基于加权抽样分层分类学习方法的茶叶病害分类

这是一篇关于茶病,EfficientNet,分层分类,加权抽样,微信小程序的论文, 主要内容为茶叶病害是茶树生长过程中不可避免的问题,传统的病害识别方法费工费时、精确度差,且难以应对茶叶病害小样本且分布不均匀、茶叶病害之间相似度高等问题。为了解决这些问题,本文提出了一种基于高效骨干网模型的加权抽样分层分类学习方法。该方法在Efficient Net模型为高效骨干网络进行分层分类学习的基础上,通过增强特征提取能力,有效缓解茶叶病害之间相似度高对模型分类性能的影响。另外,为了更好的解决茶叶病害样本少且分布不均匀的情况,本文还引入了加权抽样的方案,该方案不仅缓解了样本数据过少带来的过拟合影响,还使不平衡的分类数据抽到的概率大致平衡,进一步提高了识别准确率。本文以茶叶健康和茶叶的4类常见叶部病害(茶藻斑病,茶白星病,茶炭疽病,茶云纹叶枯病)为主要研究对象,在基于7种不同的高效骨干网络中引入“加权抽样分层分类学习方法”进行训练,并对加入该学习方法前后的模型进行效果对比分析,使用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、f1-score进行评估。实验结果表明,7种模型在引入加权抽样分层分类学习方法后,其准确率大多有所提高,其中Shuff Net-V2模型在加入该学习方法后准确率提高了12.21%,而Efficient Net-B1模型在加入本文学习方法后准确率高达99.21%,相较于Efficient Net-b2(98.82%)和Mobile Net-V3(98.43%),识别准确率得到了进一步提升。这表明,加权抽样分层分类学习方法在茶叶病害识别中具有很好的效果,可以帮助提高模型的分类性能。而后利用迁移学习的混淆矩阵和模型可视化对模型进行评估和可视化,从而进一步的帮助我们提高模型的性能和理解模型的工作原理。最后,研究者开发了一个识别茶叶病害的微信小程序,通过该小程序,用户可以方便快捷地获取准确的茶叶病害识别结果和对应的病害描述以及防治方法。该小程序不仅可以帮助果农和相关科研人员更好地甄别茶叶病害,提高茶叶种植的质量和产量,还可以帮助消费者更好地了解茶叶的品质和病害情况,增强消费者的购买信心。因此,该小程序具有一定的实用性。总之,基于高效骨干网模型的加权抽样分层分类学习方法在茶叶病害识别中具有很好的效果。该方法可以有效地缓解茶叶病害之间相似度高和样本少且分布不均匀的问题,提高模型的分类性能和准确率。该研究还为茶叶病害识别领域的研究提供了新的思路和方法,有望在农业生产和消费领域产生广泛的应用和推广。

