[function_title]

  • 显示方式:
  • 简洁模式
  • 摘要模式
  • 1  基于轻量级神经网络MobileNetV3–large的黄茶闷黄程度判别
    葛炳钢,张旭雯,刘岁,杨亚,周铁军,傅冬和
    2024, 50(1).
    [摘要](218) [HTML](0) [PDF 1.07 M](2693)
    摘要:
    以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3–Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型,并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明:经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad–CAM热力图可视化显示,MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3–Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。
    2  基于自由曲面和L–system的红掌生长模型
    邹一波,褚诗贤,葛艳,陈明
    2024, 50(1).
    [摘要](176) [HTML](0) [PDF 1.02 M](1328)
    摘要:
    针对红掌花卉生长可视化中参数难以确定的问题进行研究,提出推导控制点的方法,建立红掌器官模型:采用Bezier曲线结合扫描成型的方法来构造叶柄模型,采用双三次NURBS曲线对佛焰苞进行建模;运用红掌的相关表型数据拟合生长函数,提出基于红掌生长规律的微分L–system,可有效模拟红掌的拓扑结构和生长过程;通过虚拟器官表示红掌器官的几何属性,降低微分L–system的复杂度。试验验证提出的方法对红掌各项生长指标拟合度可达0.89以上,并可对每个生长阶段的红掌进行模拟,能有效地对红掌的生长过程进行建模。
    3  基于改进YOLOv3的水稻叶部病害检测
    赵辉,李建成,王红君,岳有军
    2024, 50(1).
    [摘要](290) [HTML](0) [PDF 713.95 K](1787)
    摘要:
    为了解决水稻小病斑检测不准确的问题,提出一种基于改进YOLOv3的水稻叶部病害检测方法Rice–YOLOv3。首先,采用K–means++聚类算法,计算新的锚框尺寸,使锚框尺寸与数据集相匹配;其次,采用激活函数Mish替换YOLOv3主干网络中的Leaky Relu激活函数,利用该激活函数的平滑特性,提升网络的检测准确率,同时将CSPNet与DarkNet53中的残差模块相结合,在避免出现梯度信息重复的同时,增加神经网络的学习能力,提升检测精度和速率;最后,在FPN层分别引入注意力机制ECA和CBAM模块,解决特征层堆叠处的特征提取问题,提高对小病斑的检测能力。在训练过程中,采用COCO数据集预训练网络模型,得到预训练权重,改善训练效果。结果表明:在测试集下,Rice–YOLOv3检测水稻叶部3种病害的平均精度均值(mAP)达92.94%,其中,稻瘟病、褐斑病、白叶枯病的mAP值分别达93.34%、89.68%、95.80%,相较于YOLOv3,Rice–YOLOv3检测的mAP提高了6.05个百分点,速率提升了2.8帧/s,对稻瘟病和褐斑病的小病斑的检测能力明显增强,可以检测出原始网络模型漏检的小病斑;与Faster–RCNN、YOLOv5等模型对比,Rice–YOLOv3提高了对相似病害和微小病害的识别能力,并在原始的基础上提高了检测速率。
    4  自适应进化模型下的土壤重金属含量预测
    李亮亮,张聪,曹坤,黎帅锋
    2024, 50(2).
    [摘要](152) [HTML](0) [PDF 1.00 M](1031)
    摘要:
    针对Elman神经网络在土壤重金属含量预测时出现预测精度低、模型收敛速度慢等问题,提出一种自适应进化模型(AEM)。该模型以Elman神经网络为基础,运用贝叶斯正则化优化Elman神经网络的目标函数,提高网络模型预测精度;为解决网络模型收敛速度慢和易陷入局部极值等缺陷,采用自适应灰狼算法(AGWA)对网络模型初始参数进行优化;采用基于熵权距离的离群点检测法剔除数据中的离群点,以降低离群点对预测结果的干扰。以武汉市农业科学院采集的农田土壤重金属含量数据进行预测试验,AEM模型预测重金属含量的平均绝对误差和平均绝对百分比误差分别为1.623和17.48%,其决定系数比Elman的提高了0.394。AEM、自调整反距离加权插值模型(SIDIM)、小波神经网络模型(CBSA–WNN)、双向门控循环神经网络模型(SBGRNN)及Elman神经网络模型等5种不同预测模型进行对比试验表明,AEM模型在土壤重金属含量预测上具有更高的准确性。消融试验结果表明,贝叶斯正则化优化、自适应灰狼算法优化和基于熵权距离的离群点检测的离群点数据剔除等3个改进点对于提升土壤重金属含量预测精度均有一定的贡献。
    5  基于深度卷积神经网络的单向阀泄漏模式识别
    郭建政,童成彪
    2024, 50(2).
