为提高柑橘害虫识别精准度和防治效果，本研究构建包含10类对柑橘危害程度较重的害虫图像数据集，基于神经网络MobileNetV2与注意力机制ECA开发轻量化且高识别精度的ECA＿MobileNetV2模型，并基于该模型开发一款边缘计算App。将ECA注意力机制嵌入MobileNetV2网络的反残差结构尾部，以增强原网络的跨通道信息交互能力，提升原网络的特征提取能力。测试结果显示，ECA＿MobileNetV2模型对柑橘害虫的分类准确率达到93.63%，相比于MobileNetV2、GoogLeNet和ResNet18模型分别提高了1.68、1.44和2.40个百分点，而模型参数量、浮点运算数和模型大小分别为3.50×10~6、328.06×10~6和8.72 MB，复杂度仅略高于MobileNetV2，可以在手机上以边缘计算的形式运行。研究结果表明，本研究开发的智能识别工具能够对不同种类的柑橘害虫进行快速、有效的分类识别。

针对现有检测模型不能满足在自然环境中准确识别多种类柑橘病虫害的问题，提出一种基于改进YOLOv5s模型的常见柑橘病虫害检测方法。改进模型引入ConvNeXtV2模型，构建一个CXV2模块替换YOLOv5s的C3模块，增强提取特征的多样性；添加了动态检测头DYHEAD，提高模型对不同空间尺度、不同任务目标的处理能力；采用CARAFE上采样模块，提高特征提取效率。结果显示，改进后的YOLOv5s-CDC的召回率和平均精度均值为81.6%、87.3%，比原模型分别提高了4.9%和3.4%。与其他YOLO系列模型在多个场景下的检测对比，具有更高的准确率和较强的鲁棒性。结果表明，该方法可用于自然复杂环境下的柑橘病虫害的检测。

[目的]针对现有轻量级神经网络对多类番茄不同病害程度识别研究较少、识别精度较低、收敛速度较慢等问题，本文提出一种具有新轻量化瓶颈层模块和纹理注意力的TB-MobileNetV2轻量级网络。[方法]首先参照设计高效网络的相关准则设计了更高效轻量的瓶颈层模块设计即陀螺块（TOP Block），其次使用了对病害纹理特征具有更高效关注的改进纹理注意力模块（texture coordinates attention）。[结果]试验结果表明，TB-MobileNetV2在包含16种类别的番茄早晚期病害数据集的测试集识别准确率为88.49%，较原MobileNetV2网络提升了2.18%，且具有计算量减少与单张图片运行时间基本相同的优势；同时其准确率和收敛速度也均优于ShuffleNetV2 1.0×，MobileNetV3Small，MobileNetV2，MoblieNeXt四个对比轻量级网络。[结论]本文提出的TB-MobileNetV2能有效提高对多种番茄早晚期病害识别准确率。

为实现在自然环境下对柑橘果实的识别，提出一种基于YOLOv5改进模型的柑橘识别方法。通过引入CBAM(convolutional block attention module，卷积注意力模块)注意力机制模块来提高网络的特征提取能力，改善遮挡目标与小目标的漏检问题；用α-IoU损失函数代替GIoU损失函数作为边界框回归损失函数，提高边界框定位精度。结果显示：本研究提出的模型平均精度AP值达到91.3%，在GPU上对单张柑橘果实图像的检测时间为16.7 ms，模型占用内存为14.5 Mb。结果表明，本研究基于YOLOv5的改进算法可实现在自然环境下快速准确地识别柑橘果实，满足实时目标检测的实际应用需求。