基于深度学习的锻件缺陷检测方法研究

这是一篇关于锻件缺陷检测,目标检测,EfficientNet,超参数优化的论文, 主要内容为汽车制造业高度依赖零件供应支撑,其中锻造的金属汽车零部件更是被广泛使用。但在锻造加工过程中,零件容易产生缺陷,需要进行检测。由于有些缺陷难以直接用肉眼检测,因此很多企业先用荧光磁粉探伤法显示缺陷,工人再用肉眼检测缺陷。但人工检测的方式成本较高,且检测人员疲劳时容易出现误检和漏检。因此实现智能化的荧光磁粉检测具有极为重要的研究意义和实用价值。本文针对以上问题,以汽车用法兰盘和油缸盖为对象,使用机器视觉技术研究锻件检测方法。主要研究工作如下:(1)首先,明确荧光磁粉探伤智能检测的需求。其次,针对检测需求构建锻造零件荧光磁粉探伤缺陷数据集,并搭建智能检测平台。采集到原始缺陷图像共450张,随机选取80%的图像为训练集,10%为测试集,10%为验证集。最后通过数据增强方法得到包含总共1500张图像的数据集。智能检测平台模拟了生产中的实际场景,主要由固定支架、黑光灯和CCD工业相机组成。(2)针对检测需求和数据集特点,基于改进的Efficient Net设计目标识别模型。数据集中目标缺陷有以下特征:首先,缺陷尺度大小不一,形貌特征复杂;其次,目标分布在图像中的各区域却缺陷背景复杂多变;第三,光线条件不佳,导致图像质量较差。针对以上特征,构建了以Efficient Net为主干特征提取网络的深度学习模型,并引入特征金字塔为特征融合层,进而提高模型的多尺度特征融合能力;引入完备交并比和注意力机制以提高模型鲁棒性和检测效率,将最终的模型命名为Efficient Net-F。试验表明,Efficient Net-F的最优模型在测试集上的均值平均精度达到了95.03%。F1得分值为0.96,浮点运算数为1.86B。(3)针对Efficient Net-F的性能对其超参数较为敏感,但超参数手动调整费时费力的问题,提出了一种基于进化算法的超参数优化算法。选取Efficient Net-F中7种不同的关键参数进行优化,最终得到Efficient Net-PSO模型。该超参数优化算法与其他5种不同的算法对比,收敛精度具有明显优势。超参数优化后的目标识别模型检测精度小幅提升。

基于深度学习的苹果快速检测方法研究

这是一篇关于苹果检测,数据增强,YOLOv4,EfficientNet,PyQt5的论文, 主要内容为苹果检测是苹果采摘机器人系统中的重要技术之一,由于果园中的复杂场景和种类多样,导致苹果检测变得困难。因此,实现快速精准地苹果检测对促进苹果产业的发展具有重要意义。本文针对果园中复杂的场景,以红苹果、绿苹果、套袋苹果和缺陷苹果4种常见的苹果种类检测为研究对象,基于YOLOv4系列模型对苹果检测展开研究,本文主要的研究内容如下:(1)针对苹果数据收集不够全面的问题,并结合果园中复杂的场景,本文提出一种插图数据增强方法,利用收集到的苹果叶子插图随机插入到原始的苹果图像上,用于模拟果园中干扰因素最大的苹果树叶遮挡场景。同时还利用一些传统的数据增强方法来进一步扩展数据,使苹果数据集包含更丰富的场景,模型可以学习到更全面的苹果特征,从而提升苹果的检测效果。通过实验对比,本文提出的插图数据增强方法有利于模型性能的提升,可以精准地检测出复杂场景下的苹果。(2)由于YOLOv4模型较为庞大且处理效率不高,本文提出利用轻量化的Efficient Net网络来替换掉YOLOv4中占比最大的主干网CSPDarknet53,并在输出的三个特征处叠加自定义的卷积块Conv2D来进一步提取和匹配特征。通过实验对比,本文改进的Efficient Net-B0-YOLOv4模型的整体性能优于当前主流的苹果检测模型。另外,针对苹果种类的多样性和当前苹果检测研究的单一性问题,本文基于改进后的模型分别对红苹果、绿苹果、套袋苹果和缺陷苹果4种常见的苹果检测研究进行实验对比。实验结果表明,本文改进的Efficient Net-B0-YOLOv4模型可以精准地检测出不同场景下的苹果,表明该模型具有较好的泛化性能。(3)结合EfficientNet网络的优点,将YOLOv4-Tiny模型中的残差模块进行了优化,加入注意力机制SE模块和自适应的Conv模块,进一步利用提取到的特征信息。将改进的YOLOv4-Tiny-SE*模型与改进的Efficient Net-B0-YOLOv4模型进行实验对比,实验结果表明YOLOv4-Tiny-SE*模型在权重大小和处理效率上优于改进的Efficient Net-B0-YOLOv4模型,且满足复杂场景下的苹果检测。(4)设计并实现了基于C/S模式下的在线苹果检测系统,并利用PyQt5、Qt Designer和Python等工具在客户端上设计了一个多功能的人机交互界面,将数据和参数传送至服务端,由服务端部署的模型进行计算处理,最后将检测结果再返回给客户端,从而实现了复杂场景下的苹果快速检测。