    [摘要](151) [HTML](0) [PDF 1.02 M](1270)
    摘要:
    以SV10PB1–30B液控单向阀为研究对象,利用传感器采集3种不同泄漏模式下10个阀芯的振动信号,设计深度卷积模型,开展不同测点(单向阀的上表面和阀座)、不同信号特征提取方式(原始信号、特征值、特征图)下的模式识别研究。结果表明:基于轴向冲击信号特征值和深度卷积神经网络的模型能有效识别故障类型,验证集上的识别准确率高达88.293%,是基于特征图的7.79倍,是基于原始时域冲击信号的1.16倍;训练步数以100的较优,同时该模型对正常阀芯和不同损伤阀芯的分类效果明显。
    6  基于近红外光谱技术的南荻生物质品质快速分析
    李杰,李蒙,傅童成,徐强,肖晶,易自力,王晓玉
    2024, 50(2).
    [摘要](200) [HTML](0) [PDF 1.01 M](1373)
    摘要:
    为快速分析洞庭湖南荻的生物质品质(可溶物、纤维素、半纤维素、木质素、灰分含量和纤维素结晶度、聚合度),以采集的126份种质资源为材料,分别采用2种光谱预处理方法和3种特征光谱筛选方法优化原始光谱,基于不同组合方式优化光谱及原始光谱,结合偏最小二乘法构建近红外光谱分析模型,筛选针对7个品质指标的双重优化模型,基于灰色关联度法对126份种质资源进行工业化潜力评估。结果表明:洞庭湖南荻可溶物、纤维素、半纤维素、木质素、灰分含量及纤维素结晶度、聚合度均存在丰富的多样性,且大致呈正态分布,符合近红外建模的要求;基于直接差分法(DD)结合竞争性自适应重加权算法(CARS)优化的PLS模型对南荻可溶物含量的预测结果表现优异,其校正集的均方根误差(RMSEC)为0.27,决定系数(R2C)为0.99;交叉验证集的均方根误差(RMSECV)为0.77,决定系数(R2CV)为0.97,预测集的相对分析误差为5.07,相关系数(R2V)为0.88;基于DD结合变量组合集群分析混合迭代保留信息变量(VCPA–IRIV)优化的PLS模型在南荻的纤维素、半纤维素、木质素、灰分含量和结晶度、聚合度的预测中表现优异,模型的RMSEC为0.14~10.20,R2C为0.98~0.99,RMSECV为0.28~19.46,R2CV为0.94~0.98,R2V为0.87~0.98,相对分析误差(RPD)为4.84~15.65;表明基于双重优化光谱子集建立的近红外光谱模型能较好地预测南荻的生物质品质,且具有较高的稳定性;通过灰色关联度法对126份南荻种质资源进行评估,发现126个样本的工业化利用潜力分数大致呈正态分布,其利用潜力分数的均值为54.4,一级种质资源4个,二级种质资源40个,三级种质资源63个,四级种质资源14个,五级种质资源5个。
    7  基于数字孪生技术的草场放牧系统
    张锐,赵锦钰,王燕,杨思妍,黄津川,范云飞,李刚
    2024, 50(3).
