基于深度学习的平菇菌棒污染识别研究
这是一篇关于深度学习,图像识别,平菇菌棒,污染识别系统,ResNeXt50的论文, 主要内容为随着国家对农业农村发展的支持,食用菌行业的发展有了前所未有的突破,平菇种植产业迅速发展。针对平菇菌棒在培养生长过程中污染菌棒挑选处理不及时、目前主要靠人工挑选污染棒、企业缺少信息化的管理系统等问题,依托山东省重大科技创新工程项目——食用菌智慧工厂化生产关键技术研发与产业化,利用深度学习技术、软件开发等技术,建立了平菇菌棒污染识别模型,设计并实现了平菇菌棒污染识别系统,突破了菌棒污染智能识别关键技术,最终实现了菌棒污染状态的精准识别和判定。主要研究内容与结果如下:(1)构建了平菇菌棒污染数据集并进行数据增强。通过实地调研的方式在山东某公司智慧工厂培养棚内进行了平菇菌棒图像数据的采集,采集图像时将相机与菌棒距离控制在60厘米左右,每个菌棒拍摄4张照片,最终采集了黄曲霉污染菌棒图像942张、木霉污染菌棒图像893张、毛霉污染菌棒图像804张、正常菌棒图像1118张,共计3757张。为防止样本数量不均衡而造成模型训练过拟合的问题,对数据集进行了数据增强的工作,最后对扩充后的数据按照8:2划分为训练集和测试集。(2)构建了基于改进的ResNeXt50平菇菌棒污染识别模型。首先在自建的平菇菌棒污染数据集上对四种常见的图像分类模型进行了实验,实验结果表明,在训练集上VGG16的准确率结果最低,为85.31%,ResNeXt50准确率最高,为90.31%,除此以外,ResNeXt50的模型效率也较高,因此选定ResNeXt50模型进行进一步的优化,以提高模型对平菇污染菌棒的识别准确率。在对ResNeXt50进行改进时,考虑到注意力机制对模型准确率的影响,设计实验探究了ECANet的嵌入方式对平菇菌棒污染识别准确率的影响,分别研究了串行嵌入、并行嵌入、残差嵌入三种方式,实验结果表明,并行嵌入的方式对平菇菌棒污染识别的影响效果最明显,相比于未改进之前,准确率提高了8.11%。(3)设计并实现了平菇菌棒污染识别系统。本论文以改进后的ResNeXt50模型为基础,设计并研发了基于前端Vue框架和后端Spring Boot框架的平菇菌棒污染识别系统。完成了平菇菌棒污染识别系统需求分析、系统总体框架和功能模块设计、系统数据库的E-R设计和数据库的实体设计等工作,共包含基础信息设置、平菇菌棒管理、平菇菌棒污染识别、污染菌棒反馈统计等主要功能模块,实现了对污染平菇菌棒的自动识别、对采集到的污染图像数据进行采集录入与存储管理、对菌棒污染信息进行统计分析,解决了长期以来人工验棒效率低的问题,助力企业向农业信息化方向发展。
基于深度学习的平菇菌棒成熟度识别方法研究及系统设计
这是一篇关于深度学习,平菇菌棒,成熟度识别,识别系统的论文, 主要内容为平菇是食用菌产业中的主要品种之一,占据着相当重要的地位。平菇菌棒培养质量的高低,决定平菇的产量和品质。平菇菌棒培养期间各个时期环境参数要求各不相同,需要对平菇菌棒进行成熟度识别,以判断环境调控时机、开袋出菇时机,提高平菇产量和品质。目前平菇菌棒成熟度的识别只能依靠专业生产人员,存在费时费力、易错易漏等问题。针对上述问题,本文依托山东省重大科技创新工程项目——食用菌智慧工厂化生产关键技术研发与产业化,分析了平菇菌棒培养期间环境参数;构建了基于改进的YOLOv5s的平菇菌棒成熟度识别模型;设计并实现了基于B/S架构的平菇菌棒成熟度识别系统。主要研究内容与结果如下:(1)构建了平菇菌棒图像数据集本文以菌丝体阶段的平菇菌棒为研究对象开展研究。