面向汉字图像生成的部件检索与变形方法研究

这是一篇关于汉字部件检索,汉字部件变形,CBAM,EfficientNet,层次分析法的论文, 主要内容为汉字是由部件构成的,同一部件在不同形态下可以组成不同的汉字,因此通过对现有汉字部件变形生成具有构字功能的新部件是汉字生成的一种常用方式。本文针对现有方法在查找所需部件和选择变形控制点时人工工作量过大的问题,对基于注意力机制的汉字部件检索模型和基于层次分析法的汉字部件变形方法进行研究,用以提高汉字图像生成的效率。具体进行了以下工作:(1)设计了基于CBAM注意力机制的汉字部件检索模型。CBAM用于解决传统特征提取网络对汉字图像的空间特征关注不足的问题,整体模拟人的视觉注意力机制,从全局到局部,先通过通道注意力对汉字图像的整体信息进行特征提取,再使用空间注意力加强对汉字部件的结构和位置等空间信息的关注,使提取到的特征更加完善准确。因此本文将该注意力机制与Efficient Net-B7网络相结合,构造CBAM-Efficient Net特征提取模型,并将其作为Faster RCNN的特征提取模块,通过目标检测算法完成汉字部件检索任务。(2)提出一种基于层次分析法的汉字部件图像变形算法。层次分析法用于解决汉字部件变形过程中控制点选择困难的问题,主要包括建立层次架构图,构造判断矩阵和权重计算以及一致性检验等步骤,可以将选择变形控制点的决策过程数学化,从而达到减少人工工作量,提高工作效率的目的。实验中,首先通过汉字部件图像的骨架信息进行部件特征点提取,再根据邻域信息对提取到的特征点进行匹配,然后对特征点分组并使用层次分析法计算每组特征点的权重,根据权重确定变形的控制点,最终通过仿射变换实现部件变形。(3)实验结果对比分析,用以检验本文方法在实际应用中是否有效。在汉字部件图像检索过程中,分别将本文提出的CBAM-Efficient Net模型、VGG-16、Res Net-50、Mobile Net V2、Mobile Net V3和原始Efficient Net-B7模型作为Faster RCNN的特征提取模块对汉字部件进行检索,结果显示,本文模型的检索效果与其他方法相比都有一定提升,说明本文设计的针对汉字部件图像的特征提取方法是合理且有效的。在汉字部件图像变形实验中,将本文算法与移动最小二乘法进行对比,先在多种不同的简体汉字图像数据集上进行了测试,通过比较变形后部件与真实部件的结构相似度,证明本文提出的算法可以有效完成部件变形任务,随后将本文方法在书法字图像和古籍汉字图像中进行测试,进一步说明本文提出的汉字部件检索与变形方法可以很好地应用于汉字研究的实践中。

