基于YOLOv5的森林火灾检测方法研究

针对人工监测森林火灾困难等问题,提出一种基于YOLOv5的森林火灾检测方法,旨在提高火灾监测的效率和准确率。首先,对所使用的公开火灾图像数据集进行预处理;然后,通过模型训练提高森林火灾检测的准确率和实时性;最后,将YOLOv5s、YOLOv5m和YOLOv5l等3种网络模型进行评估对比。试验结果表明,YOLOv5l模型构建的森林火灾检测方法在火灾图像识别中体现出了较高的准确率,其准确率达到90%,检测速率提高了2.4%。

畜类肉品加工溯源系统研究综述

随着消费者对畜类肉品品质与安全的要求日益提高,畜类肉品加工溯源系统成为研究热点。此综述聚焦于物联网、区块链和人工智能在畜类肉品加工溯源中的应用。物联网技术通过传感器和射频识别等设备,实现对畜类养殖环境、生长状况及加工过程中关键环节的实时数据采集。区块链技术因为具备去中心化、不可篡改和可追溯的特质,有效保证了溯源数据的真实性和完整性,提高了供应链的信任度。人工智能则在数据分析和预测方面发挥重要作用,能够对肉品品质进行评估、预测潜在风险,并优化溯源流程。然而,这些技术的融合应用仍面临诸多挑战,如技术成本较高、数据隐私保护不够、跨平台兼容性不足等。未来,需进一步优化技术方案,加强技术协同,以构建更高效、可靠和智能化的畜类肉品加工溯源系统,保障消费者权益和行业的可持续发展。

高校微信公众号影响力及发布内容研究——以河南省本科高校为例

文章通过对38所河南公办本科高校微信公众号影响力指数及相关变量进行相关性分析,同时,对2020年河南省本科高校发布的阅读量为10万+的微信内容进行研究,提出提升高校微信公众号影响力的优化策略。

基于迁移学习的小麦籽粒品种识别研究

不同角度下小麦籽粒具有不同特征信息,造成分类结果存在差异。采用同一小麦籽粒多角度图片,使用小麦籽粒腹沟向上、腹沟向下和腹沟朝前三个角度图片构建小麦籽粒品种数据集。选取黄淮麦区种植面积较大的6个小麦品种作为试验材料,对比不同模型在小麦籽粒识别上的准确度。采用VGG-16、ResNet-50、Inception-V3卷积神经网络,通过迁移学习的方式建立小麦籽粒品种识别分类模型,验证集识别准确率最高为99.35%,高于不迁移学习的识别方法和传统机器学习的识别方法。在相同的试验条件下,三种模型在使用迁移学习的情况下对小麦籽粒识别的测试集准确率分别达到99.55%、99.77%、99.22%,优于单面特征建模识别。基于3种模型中分别选择最优试验,对其3种角度分别识别。结果表明:腹沟向下的识别率在3种模型中最好,腹沟朝前次之,腹沟向上较差。通过试验发现,采用同一小麦籽粒多角度图片可以更准确地提取小麦籽粒特征,并且有助于分类模型提升品种识别准确率。

人脸识别系统的活体检测综述

人脸识别系统的快速发展对人脸活体检测技术提出了新要求,包括检测实时性、面对复杂环境的泛化性、对多种攻击类型的鲁棒性以及用户体验的友好性等。主要阐述了人脸活体检测的必要性,对方法进行了分类、整理和总结,根据所提特征的不同,将活体检测分为基于手工特征的方法和基于深度学习的方法,并将近期针对算法泛化性的研究进展归纳为基于辅助监督信号方法、基于域适应域泛化的方法、基于特征解耦的方法、基于噪声建模的方法、基于异常检测的方法,对每类方法的代表性算法进行了分析介绍,详细总结了每类方法的基本思想和优缺点。从各方面系统地概括了人脸活体检测问题,包括不同类型的呈现攻击、先进的人脸活体检测方法、常用公共数据库、标准化评价指标、测试方法等的介绍。此外,还讨论了该领域的难点与挑战,总结了未来的研究方向和发展趋势。

场内外特征融合的残缺图像精细修复

针对当目标特征严重缺失时现有图像修复方法未能充分利用完整区域预测缺失区域特征,造成修复结果特征不连续、细节纹理模糊等问题,本文提出一种基于场内外特征(EFIF)融合的残缺图像精细修复方法。首先,利用改进的动态记忆网络(DMN+)算法将残缺图像的场内特征及相关的场外特征融合,生成包含场内外特征的残缺图像优化图;其次,构建带有梯度惩罚约束条件的生成对抗生成网络,指导生成器对优化后的残缺图像进行粗修复,获得待修复目标的粗修复图;最后通过相关特征连贯的思想对粗修复图进一步优化,得到最终的精细修复图。在三个复杂度不同的图像数据集仿真验证,并与现有占主导地位的修复模型进行视觉效果和客观数据比对。实验结果显示:本文模型修复的结果在纹理结构上更加合理,在视觉效果和客观数据均优于其他模型,在最有挑战性的Underwater Targe数据集中所提算法峰值信噪比(PSNR)最高为27.01,结构相似性指数(SSIM)最高为0.949。

多特征融合的农作物病害图像识别

病害对农作物的产量和质量造成了严重的影响.以往对病害的检测主要依靠人工完成,存在较强的主观性,且滞后严重.为了实现农作物病害的自动以及智能检测,基于计算机视觉,提出多特征融合的病害识别方法.提取农作物图像的局部二值化模式和灰度共生矩阵特征,分别输入支持向量机分类器并做分数级融合,进而分类识别,探讨多特征融合对于病斑信息提取精度的影响.实验结果表明所提多特征融合分类方法丰富了图像信息量,可有效识别农作物病害,在小麦和水稻两种作物6种病害的数据集上测试识别精度为89.3%.同时所提方法可有效识别作物种类,小麦、水稻两种作物的分类精度为99.7%.所提方法为田间智能诊断提供了技术支撑.

基于超像素的农作物病害图像分割方法研究

针对农作物病害图像病斑区域分割不准确的问题,提出一种基于超像素的改进K-SLIC算法,将传统SLIC算法使用的CIElab色彩转换为HSV色彩合并生成一维特征向量,同时对图像的读取采用随机选取模式,通过平衡参数e和作物病害易感因子α实现超像素数目的自动获取.实验结果显示,K-SLIC改进算法在图像分割效率、运行处理速度、边界获取准确度、病斑区域一致性等方面均优于SLIC算法.