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。
基于深度卷积神经网络的水果识别算法应用研究
这是一篇关于深度卷积神经网络,目标识别,轻量化,注意力机制,识别系统的论文, 主要内容为近年来,随着现代农业的发展,机械化设备对水果的自动采收取得了一定的进步,但实际场景下水果识别仍面临很多挑战。由于硬件配置的限制,导致一些算法很难部署到运算能力有限的设备中。此外,复杂场景下收集到的图像会受到背景和噪声的干扰,细节特征会丢失,即使在高配置的硬件条件下,算法识别率仍然较低。针对以上问题,本文基于深度卷积神经网络对水果识别算法进行研究,主要研究工作如下:1)针对目标识别算法种类多、应用在不同场景时性能存在差异的问题,进行了水果识别基础算法的选择。首先,制作了专用于复杂场景下的水果识别数据集,同时对数据集进行了归一化和数据增强预处理操作;其次,基于水果识别数据集对多种目标识别算法的识别精度、实时性以及所占内存大小进行实验对比。最终,选用YOLO系列算法作为基础水果识别算法进行后续优化。2)针对设备硬件配置低、运算能力有限,算法不易部署的问题,提出了改进YOLO的轻量化目标识别算法。首先,构建新的基于Efficient Net的轻量化特征提取网络,在能保证算法识别精度的前提下大幅度减少参数量、降低算法复杂度;其次,提高了边界框定位回归的准确度;最后引入平衡样本优化器,优化正负样本的不均分配。本算法很好地实现了轻量化,并可以高效的进行目标识别。3)针对复杂场景下目标识别算法特征提取能力不足,识别率不高的问题,提出了基于YOLOv4的融合双重注意力机制算法。一方面,在CSPDarknet53和PANet之间引入CBAM注意力机制模块,关注特征空间和特征通道信息,增强算法的特征提取;另一方面,模型引入Soft-DIo U-NMS算法,减少相邻重叠目标的漏检率,可以很好地解决复杂场景下水果遮挡的问题,进一步提高算法识别精度。改进的YOLOv4算法可以在复杂场景下保持良好的识别率。4)基于上述提出的算法开发了水果识别系统。将已训练好的优化算法集成到识别工具中,同时使用Py Qt5框架实现可视化界面的搭建。用户只需简单上传待识别图片,就可以将水果识别的结果可视化。
基于深度卷积神经网络的水果识别算法应用研究
这是一篇关于深度卷积神经网络,目标识别,轻量化,注意力机制,识别系统的论文, 主要内容为近年来,随着现代农业的发展,机械化设备对水果的自动采收取得了一定的进步,但实际场景下水果识别仍面临很多挑战。由于硬件配置的限制,导致一些算法很难部署到运算能力有限的设备中。此外,复杂场景下收集到的图像会受到背景和噪声的干扰,细节特征会丢失,即使在高配置的硬件条件下,算法识别率仍然较低。针对以上问题,本文基于深度卷积神经网络对水果识别算法进行研究,主要研究工作如下:1)针对目标识别算法种类多、应用在不同场景时性能存在差异的问题,进行了水果识别基础算法的选择。首先,制作了专用于复杂场景下的水果识别数据集,同时对数据集进行了归一化和数据增强预处理操作;其次,基于水果识别数据集对多种目标识别算法的识别精度、实时性以及所占内存大小进行实验对比。最终,选用YOLO系列算法作为基础水果识别算法进行后续优化。2)针对设备硬件配置低、运算能力有限,算法不易部署的问题,提出了改进YOLO的轻量化目标识别算法。首先,构建新的基于Efficient Net的轻量化特征提取网络,在能保证算法识别精度的前提下大幅度减少参数量、降低算法复杂度;其次,提高了边界框定位回归的准确度;最后引入平衡样本优化器,优化正负样本的不均分配。本算法很好地实现了轻量化,并可以高效的进行目标识别。3)针对复杂场景下目标识别算法特征提取能力不足,识别率不高的问题,提出了基于YOLOv4的融合双重注意力机制算法。一方面,在CSPDarknet53和PANet之间引入CBAM注意力机制模块,关注特征空间和特征通道信息,增强算法的特征提取;另一方面,模型引入Soft-DIo U-NMS算法,减少相邻重叠目标的漏检率,可以很好地解决复杂场景下水果遮挡的问题,进一步提高算法识别精度。改进的YOLOv4算法可以在复杂场景下保持良好的识别率。4)基于上述提出的算法开发了水果识别系统。将已训练好的优化算法集成到识别工具中,同时使用Py Qt5框架实现可视化界面的搭建。用户只需简单上传待识别图片,就可以将水果识别的结果可视化。
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：毕业设计工坊 ，原文地址：https://bishedaima.com/lunwen/52449.html