基于深度学习的锻件缺陷检测方法研究

这是一篇关于锻件缺陷检测,目标检测,EfficientNet,超参数优化的论文, 主要内容为汽车制造业高度依赖零件供应支撑,其中锻造的金属汽车零部件更是被广泛使用。但在锻造加工过程中,零件容易产生缺陷,需要进行检测。由于有些缺陷难以直接用肉眼检测,因此很多企业先用荧光磁粉探伤法显示缺陷,工人再用肉眼检测缺陷。但人工检测的方式成本较高,且检测人员疲劳时容易出现误检和漏检。因此实现智能化的荧光磁粉检测具有极为重要的研究意义和实用价值。本文针对以上问题,以汽车用法兰盘和油缸盖为对象,使用机器视觉技术研究锻件检测方法。主要研究工作如下:(1)首先,明确荧光磁粉探伤智能检测的需求。其次,针对检测需求构建锻造零件荧光磁粉探伤缺陷数据集,并搭建智能检测平台。采集到原始缺陷图像共450张,随机选取80%的图像为训练集,10%为测试集,10%为验证集。最后通过数据增强方法得到包含总共1500张图像的数据集。智能检测平台模拟了生产中的实际场景,主要由固定支架、黑光灯和CCD工业相机组成。(2)针对检测需求和数据集特点,基于改进的Efficient Net设计目标识别模型。数据集中目标缺陷有以下特征:首先,缺陷尺度大小不一,形貌特征复杂;其次,目标分布在图像中的各区域却缺陷背景复杂多变;第三,光线条件不佳,导致图像质量较差。针对以上特征,构建了以Efficient Net为主干特征提取网络的深度学习模型,并引入特征金字塔为特征融合层,进而提高模型的多尺度特征融合能力;引入完备交并比和注意力机制以提高模型鲁棒性和检测效率,将最终的模型命名为Efficient Net-F。试验表明,Efficient Net-F的最优模型在测试集上的均值平均精度达到了95.03%。F1得分值为0.96,浮点运算数为1.86B。(3)针对Efficient Net-F的性能对其超参数较为敏感,但超参数手动调整费时费力的问题,提出了一种基于进化算法的超参数优化算法。选取Efficient Net-F中7种不同的关键参数进行优化,最终得到Efficient Net-PSO模型。该超参数优化算法与其他5种不同的算法对比,收敛精度具有明显优势。超参数优化后的目标识别模型检测精度小幅提升。

基于卷积神经网络和集成学习的水稻病害识别方法研究

这是一篇关于水稻病害,图像识别,EfficientNet,集成学习,Stacking的论文, 主要内容为育种信息化能显著提高育种效率和管理水平,是我国现代种业发展的一个重要方向。在品种抗性鉴定试验时,对农作物病害种类的准确识别是实现病害抗性鉴定信息化的关键。近年来,深度学习技术在图像分类应用中取得了巨大成功,能为农作物病害图像的准确识别提供有效技术,但现有分类模型仍面临着网络结构复杂、网络模型难以训练、需要巨大的硬件计算资源支撑等问题。针对上述技术问题和实际应用需求,本论文以水稻典型病害为例,开展了基于卷积神经网络和集成学习的水稻病害识别方法研究,为农作物病害抗性的准确鉴定提供新的技术。主要研究内容和创新点包括:(1)为理解深度结构网络模型如何表征病害图像,提出了一种基于深度卷积神经网络的卷积层特征可视化分析方法。首先以8层预训练的轻量级Alex Net网络为例,从原始病害图像数据中自动学习图像特征,构建一个水稻病害自动分类器;然后利用改进的反卷积特征可视化方法,量化分析Alex Net网络各中间层特征,探究Alex Net网络表征病害的具体过程和机理。实验结果显示,卷积神经网络可以有效地自动提取病害图像特征。研究结果可为后续卷积神经网络模型的选择和设计奠定基础。(2)为实现水稻病害图像的高效、准确识别,提出了一种基于注意力机制与Efficient Net的轻量化水稻病害识别方法CG-Efficient Net。首先引入轻量级卷积注意力模块改进Efficientnet-B0中的主体模块轻量翻转瓶颈卷积核,使模型维持较高精度的同时更加轻量;然后利用Ghost模块优化网络中的卷积层,降低网络的参数量和计算量;最后使用Adam优化算法提高网络的收敛速度。结果表明,对于水稻典型病害图像数据集,该模型的平均准确率为95.63%,优于其它经典的分类模型。(3)为进一步提高病害识别模型的准确性和泛化性,提出了一种基于改进Stacking集成学习的水稻病害识别方法。首先将提出的轻量化识别方法CGEfficient Net作为单分类器;然后依据训练样本扰动和算法参数扰动对单分类器展开训练,增加单分类器之间的差异性;最后通过SLSQP最小化损失函数的方式学习基模型的权重,进行Stacking加权集成的样本分类。实验结果表明,与单一分类器相比,基于SLSQP的加权集成具有更高的识别精确率,为96.1%,有效提升了弱分类器的分类精度,在解决水稻病害识别问题方面表现突出。论文所提方法对模型的精度和泛化能力均有一定程度的提高。

