以包含感应电动机群的单机单荷系统为研究对象,设计出计算感应电动机连锁堵转终止状态的静态仿真算法,并通过动态时域仿真方法的校核。分析了感应电动机初始滑差等差分布时各参数下的连锁堵转规模,并结合实际电力系统运行的客观现实,得到了可能满足自组织临界性的系统关键参数。研究了感应电动机初始滑差随机平均分布时连锁堵转的宏观规律,并用CASCADE模型拟合了部分结果,初步表明临界条件下感应电动机连锁堵转的规模具有自组织临界性,即概率密度曲线在双对数坐标下具有幂律性质。所得相关结论对于电力系统大停电及暂态电压稳定机理和规律的研究具有一定的参考价值。

水平细胞电生理反应光谱敏感性及建模

分析了Cascade模型中视锥到水平细胞的前向和后向反馈通道,建立了基于Cascade模型的Hopfield网络结构,并提出了不同类型水平细胞的电位变化量相互关系的相角与光波长值的映射关系,建立了模拟这一过程的CMAC网络结构。研究表明,不同类型水平细胞的电位变化量的时相特性,以某种方式对光输入的波长值进行了编码。

基于图像的水稻纹枯病智能测报方法

【目的】目前水稻纹枯病测报依赖人工调查水稻发病丛数、株数和每株严重度来计算其病情指数,操作专业性强,费时费力且数据难以追溯。本研究提出基于图像的水稻纹枯病病斑检测模型和发生危害分级模型,为水稻纹枯病智能测报提供理论依据。【方法】利用便携式图像采集仪采集田间水稻纹枯病图像,研究不同目标检测模型(Cascade R-CNN和RetinaNet)和特征提取网络(VGG-16和ResNet-101)对水稻纹枯病病斑的检测效果,筛选出具有较好检测效果的模型。针对Cascade R-CNN模型检测纹枯病病斑存在漏检现象,根据纹枯病病斑呈现形状不规则、大小和位置多变的复杂情况,对Cascade R-CNN进行改进,添加OHEM结构均衡难易样本,选择边框回归损失函数,通过精准率、漏检率、平均精度和P-R曲线来评价不同模型的检测效果。在改进的Cascade R-CNN-OHEM-GIOU模型检测结果基础上,分别建立基于病斑面积和病斑数的水稻纹枯病丛发生危害分级模型,通过决定系数(R^(2))和Kappa值筛选分级模型。【结果】在相同主干网络条件下,Cascade R-CNN模型较RetinaNet模型对水稻纹枯病具有更好的检测效果,其中Cascade R-CNN-ResNet-101目标检测模型效果最佳,病斑检测准确率为92.4%,平均精度为88.2%,但漏检率为14.9%。改进的Cascade R-CNN-OHEM-GIOU检测模型有效解决了样本不均衡问题,添加边框回归损失函数有效降低了漏检率,较Cascade R-CNN-ResNet-101模型降低8.7%,平均精度提高到92.3%。以人工分级结果作为标准,基于病斑面积的水稻纹枯病发生危害分级模型在0—5级分级准确率分别为96.0%、90.0%、82.0%、76.0%、74.0%和96.0%,平均分级准确率为85.7%,Kappa系数为0.83,基于图像的水稻纹枯病丛发生危害分级与人工分级结果具有较高的一致性。【结论】基于图像的水稻纹枯病智能测报方法可实现病斑自动检测和发生危害自动分级,提高了测报的智能化水平,结果客观且可追溯,也可为其他农作物病害智能测报提供参考。