【目的】设计轻量级神经网络,使用声音识别技术构建钻蛀振动识别模型,自动识别双条杉天牛和臭椿沟眶象幼虫蛀干取食振动,为提高钻蛀性害虫的早期预警能力提供技术支撑。【方法】在接双条杉天牛、臭椿沟眶象幼虫木段中嵌入AED-2010L便携式声音探测仪的SP-1L压电式传感器探头,使用录音笔以音频格式记录钻蛀振动信号。双条杉天牛钻蛀振动、臭椿沟眶象钻蛀振动和无钻蛀振动3种声音信号经端点检测、时间规整操作后,计算对数梅尔声谱作为卷积神经网络学习和识别的数据集。由于钻蛀性害虫取食振动脉冲持续时间短,数据量远小于图像,为避免模型出现过拟合,设计轻量级卷积神经网络Insect Frames,网络包含4层3×3卷积,全连接层前接全局平均池化进一步降低网络参数量。使用不同的中间层特征维度和降维方法,实现4种网络变体结构Insect Frames_1—4。【结果】基于轻量级卷积神经网络的钻蛀振动识别方法可有效监测早期虫害的发生,较准确地识别害虫种类。利用Insect Frames_1—4模型,对双条杉天牛钻蛀振动、臭椿沟眶象钻蛀振动和无钻蛀振动3种信号进行识别,在测试集上的平均识别准确率均达90%以上,CPU上平均识别时间为0.1～1.3 s。Insect Frames_2模型识别准确率达95.83%,较广泛用于虫声识别的高斯混合模型提高34.2%,较传统重量级神经网络Res Net18提高6.94%,时间效率提高171.1倍。【结论】将神经网络和声音识别技术用于幼虫钻蛀振动的自动化侦听,具有高效、简单、成本低等优势,可提升林业钻蛀性害虫的早期预警能力。

【目的】研究基于区域卷积神经网络(R-CNN)模型的广西柑橘病虫害识别方法,为提高柑橘重要病症分类和病理检测效率提供参考依据。【方法】设计专用R-CNN模型,采用多层神经网络,通过机器学习算法和神经网络对柑橘黄龙病、红蜘蛛感染和溃疡病等广西柑橘主要病症特征图像进行识别,分析其准确率和空间复杂度。【结果】R-CNN模型对广西柑橘黄龙病的平均识别准确率为95.30%,对红蜘蛛感染的平均识别准确率为90.30%,对溃疡病的平均识别准确率为99.10%,均优于传统机器学习方法中支持向量机算法(SVM)的平均识别准确率(分别为93.20%、88.20%和95.20%),分类效果也优于小型神经网络模型如视觉几何组网络(VGG-19)模型,平均识别准确率分别提高4.25%、4.62%和2.55%。R-CNN模型在较少神经元参数(33层卷积网络)情况下,空间复杂度比SVM和VGG-19模型低,能获得更佳的柑橘黄龙病、红蜘蛛感染和溃疡病识别效果。【结论】R-CNN模型识别是一种对柑橘黄龙病、红蜘蛛感染和溃疡病行之有效的鉴别方法,可在广西柑橘果园大量部署和应用。

【目的】探究基于无人机可见光通道和支持向量机（SVM）模型的柑橘黄龙病个体识别方法，为生产上快速、高效发现柑橘黄龙病病株提供参考依据。【方法】构建2套基于SVM的识别模型，先通过柑橘黄龙病黄化识别模型确定具备黄龙病黄化特征的植株，再通过黄龙病斑驳特征识别模型对黄化植株的叶片进行斑驳特征分析确认黄龙病植株；对模型进行1次个体识别试验和2次普适性验证试验。【结果】对于黄龙病植株黄化特征识别，红（R）、绿（G）、蓝（B）、色调（H）和明度（V）在光谱分布上均具备特征性，可作为柑橘黄龙病黄化识别模型的输入变量；对于黄龙病叶片斑驳特征识别，通过叶片左、右部分平均反射率之差（D_(rl)）和上、下部分平均反射率之差（D_(ub)）及波形振幅的平均值（■）可有效排除缺素及其他非黄龙病黄化病害对识别结果的干扰，上述3个指标可作为柑橘黄龙病斑驳特征识别模型的输入变量。在个体识别试验中，对28株柑橘进行基于无人机可见光通道和SVM模型的柑橘黄龙病个体识别，识别准确率达100.00%。在中国南方柑橘黄龙病防治研究中心果场开展的普适性验证试验中，对4383株柑橘进行识别，非黄龙病个体识别准确率达100.00%，黄龙病个体识别准确率为89.47%；在广西南宁市武鸣区四明村果园开展的普适性试验中，非黄龙病个体识别准确率为97.30%，黄龙病个体识别准确率为86.67%。【结论】基于无人机可见光通道和SVM机模型的柑橘黄龙病个体识别方法能较好地识别柑橘种植区的黄龙病植株，且相较于高光谱识别方法成本更低，可在柑橘种植区域黄龙病防治中广泛应用。