基于深度学习的锻件缺陷检测方法研究

这是一篇关于锻件缺陷检测,目标检测,EfficientNet,超参数优化的论文, 主要内容为汽车制造业高度依赖零件供应支撑,其中锻造的金属汽车零部件更是被广泛使用。但在锻造加工过程中,零件容易产生缺陷,需要进行检测。由于有些缺陷难以直接用肉眼检测,因此很多企业先用荧光磁粉探伤法显示缺陷,工人再用肉眼检测缺陷。但人工检测的方式成本较高,且检测人员疲劳时容易出现误检和漏检。因此实现智能化的荧光磁粉检测具有极为重要的研究意义和实用价值。本文针对以上问题,以汽车用法兰盘和油缸盖为对象,使用机器视觉技术研究锻件检测方法。主要研究工作如下:(1)首先,明确荧光磁粉探伤智能检测的需求。其次,针对检测需求构建锻造零件荧光磁粉探伤缺陷数据集,并搭建智能检测平台。采集到原始缺陷图像共450张,随机选取80%的图像为训练集,10%为测试集,10%为验证集。最后通过数据增强方法得到包含总共1500张图像的数据集。智能检测平台模拟了生产中的实际场景,主要由固定支架、黑光灯和CCD工业相机组成。(2)针对检测需求和数据集特点,基于改进的Efficient Net设计目标识别模型。数据集中目标缺陷有以下特征:首先,缺陷尺度大小不一,形貌特征复杂;其次,目标分布在图像中的各区域却缺陷背景复杂多变;第三,光线条件不佳,导致图像质量较差。针对以上特征,构建了以Efficient Net为主干特征提取网络的深度学习模型,并引入特征金字塔为特征融合层,进而提高模型的多尺度特征融合能力;引入完备交并比和注意力机制以提高模型鲁棒性和检测效率,将最终的模型命名为Efficient Net-F。试验表明,Efficient Net-F的最优模型在测试集上的均值平均精度达到了95.03%。F1得分值为0.96,浮点运算数为1.86B。(3)针对Efficient Net-F的性能对其超参数较为敏感,但超参数手动调整费时费力的问题,提出了一种基于进化算法的超参数优化算法。选取Efficient Net-F中7种不同的关键参数进行优化,最终得到Efficient Net-PSO模型。该超参数优化算法与其他5种不同的算法对比,收敛精度具有明显优势。超参数优化后的目标识别模型检测精度小幅提升。