在实地调研过程中,通过定点拍摄的采样方式,完成了萌发期、定植扩展期、延伸生长期、成熟期的平菇菌棒图像采集。首先对采集到的图像进行了分析,然后采用随机抽取的方式,按照7:1:2的比例对数据集进行了划分,并利用Label Img工具对数据集进行了标记。其次,为了保证模型的泛化能力,采用随机旋转,翻转,裁剪,对比度变换,添加噪声等方法对数据集进行了增强,增强后的图像数据共计1459幅。(2)分析了四种基于卷积神经网络的平菇菌棒成熟度识别模型分别基于Mobile Net V3small、YOLOv5s、YOLOv7、YOLOv7-tiny网络模型在平菇菌棒图像数据集上进行了模型训练,然后对实验结果进行了验证和对比分析。实验结果表明,Mobile Net V3small模型的精确率和准确率最低,YOLOv5s模型的精确率、准确率、平均精度均值最高,分别达到了98.5%、99.3%、99.3%。(3)构建了基于改进的YOLOv5s的平菇菌棒成熟度识别模型针对综合表现最优的YOLOv5s模型仍存在模型参数量、运算量大、推理速度不理想等问题,采用替换提取特征网络的方法进行改进,将原来的CSPDarknet53结构替换为了Mobile Net V3small网络,并对改进的YOLOv5s模型和原模型进行了对比分析。实验结果表明,改进的YOLOv5s模型相较于原模型,在精确率和平均精度均值基本不变的情况下,参数量为3.5M,下降了51.4%,浮点计算量为6.3GFLOPs,下降了60.1%,推理速度为61.8帧/秒,提升了12.1%,达到了预期效果。(4)设计并实现了基于B/S架构的平菇菌棒成熟度识别系统基于用户的需求,采用Spring Boot-Vue框架,My SQL数据库技术,设计了平菇菌棒成熟度识别系统。该系统包括工序信息管理、培养棚信息管理、平菇菌棒成熟度识别、开袋信息管理四个功能模块。用户可以通过PC端或移动端使用系统,实现了平菇菌棒成熟度数据的安全存储及科学管理。
基于深度学习的平菇菌棒成熟度识别方法研究及系统设计
这是一篇关于深度学习,平菇菌棒,成熟度识别,识别系统的论文, 主要内容为平菇是食用菌产业中的主要品种之一,占据着相当重要的地位。平菇菌棒培养质量的高低,决定平菇的产量和品质。平菇菌棒培养期间各个时期环境参数要求各不相同,需要对平菇菌棒进行成熟度识别,以判断环境调控时机、开袋出菇时机,提高平菇产量和品质。目前平菇菌棒成熟度的识别只能依靠专业生产人员,存在费时费力、易错易漏等问题。针对上述问题,本文依托山东省重大科技创新工程项目——食用菌智慧工厂化生产关键技术研发与产业化,分析了平菇菌棒培养期间环境参数;构建了基于改进的YOLOv5s的平菇菌棒成熟度识别模型;设计并实现了基于B/S架构的平菇菌棒成熟度识别系统。主要研究内容与结果如下:(1)构建了平菇菌棒图像数据集本文以菌丝体阶段的平菇菌棒为研究对象开展研究。在实地调研过程中,通过定点拍摄的采样方式,完成了萌发期、定植扩展期、延伸生长期、成熟期的平菇菌棒图像采集。首先对采集到的图像进行了分析,然后采用随机抽取的方式,按照7:1:2的比例对数据集进行了划分,并利用Label Img工具对数据集进行了标记。其次,为了保证模型的泛化能力,采用随机旋转,翻转,裁剪,对比度变换,添加噪声等方法对数据集进行了增强,增强后的图像数据共计1459幅。(2)分析了四种基于卷积神经网络的平菇菌棒成熟度识别模型分别基于Mobile Net V3small、YOLOv5s、YOLOv7、YOLOv7-tiny网络模型在平菇菌棒图像数据集上进行了模型训练,然后对实验结果进行了验证和对比分析。