    [摘要](250) [HTML](0) [PDF 762.75 K](2230)
    摘要:
    运用数字孪生技术,在对草场环境及牲畜状态进行感知的基础上建立草场放牧监测系统。该系统将虚拟仿真技术Unity3D应用于草场放牧场景的孪生三维模型,为后续监测呈现可视化效果;采用无线传输技术搭建采集网络,实现草场及牲畜信息交互的功能,并选用模糊综合评价方法对草场进行放牧强度划分。为了验证该系统的有效性,以内蒙古锡林郭勒盟锡林浩特市毛登牧场的真实场景为例进行综合试验。结果表明:与传统的放牧监测系统相比,该系统运用数字孪生技术实现了数据共享和物理草场与孪生草场信息的同步,有效解决了传统放牧监测中决策滞后的问题;通过孪生草场能对物理草场的放牧场景进行仿真模拟,不受客观条件限制,能有效预测各种放牧情况,实现草场环境及牲畜放牧状态精准监测,在实际放牧中能及时应对突发情况,提升草场放牧决策的自主性。
    8  基于自注意力机制和改进YOLOv5s的小目标生物检测
    戚学通,袁红春
    2024, 50(3).
    [摘要](230) [HTML](0) [PDF 878.62 K](1792)
    摘要:
    为了快速准确地检测出小目标生物(海参、扇贝、海星和海胆)在复杂水下环境的位置及所属种类,提出一种基于改进YOLOv5s的小目标生物检测算法。在特征提取阶段,引入基于多头自注意力设计的自注意力残差模块,强化网络全局建模能力的同时,强化目标特征信息;在特征融合阶段,将特征融合网络调整为添加横向连接的双向特征金字塔结构,增强网络融合不同阶段特征信息的能力;在检测阶段,舍弃大目标检测尺度并添加小目标的检测尺度,提升小目标生物的检测精度;最后,引入α–CIoU损失函数作为模型边界框回归损失函数,提高边界框回归精度,进而提高算法检测准确率。定性试验中,几乎所有肉眼可见的水产品目标都被改进模型检出,并正确标记,体现了改进算法的有效性。α值选取试验中,α值为2.0时效果最佳,平均精度均值(mAP)均优于其他值的,达到0.857,较α值为1.0时的提升了0.016。消融试验中,添加任一优化方法均会提升改进模型的检测精度,最终改进模型的mAP达0.873,较原模型的提升了0.032,模型参数量减少了26.8%,仅有5 M。对比试验中,改进模型的mAP较Faster RCNN、YOLOv3、YOLOv4、YOLOv5s、YOLOvX、SSD、NAS–FCOS、改进YOLOv5等的提升了0.020以上;改进模型在本地服务器的检测速度达139帧/s,较YOLOv5s的提升了14帧/s,略逊于以检测速度著称的SSD模型的。可见,改进模型能满足轻量和实时性要求。改进模型也成功部署到安卓移动设备中。
    9  酸水解联合生物转化对剑麻皂素提取效率的影响
    温岚,朱作华,陈伟男,彭源德,谢纯良
    2024, 50(4).
    [摘要](146) [HTML](0) [PDF 1.10 M](910)
    摘要:
    以剥制后的剑麻残渣为材料,筛选对其具有降解功能的菌株,并对菌株发酵条件进行优化,建立酸水解联合微生物发酵技术体系,以提升剑麻皂素提取率。结果表明:在剑麻渣中分离获得14个菌株,其中黑曲霉、哈茨木霉和里氏木霉对剑麻皂素具有较高的生物转化能力;对黑曲霉、哈茨木霉和里氏木霉进行发酵,发酵时间3 d,初始pH 6、发酵温度30 ℃、添加体积分数0.1%的吐温–80时皂素提取率分别达到42.56、61.70、73.53 mg/g;在上述条件上,当添加1.0 mmol/L Fe2+时,对黑曲霉和里氏木霉进行发酵,皂素提取率分别达到55.14、89.45 mg/g;当Fe2+添加量为0.5 mmol/L,对哈茨木霉进行发酵,皂素提取率达到78.64 mg/g;单独酸水解试验结果表明,盐酸浓度为4.5 mol/L,水解时间为60 min时剑麻皂素提取率达到92.249 mg/g;采用1.5 mol/L盐酸结合黑曲霉、哈茨木霉和里氏木霉发酵对剑麻残渣进行提取,3个菌株提取剑麻皂素的提取率分别为78.70、95.40、107.3 mg/g。综上所述,采用酸水解联合微生物发酵法提取剑麻皂素,减少了2/3的酸消耗,且提高了剑麻皂素的提取率。
    10  机采茶叶嫩芽的图像采集与识别
    俞龙,黄浩宜,周波,黄楚斌,唐劲驰,胡春筠
    2024, 50(5).
