基于改进ResNet18的苹果叶部病害多分类算法研究

针对传统苹果叶部病害分类方法精准性差、效率低等问题,提出了一种基于改进ResNet18的苹果叶部病害多分类算法。通过在原始ResNet18网络的基础上增加通道与空间注意力机制分支,强化网络对叶部病害区域的特征提取能力,提高病害的识别精度和实时性。为更好地引导网络学习到零散分布的病害斑点的特征,引入特征图随机裁剪分支,不仅实现有限样本空间的扩充,还进一步优化网络结构,提高训练速度。试验以苹果5类常见的叶部病害(黑星病、黑腐病、雪松锈病、灰斑病、白粉病)为主要研究对象,并与主流分类算法模型进行对比。试验结果表明,所提ResNet18 CBAM RC1模型病害分类准确率可达98.25%,高于ResNet18(93.19%)和VGG16(96.13%),能够有效提取叶片病害特征,增强对多类病害的识别,提高识别准确率。此外,模型内存占用量仅为37.44 MB,单幅图像推理时间为9.11 ms,可满足嵌入式设备上果园病害识别的实时性要求。

深度学习在家畜智慧养殖中研究应用进展

准确高效地监测动物信息,及时分析动物的生理与身体健康状况,并结合智能化技术进行自动饲喂和养殖管理,对于家畜规模化养殖意义重大。深度学习技术由于具有自动特征提取和强大图像表示能力,更适用于复杂的畜牧养殖环境中动物信息监测。为进一步分析人工智能技术在当下智慧畜牧业中研究应用,本文针对牛、羊和猪三种家畜,介绍了深度学习技术在目标检测识别、体况评价与体重估计以及行为识别与量化分析的研究现状。其中,目标检测识别有利于构建动物个体电子档案,在此基础上可以关联动物的体况体重信息、行为信息以及健康情况等,这也是智慧畜牧业发展的趋势。智慧畜牧养殖技术当前面临着应用场景存在多视角、多尺度、多场景和少样本等挑战以及智能技术泛化应用的问题,本文结合畜牧业实际饲养和管理需求,对智慧畜牧业发展进行展望并提出了:结合半监督或者少样本学习来提高深度学习模型的泛化能力;人、装备和养殖动物这三者的统一协作及和谐发展;大数据、深度学习技术与畜牧养殖的深度融合等发展建议,以期进一步推动畜牧养殖智能化发展。

一种基于Involution和BERT词向量的情感分析算法

文本情感分析是当前数据分析和数据挖掘的一个重要的研究方向,提出了一种融合Involution和BERT词向量的情感分析算法,首先,通过对预处理之后的数据传入BERT模块,用学习质量更高的文本数据词向量表示;其次,利用Involution核函数方法进行更好的特征分析和提取;最后,在三种标准数据集上进行了广泛的实验,研究结果表明,基于Involution和BERT的情感分析模型能够有效地提取文本数据中的有用信息,并准确地进行情感分析,从而更好地了解用户的情感偏好.

基于InceptionV3的烟草病害识别

【背景和目的】烟草病害严重制约影响烟草的产量及质量。为解决烟草病害诊断方式精准性差、效率低等问题。【方法】以5种较为常见的烟草病害(烟草花叶病、黄瓜花叶病毒病、烟草赤星病、烟草野火病、烟草气候性斑点病)为研究对象,基于InceptionV3网络使用迁移学习方法构建烟草病害识别模型,对比测试原始数据集、数据增强后数据集、MSRCR数据集和图像融合数据集。【结果】图像融合数据集的识别准确率为90.80%,平均识别时间为1.33 s,比原始数据集的识别准确率(70.00%)提高了29.71%。【结论】该方法能快速准确识别烟草病害,可为烟草病害的防治提供理论基础。

基于决策树模型的多机孤岛被动式检测方法

发展有效的被动式孤岛检测方法,是多机孤岛课题的发展方向之一.用公共耦合点电压、频率、电压电流相位差和电流谐波失真等参数定义了4项指标,基于被动式孤岛检测方法提出了仅包含简单逻辑的决策树分类器模型,并在Matlab/Simulink环境中对两机并联的情形进行仿真.结果表明:因考虑更多系统参数,该方法克服了检测盲区,获得了比电压/频率继电保护更优的检测性能.