基于深度学习的马铃薯病害识别方法及检测装置研究
这是一篇关于马铃薯叶部病害,机器视觉,轻量级卷积神经网络,PyQt5,树莓派的论文, 主要内容为马铃薯是人们的日常饮食中主食之一,目前,我国马铃薯病害种类繁多、分布范围广泛,严重影响马铃薯产量。传统的病害识别方式,通过专家运用专业知识进行识别判断,推广困难。因此,众多研究者致力于应用计算机视觉技术实现对马铃薯叶部病害的识别,但是当前大多数病害识别所采用的深度学习算法,大都存在网络模型深度和权重较大,需要较多样本数据进行训练,难以实现移动端应用等问题。此外,若采用较少的样本量进行训练,又可能造成过拟合或识别准确率不高等问题。为解决上述问题,本文选择马铃薯病害中分布最广、危害严重的晚疫病、早疫病以及主要危害叶部的炭疽病作为主要研究对象,开展相关研究如下:(1)采集患有晚疫病、早疫病、炭疽病、其他病害以及健康的马铃薯叶部图像;采用图像滤波处理去除图像中常见噪声,并分析去噪效果;对比分析Graph Cut和Grab Cut图像分割算法,择优进行图像分割处理;针对适当的数据增广对小样本数据集的必要性展开讨论,并选择合适的方式进行数据增广;在将新数据集输入模型前,对其进行图像标准化和归一化处理。(2)构建Res Net-18、Res Net-GH、Mobile Net V3-Small、Mobile Net V3-S3以及Efficient Net-B0这5种卷积神经网络模型,以这5种模型为基础建立相应的马铃薯叶部病害识别模型,分析5种模型识别性能,同时选取相对适用于5种模型的模型训练学习率。(3)采用模型迁移的迁移学习方法,将大型公开植物数据集Plant Village中的部分数据集作为迁移学习的源域,进行模型预训练获取预训练模型参数,再分别运用迁移训练全部层和训练全连接层参数的方式进行模型训练。(4)以识别准确率、损失函数、模型权重、模型训练时间、识别速率作为模型性能评价标准,开展相关实验,对采用不同训练方式进行模型训练以及通过不同预处理方式建立的数据集与模型结合的效果进行分析,确定采用迁移训练全部层参数的模型训练方式以及经Grab Cut算法进行图像分割后再进行数据增广的方式建立数据集。同时,对比5种模型的性能优劣,综合选取性能最佳的识别模型为Mobile Net V3-S3。(5)建立马铃薯叶部病害识别软硬件系统:该系统中采用Python和Py Qt5建立其软件系统,可以实现登录注册,账号管理,图像识别,图像预处理和选取模型训练等功能;同时,以树莓派4B为核心控制器建立硬件系统,构建软件系统运行所需环境,选取适用于拍摄害病马铃薯叶片的摄像头及光源等硬件。
基于深度学习的马铃薯病害识别方法及检测装置研究
这是一篇关于马铃薯叶部病害,机器视觉,轻量级卷积神经网络,PyQt5,树莓派的论文, 主要内容为马铃薯是人们的日常饮食中主食之一,目前,我国马铃薯病害种类繁多、分布范围广泛,严重影响马铃薯产量。传统的病害识别方式,通过专家运用专业知识进行识别判断,推广困难。因此,众多研究者致力于应用计算机视觉技术实现对马铃薯叶部病害的识别,但是当前大多数病害识别所采用的深度学习算法,大都存在网络模型深度和权重较大,需要较多样本数据进行训练,难以实现移动端应用等问题。此外,若采用较少的样本量进行训练,又可能造成过拟合或识别准确率不高等问题。为解决上述问题,本文选择马铃薯病害中分布最广、危害严重的晚疫病、早疫病以及主要危害叶部的炭疽病作为主要研究对象,开展相关研究如下:(1)采集患有晚疫病、早疫病、炭疽病、其他病害以及健康的马铃薯叶部图像;采用图像滤波处理去除图像中常见噪声,并分析去噪效果;对比分析Graph Cut和Grab Cut图像分割算法,择优进行图像分割处理;针对适当的数据增广对小样本数据集的必要性展开讨论,并选择合适的方式进行数据增广;在将新数据集输入模型前,对其进行图像标准化和归一化处理。