【目的】在农业害虫测报中,常常需要从大量的昆虫中识别出几种重要的测报害虫。目前基于图像的农业害虫识别研究,大部分是在有限种类有限样本量基础上进行的农业害虫识别。本研究为了从大量的水稻昆虫图像中识别出9种水稻测报害虫,尝试提出了一种基于多特征融合和稀疏表示的农业害虫图像识别方法。【方法】首先,为了获得最优的农业害虫识别模型,将所有图像进行旋转使昆虫头朝上,按照1﹕2长宽比裁剪图像,使昆虫居中并占据图像大部分区域,将图像进行等比例缩放至统一尺寸48×96像素。提取所有昆虫的HSV颜色特征、局部特征中的HOG特征、Gabor特征和LBP特征。然后,利用单一特征和融合特征分别对训练样本构建过完备字典,字典中的每一个列向量表示一个训练样本,且满足同一类训练样本均在同一个子空间中;应用过完备字典对测试图像进行多特征稀疏表示,通过求解l1范数意义下的优化问题获取稀疏解,使得除测试样本所在的类别外其他的训练样本的系数都是零或接近零的数值。最后,计算稀疏集中指数阈值,用于判断测试样本的有效性,如果测试样本的稀疏集中指数大于该阈值,则认为最小残差所对应的类别即为测试样本的类别,否则认为该测试样本为非测报昆虫。同时,利用相同的特征和训练样本训练SVM分类器对测试样本进行测试,与稀疏表示害虫识别模型进行比较。【结果】利用单一特征训练的稀疏表示害虫识别模型中,基于HOG特征的稀疏表示识别模型获得了9种测报害虫较高的识别率和较低的误检率,分别为87.0%和7.5%;利用颜色特征分别与3种局部特征进行结合获得的稀疏表示识别模型,测试结果表明,基于颜色和HOG特征的稀疏表示识别模型获得了最高的识别率和最低的误检率,分别为90.1%和5.2%;将颜色、HOG和Gabor 3个特征结合获得的稀疏表示识别模型,识别率下降为83.5%,误检率上升为10.3%。利用同样的特征或特征融合训练得到的支持向量机分类器,识别率均低于对应特征获得的稀疏表示识别模型的识别率,而误检率均高于对应特征训练的稀疏表示害虫识别模型的误检率。【结论】基于颜色和HOG融合特征的稀疏表示识别模型获得了较高的农业害虫识别率和较低的误检率;通过稀疏集中指数阈值,有效地排除了非测报昆虫,实现了从大量的农业昆虫中自动识别出需要测报的害虫。