    [摘要](213) [HTML](0) [PDF 1.06 M](780)
    摘要:
    为了提高茶叶机采的智能化水平,笔者设计了由支架、弧形采收刀、割刀丝杆升降板、4个滚轮、2个驱动电机、控制器与蓄电池组等组成的茶叶采摘机试验平台;以YOLOv5s 6.0作为基础模型,将主干网络替换为MobilenetV3网络,在算法检测层前引入CBAM注意力模块,同时引入轻量级通用上采样算子CARAFE代替最近邻插值法,并通过添加权衡函数,改进CIOU损失函数等,建立茶叶嫩芽图像采集的数学模型YOLOv5s+。随后,以不同高度(10、20、30、40、50 cm)和角度(15°、30°、45°、60°、75°、90°)拍照的茶叶嫩芽图片为样本,检测其对网络识别精度的影响,发现当图像采集距离茶树顶部20 cm、拍摄角度为45°时,识别模型的训练结果最优。采用此参数下拍摄的图片集进行消融试验,YOLOv5s+对茶叶嫩芽识别的平均精度均值和召回率分别为0.935、0.912,较YOLOv5s的分别提高了2.97%、2.82%。
    11  基于多层记忆增强和残差时空变换器的鱼类异常运动行为检测
    袁红春,陈香枝
    2024, 50(5).
    [摘要](169) [HTML](0) [PDF 743.86 K](708)
    摘要:
    由于人工提取抽象特征方法捕获视频异常存在特征学习不足、特征选择困难和泛化性差的问题,笔者将计算机视觉技术引入鱼群异常运动行为检测研究中,采用无监督的学习方式,提出一种结合多层记忆增强和残差时空变换器的鱼类异常运动行为检测方法。该方法以U–Net网络为基础,利用其编码器和解码器对视频帧编码和解码,并根据预测帧和真实帧之间的差异实现异常行为检测。为了加强连续视频帧之间的时空信息特征联系,提出残差时间变换器模块和残差空间变换器模块以提升网络对时间信息和空间信息的建模能力。由于卷积神经网络具有一定的泛化能力,使用记忆增强模块代替U–Net网络中的跳跃连接,降低编码器对异常帧的表示能力。此外,采用生成对抗网络(GAN)技术生成更加真实的预测帧,从而提升网络的检测精度。结果表明:该方法能有效提取鱼群的运动特性和外观特性,在自制的两类鱼群数据集上的AUC(曲线下面积)分别达0.916和0.921,实现了鱼群异常运动行为检测。
    12  基于改进残差网络的马铃薯叶片病害识别
    李桂松,黎敬涛,杨艳丽,刘霞
    2024, 50(6).
    [摘要](167) [HTML](0) [PDF 740.18 K](488)
    摘要:
    针对计算机识别自然背景下马铃薯叶片病害准确率低的问题,提出一种C–ResNet–50模型以改善识别效果。首先,在田间采集马铃薯晚疫病、早疫病、炭疽病和健康叶片图像,并模拟拍摄角度、天气状况等影响因素对图像进行数据增强,从而构建试验数据集。其次,通过对比深度学习模型,选择并改进ResNet–50网络:通过向残差块中引入步长为1的3×3卷积层和1×1卷积层以解决残差块主干分支特征信息缺失严重的问题;通过设计新的全连接层以解决马铃薯叶片病害相似度高、分类难度大的问题;通过引入ECA注意力模块以解决主干网络定向关注能力不足的问题。结果表明:C–RseNet–50网络识别马铃薯叶片病害的平均准确率达90.83%,较原始模型的提升了1.84个百分点。
    13  改进YOLOv5s的海产品检测
    董旺,张娜娜
    2024, 50(6).