(2)构建Res Net-18、Res Net-GH、Mobile Net V3-Small、Mobile Net V3-S3以及Efficient Net-B0这5种卷积神经网络模型,以这5种模型为基础建立相应的马铃薯叶部病害识别模型,分析5种模型识别性能,同时选取相对适用于5种模型的模型训练学习率。(3)采用模型迁移的迁移学习方法,将大型公开植物数据集Plant Village中的部分数据集作为迁移学习的源域,进行模型预训练获取预训练模型参数,再分别运用迁移训练全部层和训练全连接层参数的方式进行模型训练。(4)以识别准确率、损失函数、模型权重、模型训练时间、识别速率作为模型性能评价标准,开展相关实验,对采用不同训练方式进行模型训练以及通过不同预处理方式建立的数据集与模型结合的效果进行分析,确定采用迁移训练全部层参数的模型训练方式以及经Grab Cut算法进行图像分割后再进行数据增广的方式建立数据集。同时,对比5种模型的性能优劣,综合选取性能最佳的识别模型为Mobile Net V3-S3。(5)建立马铃薯叶部病害识别软硬件系统:该系统中采用Python和Py Qt5建立其软件系统,可以实现登录注册,账号管理,图像识别,图像预处理和选取模型训练等功能;同时,以树莓派4B为核心控制器建立硬件系统,构建软件系统运行所需环境,选取适用于拍摄害病马铃薯叶片的摄像头及光源等硬件。
减速电机组装实训教学辅助系统的设计与实现
这是一篇关于减速电机组装,经典点云目标识别算法,iPad Pro采集点云,三维包围框投影,PyQt5,三维装配步骤图的论文, 主要内容为现在中国许多职业学校都开设了《电机组装实训》课程,让学生动手组装一个减速电机,让学生体会组装一个减速电机的完整步骤。但是在开展这个课程时也发现了一些问题,比较常见的问题就是老师少,学生多,老师无法手把手教每个学生来组装,而学生由于是初学,对各个零件可能还不认识也不知道组装的位置,导致学生会有无从下手的感觉。随着计算机技术的不断发展,它已经影响到我们生活中的各个方面,所以将计算机技术引入课程教学中也是一个必然趋势。本文利用计算机视觉技术实现了一个减速电机组装实训教学辅助系统,大大提高了老师的教学效率,主要研究内容如下:(1)对现在减速电机组装实训教学中存在的问题进行了研究与分析,明确了本辅助教学系统的需求,针对这些需求设计了系统的总体架构以及技术路线,在此基础上设计了需要具备的两大功能模块:零件的识别定位与可视化界面。还对本系统设计和实现所涉及的基础理论和相关技术进行了简要阐述。(2)本系统的零件识别定位功能是采用基于三维点云的经典目标识别算法来实现的,获取点云的工具使用的是iPad Pro上搭载的激光雷达(LiDAR),因为它相比一般的激光雷达体积小、轻便、价格也更低,适合这个应用场景。在iPad Pro上借助ARKit,开发了一个获取点云数据的应用程序——PointCloudScanner,它能通过局域网通信技术将扫描得到的点云、图像帧以及对应的相机内外参矩阵上传至主机,再在主机上对用PointCloudScanner应用程序扫描得到的场景点云进行经典的点云识别,得到减速电机的各个零件的三维包围框坐标。最后通过应用程序上传的相机内外参矩阵,将三维包围框投影到对应图像上并标记零件的组装顺序和名称,再将其呈现在界面上。本文使用的基于点云的经典识别算法,得到的所有零件的三维包围框位置平均误差值RMSE为0.2671。(3)可视化系统界面使用PyQt5进行开发,学生可以通过界面方便地使用系统的功能、显示二维图像的识别结果以及各个零件的三维装配位置。零件的三维装配图使用Open3D制作并显示,再将显示窗口嵌入到可视化系统的界面中。学生根据界面中显示的二维图像识别结果和三维装配步骤图,就能很快速的组装一个减速电机。本论文设计并实现了减速电机组装实训教学辅助系统,该系统实现了零件的识别、标记各个零件组装的顺序以及三维组装步骤可视化,有助于培养学生的学习兴趣,提高了教师的教学效率。