实验结果表明,Mobile Net V3small模型的精确率和准确率最低,YOLOv5s模型的精确率、准确率、平均精度均值最高,分别达到了98.5%、99.3%、99.3%。(3)构建了基于改进的YOLOv5s的平菇菌棒成熟度识别模型针对综合表现最优的YOLOv5s模型仍存在模型参数量、运算量大、推理速度不理想等问题,采用替换提取特征网络的方法进行改进,将原来的CSPDarknet53结构替换为了Mobile Net V3small网络,并对改进的YOLOv5s模型和原模型进行了对比分析。实验结果表明,改进的YOLOv5s模型相较于原模型,在精确率和平均精度均值基本不变的情况下,参数量为3.5M,下降了51.4%,浮点计算量为6.3GFLOPs,下降了60.1%,推理速度为61.8帧/秒,提升了12.1%,达到了预期效果。(4)设计并实现了基于B/S架构的平菇菌棒成熟度识别系统基于用户的需求,采用Spring Boot-Vue框架,My SQL数据库技术,设计了平菇菌棒成熟度识别系统。该系统包括工序信息管理、培养棚信息管理、平菇菌棒成熟度识别、开袋信息管理四个功能模块。用户可以通过PC端或移动端使用系统,实现了平菇菌棒成熟度数据的安全存储及科学管理。
基于深度学习的平菇菌棒污染识别研究
这是一篇关于深度学习,图像识别,平菇菌棒,污染识别系统,ResNeXt50的论文, 主要内容为随着国家对农业农村发展的支持,食用菌行业的发展有了前所未有的突破,平菇种植产业迅速发展。针对平菇菌棒在培养生长过程中污染菌棒挑选处理不及时、目前主要靠人工挑选污染棒、企业缺少信息化的管理系统等问题,依托山东省重大科技创新工程项目——食用菌智慧工厂化生产关键技术研发与产业化,利用深度学习技术、软件开发等技术,建立了平菇菌棒污染识别模型,设计并实现了平菇菌棒污染识别系统,突破了菌棒污染智能识别关键技术,最终实现了菌棒污染状态的精准识别和判定。主要研究内容与结果如下:(1)构建了平菇菌棒污染数据集并进行数据增强。通过实地调研的方式在山东某公司智慧工厂培养棚内进行了平菇菌棒图像数据的采集,采集图像时将相机与菌棒距离控制在60厘米左右,每个菌棒拍摄4张照片,最终采集了黄曲霉污染菌棒图像942张、木霉污染菌棒图像893张、毛霉污染菌棒图像804张、正常菌棒图像1118张,共计3757张。为防止样本数量不均衡而造成模型训练过拟合的问题,对数据集进行了数据增强的工作,最后对扩充后的数据按照8:2划分为训练集和测试集。(2)构建了基于改进的ResNeXt50平菇菌棒污染识别模型。首先在自建的平菇菌棒污染数据集上对四种常见的图像分类模型进行了实验,实验结果表明,在训练集上VGG16的准确率结果最低,为85.31%,ResNeXt50准确率最高,为90.31%,除此以外,ResNeXt50的模型效率也较高,因此选定ResNeXt50模型进行进一步的优化,以提高模型对平菇污染菌棒的识别准确率。在对ResNeXt50进行改进时,考虑到注意力机制对模型准确率的影响,设计实验探究了ECANet的嵌入方式对平菇菌棒污染识别准确率的影响,分别研究了串行嵌入、并行嵌入、残差嵌入三种方式,实验结果表明,并行嵌入的方式对平菇菌棒污染识别的影响效果最明显,相比于未改进之前,准确率提高了8.11%。(3)设计并实现了平菇菌棒污染识别系统。本论文以改进后的ResNeXt50模型为基础,设计并研发了基于前端Vue框架和后端Spring Boot框架的平菇菌棒污染识别系统。完成了平菇菌棒污染识别系统需求分析、系统总体框架和功能模块设计、系统数据库的E-R设计和数据库的实体设计等工作,共包含基础信息设置、平菇菌棒管理、平菇菌棒污染识别、污染菌棒反馈统计等主要功能模块,实现了对污染平菇菌棒的自动识别、对采集到的污染图像数据进行采集录入与存储管理、对菌棒污染信息进行统计分析,解决了长期以来人工验棒效率低的问题,助力企业向农业信息化方向发展。
