基于多尺度特征融合的柑橘病虫害图像识别方法

针对基于传统机器学习与简单神经网络的病虫害识别方法对于具有小样本、数据不均衡、特征演变(黄龙病不同病害阶段的特征差异较大)、特征不明显和多类别等特点的柑橘病虫害识别效果不理想的问题,设计了一种基于VGG19改进的VGG19-INC模型。该模型以VGG19网络模型为骨干网络并利用迁移学习实现预训练权重参数的共享;模型结构使用1个批标准化卷积层和2个Inception模块替换VGG19的第5卷积层;使用1个全局池化层替换VGG19模型的全连接层,使用一个1×4的Softmax层作为分类输出层。所提模型不仅保留了VGG19对图像特征的有效提取,还利用Inception模块增加了网络的深度与宽度,使模型获得了不同大小的感受野,实现了多尺度特征的融合;全局池化层对全连接层的替换,使参数减少率达到了70.56%,有效地提高了模型的训练速度与平均测试速度,降低参数负载。试验结果表明,VGG19-INC对柑橘(沙田柚)黄龙病、潜叶蛾和线虫病等病虫害识别准确率为98.47%,比VGG19,Resnet50,Inceptionv3,Densenet201模型分别高22.26%,14.47%,5.18%和0.24%;损失值为0.0415,比其他模型分别低1.1085,0.2172,0.3987,0.0654,并具有良好的泛化能力。

基于BP神经网络的高精度电容测量

针对工程应用中电容的测量过度依赖仪器设备,难以实现高精度实时测量的问题,提出了一种基于BP神经网络的高精度电容测量方法。利用由DSP,DDS,AGC,ADC和阻容分压等电路构成的数据获取模块采集50个标准电容两端的分压幅值,经过数据清洗与中值滤波去噪预处理后形成71个特征值,以此构建C-U数据集;建立3层隐藏层结构为16×32×16的BP神经网络模型,并进行训练和测试,获取电容预测模型,分析模型性能。测试结果表明,模型预测值与真实值的平均相对误差仅为2.6291%;预测模型在训练集与测试集上的决定系数R^(2)均达到了0.99,具有很好的泛化能力。

基于深度学习的鱼类摄食状态识别算法

针对传统评估鱼类摄食状态的算法易受养殖环境光照和水质条件限制,图像特征提取困难、识别效率低的问题,提出了一种利用卷积神经网络模型识别鱼类摄食深度图像的方法,使用深度相机获取鱼群摄食深度图像,采用距离特征的方法实现鱼群目标提取和背景图像消除,通过HSV颜色转换算法将鱼类的距离信息线性转换为颜色信息,解决了深度图中目标深度信息表示困难的问题。经过预处理的深度图轮廓清晰、颜色鲜明、特征提取容易,设计一种结构简单的神经网络模型对鱼类摄食深度图进行识别,实验结果表明,模型识别的平均准确率为97.81%,相比于其他复杂模型,权重空间降低了90%,训练速度提高了三倍,有效降低了识别模型的复杂度。