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。
面向指针式仪表的智能数显系统设计与实现
这是一篇关于指针式仪表,YOLOv5s,U2-Net,PyQt5,智能数显的论文, 主要内容为随着工业4.0的兴起,企业对生产过程中仪表的数字化需求越演越烈。而这些工业企业中现存的大量的、昂贵的指针式仪表依然有相当部分处在转型过程中,尚不具备数据自动读数与远程的传输功能,若对这些存量仪表进行更新换代需要一定的周期以及巨额的改造费用。而依赖人工读数和抄录,存在数据的不连续、不准确性及工人不可达等问题。为了促进传统工业4.0转型,延续这些旧式指针仪表的使用价值,便于企业的数字化管理等,本文基于深度学习框架研究了面向指针式仪表智能数显的理论方法,设计并实现了智能数显系统。主要研究工作如下:1.现场仪表数据集及指针刻度数据集的建立。针对目前没有标准的指针式仪表数据集的问题,首先,在某天然气净化厂、某石油基地以及网络上的指针式仪表图像收集整理,制作现场仪表图片1000张,按照标准数据集的处理要求,对其进行重命名;然后运用Labelimg、Labelme两个标注工具,分别对每张照片中所涉及的仪表盘区域、指针刻度区域逐一进行标注;最后,基于Python语言平台,将制作的仪表、指针刻度两个数据集,分别处理成所需要的.txt和.png文件格式,建立本文的仪表数据集和刻度指针数据集。2.基于YOLOv5s模型轻量化方法的工业复杂背景下指针式仪表定位方法研究。现场仪表图像背景复杂,光照、角度等原因影响了识别精度,本文基于YOLOv5s框架构建了指针式仪表表盘定位的模型结构,在参数优化后,得到训练好的模型。由于该网络的实时性和可移植性不佳,本文进一步完成了YOLOv5s模型轻量化设计,对网络中Back Bone、Neck两部分的BN层进行通道剪枝,经过实验测试对比,选择剪枝40%的模型作为指针式仪表定位方法。该模型相较于YOLOv5s,在保证定位精度不变的情况下,定位时间减少18.18%,模型尺寸缩减了56.35%,为接下来减小整个系统的运行时间提供了基础。3.基于U2-Net的指针式仪表读数识别方法及其实现。先对图像预处理以解决图像倾斜、暗光等干扰;针对指针刻度检测精度低,易受遮挡、模糊的影响,本文采用U2-Net模型对指针和刻度进行分割,将分割后的二维图像转化为一维数组,定位指针在刻度上的相对位置,利用距离法对读数进行计算,得到仪表读数结果。经实验测试,测试准确率为93.42%,平均绝对误差为0.0262,平均读数误差率为0.597%,平均每张图片的测试时间为0.402s,满足工业实际需求。4.面向指针式仪表智能数显系统设计。将上述YOLOv5s轻量化定位算法、仪表读数算法与Py Qt5相结合,通过外接USB摄像头监控摄像,设计并实现指针式仪表智能数显人机交互系统。该系统主要包括登录部分和主界面两个部分,对系统的登录界面使用数据库验证登录信息是否正确,保证系统使用的安全性;在主界面设计主要包括预览标签页、显示标签页和可视化标签页。通过外接USB摄像头,采集图像作为输入,经过系统之前训练好的模型,进行自动仪表定位,可实现当前采集仪表图像、本地图像、自定义采集图像时间间隔智能数显以及历史数据结果可视化。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码客栈 ，原文地址：https://m.bishedaima.com/lunwen/54438.html
