基于改进SOLO v2的番茄叶部病害检测方法

为实现对多种番茄叶部病害的精确检测,提出了一种基于改进SOLO v2的番茄叶部病害实例分割方法。该方法以SOLO v2模型为主体框架,将ResNet-101作为骨干网络融合特征金字塔网络(Feature pyramid networks,FPN),引入可变形卷积对卷积结构进行优化,并将损失因子δ融入掩膜损失函数中,在语义分支与掩膜分支上对实例进行检测与分割。通过对模型的改进,实现了对形状复杂多变的番茄叶片的精确检测与分割,并提升了模型的泛化能力与鲁棒性。基于Plant Village数据集的试验结果表明,ResNet-101比ResNet-50在SOLO v2上的性能表现更好。在相同骨干网络下,SOLO v2模型的单幅图像处理时间比Mask RCNN减少了72.0%,平均精度均值(Mean average precision,mAP)提升了3.2个百分点,改进后的模型在训练过程中收敛效果有所提升,受叶片形状多变的影响较小,最终的平均精度均值达到了42.3%,单幅图像处理时间仅需0.083 s,在提升检测精度的同时保证了运行的实时性。该研究较好地解决了番茄病叶识别与分割难的问题,为农业自动化生产中番茄疾病情况与症状分析提供了参考。

SOLO-DAFF:一种面向肉牛体尺测量的图像实例分割算法

为了解决复杂背景下因颜色区分度小造成肉牛图像分割精度较低问题,试验采用SOLO-DAFF模型对肉牛图像进行实例分割,即在RGB彩色图像中引入深度信息,提升信息通量,增大目标与背景间的特征差异;通过在残差网络(residual network, ResNet)中增加基于卷积块的注意机制(convolutional block attention module, CBAM)提升目标特征提取精度;在特征金字塔网络(feature pyramid networks, FPN)中结合基于压缩和激发(squeeze-and-excitation networks, SE)的注意力机制进行特征图融合,得到包含准确空间位置信息的特征图;通过在分割网络头部的掩模损失函数中融入平滑系数(α),实现对肉牛图像的像素级实时分割。使用ZED双目相机采集110头肉牛的图像(共计1 500张肉牛的RGB彩色图像及相对应的深度图像),在此肉牛图像数据集上利用SOLO-DAFF模型、SOLO v2模型等进行肉牛图像实例分割验证试验。结果表明:SOLO-DAFF模型对肉牛图像的分割精度相较于SOLO v2模型提高了5.56百分点,证明了SOLO-DAFF模型有效,且SOLO-DAFF模型改善了肉牛细节部位的分割效果。说明SOLO-DAFF模型可实现从肉牛图像中获取精确的肉牛区域,提高了肉牛图像实例分割精度。

融合特征金字塔与可变形卷积的高密度群养猪计数方法

针对猪只人工计数方法消耗时间和劳动力,育肥猪较为活跃且喜好聚集,图像中存在大量的高密度区域,导致猪只之间互相粘连、遮挡等问题,基于SOLO v2实例分割算法,提出了一种自然养殖场景下融合多尺度特征金字塔与二代可变形卷积的高密度群养猪计数模型。通过优化模型结构来减少计算资源的消耗与占用。将科大讯飞给出的猪只计数的公开数据集划分为猪只分割数据集和猪只盘点测试集,利用猪只分割数据集获得较好的分割模型,然后在猪只盘点测试集中测试盘点准确率,实现猪群分割和猪只计数。实验结果表明,本文提出的高密度猪只计数模型的分割准确率达到96.7%,且模型内存占用量为256 MB,为改进前的2/3,实现了遮挡、粘连和重叠情况下的猪只个体高准确率分割。在含有500幅猪只图像计数测试集中,模型计算猪只数量误差为0时的图像数量为207幅,较改进前提高26%。模型计算猪只数量误差小于2头猪的图像数量占测试图像总数量的97.2%。模型计算猪只数量误差大于3头猪的图像数量占总体图像数量比例仅为1%。最后,对比基于YOLO v5的群养猪计数方法,本文模型具有更优的分割效果和计数准确率,验证了本文方法对群养猪只计数的有效性。因此,本文模型既实现了高密度猪群的精准计数,还通过优化模型结构大大降低了模型对计算设备的依赖,使其适用于养殖场内猪群在线计数。