基于深度学习的脑肿瘤分类检测算法研究

这是一篇关于脑肿瘤,ECA,EfficientNet,CBAM,分类的论文, 主要内容为脑肿瘤,当今世界最致命的癌症之一,据世界卫生组织临床研究发现,脑肿瘤患者尽早的发现和准确地判断肿瘤类别和病变程度能够大大提高脑瘤的治愈率。但由于人脑器官复杂,脑肿瘤种类繁多,转移不可预测,使得脑肿瘤的分类极具依赖医生的专业知识和临床经验。虽然人工检查准确率高,但是面对海量的影像数据,医生难免会出现误诊,并且人工诊断耗时较长,同时具有相关知识的医生的短缺,因此开展脑肿瘤自动分类检测方法的研究具有重要的应用价值。目前,随着医疗技术的发展,医学成像在医疗领域发挥着越来越重要的作用,由于人的大脑是一个极其复杂又脆弱的组织,而MRI具有无侵害,不暴露于电离辐射的特点而常用于脑肿瘤的分类和检测。近年来,在医学成像领域,出现了各式各样的神经网络模型和算法来辅助医生进行医疗决策。本文在此背景下开展了基于深度学习的脑肿瘤分类检测算法的研究,完成了如下工作:(1)提出了一种基于多模型深度学习算法的脑肿瘤图像分类方法。该方法通过Mobile Net V2+Bi LSTM、VGG19+CNN和Efficient Net+Bi GRU三种多模型神经网络架构在脑肿瘤MRI图像上进行多分类。实验结果显示,组合模型比单模型分类效果提高0.08～1.4%,最优模型分类平均准确率比现有方法提高约0.02%～3.9%。(2)提出了一种基于CBAM(Convolutional Block Attention Module)和改进通道注意力机制的Efficient Net神经网络(IC+IEffx Net)的新型混合脑肿瘤分类方法。该方法分为两个阶段,第一阶段将由基于改进空间注意力机制的CBAM模型提取特征。第二阶段将Efficient Net架构中的Squeeze and Excitation(SE)块替换成Efficient Channel Attention(ECA)块,将第一阶段的组合特征输出作为第二阶段的输入。实验展示了在混合脑肿瘤MRI数据集下,神经胶质瘤患者,脑膜瘤患者,脑垂体瘤患者与正常患者图像的四分类结果,实验结果显示分类平均准确率比现有方法提高约0.6%及以上。实验结果证明了该方法的有效性,为医疗专家能够准确判断脑肿瘤种类提供了新的参考。

基于深度学习的锻件缺陷检测方法研究

这是一篇关于锻件缺陷检测,目标检测,EfficientNet,超参数优化的论文, 主要内容为汽车制造业高度依赖零件供应支撑,其中锻造的金属汽车零部件更是被广泛使用。但在锻造加工过程中,零件容易产生缺陷,需要进行检测。由于有些缺陷难以直接用肉眼检测,因此很多企业先用荧光磁粉探伤法显示缺陷,工人再用肉眼检测缺陷。但人工检测的方式成本较高,且检测人员疲劳时容易出现误检和漏检。因此实现智能化的荧光磁粉检测具有极为重要的研究意义和实用价值。本文针对以上问题,以汽车用法兰盘和油缸盖为对象,使用机器视觉技术研究锻件检测方法。主要研究工作如下:(1)首先,明确荧光磁粉探伤智能检测的需求。其次,针对检测需求构建锻造零件荧光磁粉探伤缺陷数据集,并搭建智能检测平台。采集到原始缺陷图像共450张,随机选取80%的图像为训练集,10%为测试集,10%为验证集。最后通过数据增强方法得到包含总共1500张图像的数据集。智能检测平台模拟了生产中的实际场景,主要由固定支架、黑光灯和CCD工业相机组成。(2)针对检测需求和数据集特点,基于改进的Efficient Net设计目标识别模型。数据集中目标缺陷有以下特征:首先,缺陷尺度大小不一,形貌特征复杂;其次,目标分布在图像中的各区域却缺陷背景复杂多变;第三,光线条件不佳,导致图像质量较差。针对以上特征,构建了以Efficient Net为主干特征提取网络的深度学习模型,并引入特征金字塔为特征融合层,进而提高模型的多尺度特征融合能力;引入完备交并比和注意力机制以提高模型鲁棒性和检测效率,将最终的模型命名为Efficient Net-F。试验表明,Efficient Net-F的最优模型在测试集上的均值平均精度达到了95.03%。F1得分值为0.96,浮点运算数为1.86B。(3)针对Efficient Net-F的性能对其超参数较为敏感,但超参数手动调整费时费力的问题,提出了一种基于进化算法的超参数优化算法。选取Efficient Net-F中7种不同的关键参数进行优化,最终得到Efficient Net-PSO模型。该超参数优化算法与其他5种不同的算法对比,收敛精度具有明显优势。超参数优化后的目标识别模型检测精度小幅提升。