【目的】应用计算机图像处理技术提取昆虫图像特征,提出一种新的特征选择技术筛选昆虫识别相关的特征,以准确、快速地识别出鳞翅目昆虫种类。【方法】基于开源的利兹蝴蝶数据集和拍摄的以森林鳞翅目昆虫为主的数据集,采用改进的纹理特征提取算法(DRLBP)提取鳞翅目昆虫图像纹理特征,应用汉明距离计算的粒子间距离度量种群多样性,提出进化过程中自动调整多样性的方法,给出二进制自适应差分进化算法(BADE)。利用BADE算法筛选合适的较小维数的纹理特征子集,并用基于概率协同表示的分类器(PROCRC)进行图像分类。【结果】PROCRC分类器在所有数据集上均展现出良好分类效果,平均识别率分别为81.73%和88.18%。经特征选择后的昆虫的分类精度显著提升,最高提升率达13.49%。BADE的性能高于其他特征选择算法,且经BADE算法特征选择后纹理数据集的维数和分类所需时间均显著下降,其降维率接近50%,时间减少率最高达50%。【结论】BADE算法可有效进行特征选择,提高识别精度,节约模型的识别时间,利用群体智能优化算法对鳞翅目昆虫图像进行特征选择的方法具有可行性,DRLBP和BADE算法相结合的鳞翅目昆虫识别方法在农林昆虫的快速、准确识别中具有广阔应用前景。

[目的]柑橘的叶片受到病菌感染或虫害侵袭后，导致柑橘树生长发育异常、产量减少甚至死亡。柑橘病虫害检测技术研发对于柑橘种植的可持续发展至关重要，早期检测出柑橘叶片的病虫害能够有效做好措施从而减少损失。[方法]本文基于YOLOv5s模型进行改进，因实际检测过程中存在定位不精确、背景复杂等问题，受VAN（Visual Attention Network）模型的启发，引入LKA（Large Kernel Attention）模块，实现对图像信息的集中关注和精细抽取；使用CARAFE轻量级算子替换常规的上采样方法，提高特征重建质量，解决尺度不匹配问题，进而提高检测性能；使用FReLU激活函数，能够捕捉更多的柑橘病虫害的关键特征，从而提升检测准确度。除此以外构建了一个包含炭疽病、溃疡病和受潜叶蝇病虫所侵害的柑橘叶片数据集，采用该数据集进行试验。[结果]结果显示mAP50达到94.5%，mAP50:95为84.3%，较原模型分别提升了2.0%和4.4%，模型大小仅为7.3 MB。准确率为93.8%，召回率84.5%，浮点运算次数仅为18.5 G。[结论]改进后的模型YOLOv5-LC可以更加准确的检测出柑橘病虫害，能够给柑橘病虫害的相关研究提供参考。

本文介绍了运用T2统计量对服从多元正态分布的统计数据的离群值进行识别的方法。

利用快速独立分量分析(fast independent component analysis,Fast ICA)算法,对混有高斯噪声的2种储粮害虫玉米象Sitophilus zeamais和赤拟谷盗Tribolium castaneum的活动声信号进行去噪,并使用Fast ICA算法识别和分离了2种储粮害虫爬行与翻身的4种活动声信号,证明了使用Fast ICA算法识别混合信号中每种害虫声信号的有效性和准确性。

针对汽车仓储库区的特点，提出了一种基于改进GoogLeNet卷积神经网络的仓储库区障碍物分类识别方法，即对传统GoogLeNet卷积神经网络浅层的Inception模块进行改进，并在此基础上增加四分类全连接层，改进后的卷积池化层作为仓储库区四分类图像数据的特征提取器，对全连接层和输出层进行模型训练。实验结果表明：该障碍物分类识别方法准确率高且识别时间短，大大增加了AGV障碍物检测系统的准确性与鲁棒性。

通过储粮害虫声信号判断害虫活动情况对安全储粮意义重大。本研究采集了2种储粮害虫的活动声信号,首先提取声信号梅尔倒谱系数(MFCC)特征,然后以特征数据建立高斯混合模型(GMM),最后使用聚类方法对2种储粮害虫的4种活动声信号进行识别,识别率均达到80%以上。本研究验证了声检测法识别储粮害虫的可行性和有效性,具有较大的实际应用价值。

为了提高信息查询的效率,本文将自适应谐振神经网络引入中文文档搜索分类之中。在讨论自适应谐振神经网络基本原理的基础上,提出一种新的中文文档的层次聚类算法,从而提高中文文档的分类识别效率。