基于深度学习的平菇菌棒成熟度识别方法研究及系统设计
这是一篇关于深度学习,平菇菌棒,成熟度识别,识别系统的论文, 主要内容为平菇是食用菌产业中的主要品种之一,占据着相当重要的地位。平菇菌棒培养质量的高低,决定平菇的产量和品质。平菇菌棒培养期间各个时期环境参数要求各不相同,需要对平菇菌棒进行成熟度识别,以判断环境调控时机、开袋出菇时机,提高平菇产量和品质。目前平菇菌棒成熟度的识别只能依靠专业生产人员,存在费时费力、易错易漏等问题。针对上述问题,本文依托山东省重大科技创新工程项目——食用菌智慧工厂化生产关键技术研发与产业化,分析了平菇菌棒培养期间环境参数;构建了基于改进的YOLOv5s的平菇菌棒成熟度识别模型;设计并实现了基于B/S架构的平菇菌棒成熟度识别系统。主要研究内容与结果如下:(1)构建了平菇菌棒图像数据集本文以菌丝体阶段的平菇菌棒为研究对象开展研究。在实地调研过程中,通过定点拍摄的采样方式,完成了萌发期、定植扩展期、延伸生长期、成熟期的平菇菌棒图像采集。首先对采集到的图像进行了分析,然后采用随机抽取的方式,按照7:1:2的比例对数据集进行了划分,并利用Label Img工具对数据集进行了标记。其次,为了保证模型的泛化能力,采用随机旋转,翻转,裁剪,对比度变换,添加噪声等方法对数据集进行了增强,增强后的图像数据共计1459幅。(2)分析了四种基于卷积神经网络的平菇菌棒成熟度识别模型分别基于Mobile Net V3small、YOLOv5s、YOLOv7、YOLOv7-tiny网络模型在平菇菌棒图像数据集上进行了模型训练,然后对实验结果进行了验证和对比分析。实验结果表明,Mobile Net V3small模型的精确率和准确率最低,YOLOv5s模型的精确率、准确率、平均精度均值最高,分别达到了98.5%、99.3%、99.3%。(3)构建了基于改进的YOLOv5s的平菇菌棒成熟度识别模型针对综合表现最优的YOLOv5s模型仍存在模型参数量、运算量大、推理速度不理想等问题,采用替换提取特征网络的方法进行改进,将原来的CSPDarknet53结构替换为了Mobile Net V3small网络,并对改进的YOLOv5s模型和原模型进行了对比分析。实验结果表明,改进的YOLOv5s模型相较于原模型,在精确率和平均精度均值基本不变的情况下,参数量为3.5M,下降了51.4%,浮点计算量为6.3GFLOPs,下降了60.1%,推理速度为61.8帧/秒,提升了12.1%,达到了预期效果。(4)设计并实现了基于B/S架构的平菇菌棒成熟度识别系统基于用户的需求,采用Spring Boot-Vue框架,My SQL数据库技术,设计了平菇菌棒成熟度识别系统。该系统包括工序信息管理、培养棚信息管理、平菇菌棒成熟度识别、开袋信息管理四个功能模块。用户可以通过PC端或移动端使用系统,实现了平菇菌棒成熟度数据的安全存储及科学管理。
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://bishedaima.com/lunwen/52448.html