    [摘要](110) [HTML](0) [PDF 1.85 M](487)
    摘要:
    针对设备移动和相机散焦导致采集到的水下图像模糊、对比度低及目标偏小导致检测精度低的问题,提出一种改进YOLOv5s的海产品实时检测算法。首先,对图像进行对比度受限自适应直方图均衡化(CLAHE)预处理,改善图像对比度低和模糊等问题;其次,构建C3_Faster模块替换原C3模块,降低模型的参数量,提升模型的检测速度;再次,将ACmix注意力模块嵌入到主干网络,提高模型对小目标的特征提取能力;最后,引入WIoU v3替换CIoU作为回归损失函数,充分考虑低质量目标对损失的影响,提高模型的泛化性。结果表明:与YOLOv5s相比,改进YOLOv5s算法的平均精度均值提高了1.3个百分点,每秒传输帧数提高10,模型参数量和计算量分别降低了8.20×105个和2.40×109 FLOPs,模型内存仅12.2 MB,满足轻量和实时性要求,在检测精度和速率上具有优势,适合部署到水下设备中进行实时检测。
    14  基于YOLOv7的轻量化农田害虫检测算法
    张鹏程,矫桂娥 ,毕卓
    2025, 51(2):103-112. DOI: 10.13331/j.cnki.jhau.2025.02.013
    [摘要](158) [HTML](0) [PDF 1.50 M](471)
    摘要:
    针对现有的害虫检测算法存在计算量和参数量大、检测精度较低等问题,本文提出了一种基于YOLOv7的轻量化农田害虫检测算法。首先,将轻量级GhostNetV2和PConv模块分别引入主干网络和颈部网络,在降低网络的参数量和计算量的同时减少通道的特征冗余;其次,引入可变形大核注意力机制(D-LKA),增强模型对不规则形状的目标信息的捕捉能力;然后,在颈部网络运用尺度内特征交互模块AIFI提升尺度内和尺度间的特征交互能力;最后,针对特征融合导致的特征信息丢失的问题,引入CARAFE上采样算子,以提高模型的感知野,增加特征信息流通,减少特征损失。结果表明:改进后的算法对农田害虫的检测精度达到了72.1%;相较于YOLOv7,其参数量下降43.4%,计算量下降37.0%。本文提出的检测算法在实现模型轻量化的同时,提高了检测结果的准确率,可为农业智能机器的研究提供参考。
    15  融合知识图谱和语义信息的烟叶分级问答系统
    陈婷,朱昌群
    2025, 51(3):97-109. DOI: 10.13331/j.cnki.jhau.2025.03.013
    [摘要](89) [HTML](0) [PDF 2.26 M](457)
    摘要:
    针对烟叶分级领域知识冗余且没有专业化平台用于学术检索的现状,采集多源烟叶分级数据并结合自顶向下的方法构建烟叶分级知识图谱,并以此为基础开发智能问答系统。其核心技术主要包括:1) 采集烟叶分级数据,经过命名实体识别(NER)以及关系抽取(RE)后提取三元组信息,并将其导入Neo4j平台储存;2) 对于问句语义解析,采用融合图谱数据的BERT-BiGRU-MHSA-CRF模型提升问句实体识别效果,同时将自注意力机制融入BERT-TextCNN模型中,用于解析用户分级意图,再通过匹配模板并替换槽位信息以便自动化构建cypher查询语句,在Neo4j知识库中查询最精确的答案并返回。结果表明:构建的知识图谱包含6 620个实体,超过14 000条关系;基于问句实体识别模型BERT-BiGRU-MHSA-CRF的调和平均值F1为94.12%,分级意图识别模型BERT-TextCNN- Attention的F1为98.77%。综上,该系统实现了对烟叶分级相关的多类问题的快速检索和精确回答,可以为分级人员提供辅助。
    16  农田环境中玉米叶片病害精准识别算法DBG-YOLO
    麻海志 ,刘拥民 ,徐卓农 ,邓伟豪
    2025, 51(4):107-116. DOI: 10.13331/j.cnki.jhau.2025.05.014
    [摘要](42) [HTML](0) [PDF 1.18 M](103)
