基于改进Faster R-CNN的桃树缺磷症检测研究

桃树缺磷症(Peach Phosphorus Deficiency, PPD)初期症状不明显、不同阶段症状差异大,而现有的基于计算机视觉的桃树病害识别模型,识别准确率不高、对不同品种识别泛化性差,为此,提出改进Faster R-CNN(Faster Region based Convolutional Neural Network)模型。首先,使用RS(Rank&Sort)-Loss函数代替区域建议网络(Region Proposal Network, RPN)中的交叉熵函数;其次,使用Soft-NMS(Non-Maximum Suppression)算法代替原有的NMS算法;最后,使用ResNeXt101网络替换原来的特征提取网络,提高对PPD识别的准确率和泛化性,并在自建PPD数据集上进行检测试验。试验结果表明:改进后的Faster R-CNN网络在自建PPD数据集上对PPD的各类别平均检测准确率达92.28%、召回率达92.31%、识别准确率达92.28%,满足实际应用要求。

融合高效注意力的重楼微性状鉴别方法研究

重楼是多种中成药的重要原料药材,重楼属植物不同品种药材的形状相似而品质不一,难以鉴别。针对该问题,通过体视显微镜采集滇重楼及毛重楼的新鲜根茎横切面显微图像进行鉴别。基于ResNeXt101模型,提出了结合高效通道注意力网络与空间注意力机制的ES-Net模块,将每部分ResNeXt模块的输出进一步输入到ES-Net模块中,并使用Mixup方法进行数据增强。实验结果显示改进的模型对两种重楼根茎横切面图像的分类精度最高,为94.95%,比原ResNeXt101模型提高了2.07个百分点。实验结果表明,提出的ES-Net模块能有效增强原模型ResNeXt101对重楼新鲜根茎横切面图像的特征提取能力,提高对其的分类精度,提出的深度学习方法对重楼新鲜根茎自动鉴别具有实用价值。

基于机器视觉的垃圾分类检测系统设计

随着人们的生活水平不断地提高,日常垃圾的急剧增加,绝大部分的垃圾都可以通过回收再重新利用起来,避免了资源的极大浪费。本文使用百度深度学习平台PaddleX开发出基于机器视觉的垃圾分类检测系统,该系统训练模型时使用了华为云垃圾分类挑战赛开源数据集。该系统运用ResNeXt101卷积神经网络,实现了数据集和图像预处理、基于PaddleX的垃圾分类训练过程、试验过程所用到的计算机环境配置以及网络模型部分参数设置的研究。实验结果表明:该模型具有很好的鲁棒性,垃圾种类的识别准确率达到99%以上。