    摘要:
    为有效地预防玉米病害,精准地监测玉米的生长状态,本研究提出了玉米叶片病害识别算法DBG-YOLO。该算法以YOLOv8框架为基础,首先,在骨干网络中使用动态卷积(DynamicConv)替换YOLOv8的骨干C2f模块卷积,在不增加网络深度或宽度的情况下,大大增强算法的表达能力;其次,在颈部网络中采用全局和局部信息自注意力机制(GLSA)用于捕捉输入特征的全局上下文信息,同时保留局部细节特征;然后,在颈部网络的特征融合过程中引入双向特征金字塔网络(BiFPN)模块,以减少算法的参数量,提高算法对多尺度目标的感知能力,从而更好地检测玉米叶片病害;最后,为了加快收敛速度,在损失函数上引入指数移动平均数(EMA)来动态调整SlideLoss中的IoU阈值,以增强其适应能力,由此改善算法的鲁棒性,同时减少误检和漏检,进一步提升整体检测精度并加快算法的收敛。结果表明:相较于YOLOv8n,DBG-YOLO算法的精确度、mAP@50分别提高了5.8个百分点和6.6个百分点,同时算法的浮点计算数和帧率分别降低了11.5%和43.5%。综上所述,本研究提出的算法全面提高了玉米叶片病害检测的准确性,具备较高的鲁棒性,可为玉米叶片病害检测模型在移动端检测设备的部署和应用提供参考。
    17  基于三维点云的红掌器官分割与表型分析
    梅育成 ,邹一波,李佳毅,徐瑜,陈明,葛艳
    2025, 51(3):110-116. DOI: 10.13331/j.cnki.jhau.2025.03.014
    [摘要](104) [HTML](0) [PDF 1.20 M](456)
    摘要:
    针对当前传统花卉类植物表型参数难以快速、准确、自动化获取的问题,笔者提出一种基于三维点云的红掌器官分割与表型分析方法。首先,基于运动恢复结构算法获取红掌三维点云模型,再进行背景去除及点云去噪等预处理操作;之后,提出基于颜色信息的红掌器官自动分割算法,自动提取单独的红掌器官点云;结合点云的RGB与曲率两大属性,提出红掌器官分类规则,实现红掌器官的自动分类;在此基础上,给出有效的红掌表型参数计算方法,完成株高、冠幅、苞片横径和佛焰苞个数4个关键性状的精确测量。结果表明,该方法实现了红掌关键表型自动分析,采用该方法获得的株高、冠幅、苞片横径和佛焰苞个数与人工测量结果的均方根误差分别为2.115、1.428、0.214 cm和0.272个,平均绝对百分比误差分别为4.445%、3.765%、2.295%、3.783%,总体低于其他方法的误差。由此可见,该方法可用于具有复杂结构和形态不规则的红掌花卉表型参数的提取。
    18  基于YOLOv8n的梨树叶片病害检测模型
    黄政,张涛,孔万仔,赵丹枫,魏泉苗
    2025, 51(2):113-121. DOI: 10.13331/j.cnki.jhau.2025.02.014
    [摘要](123) [HTML](0) [PDF 1.42 M](849)
    摘要:
    针对传统目标检测模型对自然场景下梨树叶片病害检测存在精度低、模型参数量大等问题,提出一种基于YOLOv8n的梨树叶片病害检测改进模型。首先,使用RepGhostNet改进主干网络,利用结构重参数化实现特征的隐式重用,在提升网络特征提取能力的同时使网络更加轻量化。其次,引入双层路由注意力机制,通过查询自适应的方式降低模型对不相关特征的关注,提高模型对关键信息的敏感性,增强网络的表征能力和特征融合能力。最后,使用Inner-SIoU损失函数优化边界框回归,加快模型收敛速度,提高识别精度。结果表明:改进后的模型能够有效对梨树叶片病害进行检测,在DiaMOS Plant数据集上对梨树叶片病害的检测平均精准度mAP@50达到0.901,相较于原模型提高了5.6%;而模型参数量仅为2.4×106个,计算量仅为7 GFLOPs,相较于原模型分别降低了20.00%和13.58%。与SSD、Faster-R CNN、YOLOv5n、YOLOv8s等主流目标检测模型相比,改进的模型不仅平均精准度有所提高,而且参数量和计算量均减少。
    19  基于GA-RELM多特征优选的烟叶多部位正反面识别方法
    陈婷,赵晓琳,张冀武,盖小雷,张晓伟,刘宇晨,王燕,龙杰
    2025, 51(1):113-122. DOI: 10.13331/j.cnki.jhau.2025.01.015
    [摘要](213) [HTML](0) [PDF 981.65 K](804)
    摘要:
    针对现有烟叶分级模型多基于平整烟叶的正面特征构建,分级模型准确率和实用性较低的问题,提出一种基于遗传算法–正则化极限学习机(GA-RELM)多特征优选的烟叶多部位正反面识别方法。首先,对自然状态下的烟叶进行多尺度正反面特征提取,构建正反面数据集,根据特征重要性和特征间的潜在关系,实现特征降维并构建新特征组合。其次,对正则化极限学习机(RELM)进行隐藏层偏置寻优,以提高模型实际应用性和分类精度。结果表明:与原极限学习机(ELM)相比,GA-RELM对自然状态下的烟叶正反面和多部位正反面的分类精度分别提高了0.84%和7.88%,运算时间分别减少2.56 s和5.72 s;与其他烟叶分级算法相比,GA-RELM在准确率、精确率、召回率、F1评分等多个指标上表现出明显优势。
    20  基于改进RT-DETR的葡萄叶片病害检测
    王海瑞,胡灿,朱贵富 ,蒋晨
    2025, 51(4):117-124. DOI: 10.13331/j.cnki.jhau.2025.05.015
    [摘要](43) [HTML](0) [PDF 3.72 M](95)
    摘要:
    针对葡萄叶片相似表现症状的病害识别率较低及细小病害检测困难的问题,提出一种基于改进RT-DETR网络的葡萄叶片病害检测方法。首先,采用坐标注意力(CA)机制对可变形卷积网络v2(DCNv2)模块进行改进,构建DCNv2_CA模块以增强目标特征的提取能力,并在模型的主干特征提取部分加入DCNv2_CA模块来提高模型对病害深层关键特征的提取能力;其次,在模型的特征交互模块中引入高低频特征交互(HiLo)注意力机制,使模型能同时关注特征的高低频信息,提高模型对葡萄细小病害的检测能力;最后,用聚合–分发机制重构模型的跨层融合网络,使其能更充分地融合各个层级之间的信息,进一步提升模型对相似表型症状病害的识别性能。结果表明:改进RT-DETR模型的病害检测准确率、召回率和平均精度均值分别达到了90.8%、89.5%和93.4%,相较于初始模型分别提升了5.4、3.9和5.6个百分点,且相对于其他模型也具有明显的优势。综上可见,改进后的RT-DETR模型能够准确地实现葡萄叶片病害检测。
    21  伪异常引导的融合注意力和记忆增强的鱼群异常行为检测
    袁红春,肖智豪
    2025, 51(1):123-130. DOI: 10.13331/j.cnki.jhau.2025.01.016
    [摘要](121) [HTML](0) [PDF 1.01 M](632)
    摘要:
    现有的鱼群异常行为检测方法无法有效提取高级语义信息、特征学习不足,且缺乏对异常样本的学习和提取关键特征的能力,无法满足现有的大规模水产养殖需求。笔者结合深度学习技术,提出了一种伪异常引导的融合注意力和记忆增强的鱼群异常行为检测方法:通过在视频序列中随机选择跳跃的帧构建伪异常合成器生成伪异常样本,增强对异常样本的感知能力;提出选择性内核频率通道注意力(SKFca)机制,在选择性内核(SK)注意力的基础上引入频域信息,以捕捉更丰富的输入信息;通过瓶颈注意力(BAM)机制在通道和空间维度上抑制不相关的背景特征,突出前景目标特征;在2种注意力模块后面添加记忆增强模块,将异常样本的编码特征替换为正常样本的编码特征,扩大异常样本输出与输入的重构误差;将记忆增强后的通道和空间维度上的关键特征和频域特征融合,以全面提取高级语义信息。结果表明,本研究所提方法在2种自制的鱼类数据集上检测效果都很好,曲线下面积(AUC)分别达0.953和0.957,且能实现对异常的精确定位。