模型的效率在计算机视觉中变得越来越重要.本文通过研究用于火焰检测的神经网络结构,提出了几个关键的优化方案,以提高模型效率和检测效果.第一,提出一种由多卷积组合结构构建的主干网络(FIRE-Net),它能高效地从多个尺度上提取丰富的火焰特征;第二,提出一种改进的加权双向特征金字塔网络(BiFPN-mini)以快速地实现多尺度特征融合;第三,提出一种新的注意力机制(FIRE-Attention),让检测器对火焰特征更敏感.基于上述优化,本文开发出了一种全新的火焰检测器FIRE-DET,它在硬件资源有限的条件下能够取得比现有基于深度学习的火焰检测方法更高的检测效率.FIRE-DET模型在自建数据集上进行训练后,最终对火焰检测的准确率和帧率分别达到97％和85 FPS.实验结果表明,与主流算法相比,本文火焰检测模型检测性能更优.本文为解决火焰探测问题提供了一个更通用的解决方案.

一般基于深度学习的火焰检测方法识别效率不够理想,主要原因是特征提取网络中参数较多.对此,提出了一种基于UO-Net模型的火焰检测方法.UO-Net模型是在YOLOv3模型基础上建立的一种端到端的深度神经网络模型.该方法采用多卷积核组合结构,减少特征提取网络层的通道数.同时,提出了一种图像分割网络来加快模型的训练速度,并利用图像分割网络的注意力图来指导检测模型对火焰进行检测,从而提高火焰检测模型的性能.在Bilkent大学公开的火焰数据库VisiFire和真实场景数据集上对U O-Net模型进行了测试,最终识别准确率和帧率分别达到96.6％ 和42 f/s.实验结果表明,该方法能够从轻量级网络中提取火焰特征,检测速度和检测精度均优于现有的其他方法.

研究计算机视觉技术在蔬菜病害诊治中的应用,构建黄瓜、番茄等常见蔬菜的病害图片库,对图片库中的图片和待检测图片进行预处理,并使用PCA算法对图像提取特征,得到蔬菜病害的特征库;提取待检测的病害图片的特征,使用余弦相似度与病害特征库比较,检测出病害图像.实验结果表明,将PCA算法应用到蔬菜病害的图像识别,有较好的识别效果.

相关系数是概率论课程中的一个非常重要但又难于理解的概念.文章从相关系数概念的特点入手,探讨该内容的教学安排.在教学过程中引入与生活息息相关的实际案例,采用改进的教学方法,适当地安排教学内容,激发学生的学习兴趣,可以有效地改善教学效果,深化学生对该概念的理解.

为准确诊断和防治设施蔬菜病害提供有效工具,本研究系统收集了设施蔬菜作物(黄瓜、番茄和辣椒)43种病害的症状特征和相关病害防治管理知识,将病害的典型症状和一般症状进行特征提取,依据专家经验形成203条知识规则,将病害诊断知识数值化与产生式规则相结合对知识进行有效的表达,建立了病害诊断与管理知识库.以SQL Server 2005作为数据库管理工具,建立了系统动态数据库.数据库用于存放用户输入病症信息、已知病症事实和推理过程产生的中间信息及最终结论.采用最佳优先搜索作为搜索策略,使用正向推理和正反混合推理,利用我们前期建立的“一步诊断”和“深入诊断”两个诊断推理模型实现病害诊断.利用Visual Studio 2008作为开发工具,综合集成知识库、数据库和推理模型,建立了基于Web的设施蔬菜病害诊断与防治管理专家系统.系统具有病害查询、病害诊断、病害防治与管理方法等查询与咨询功能,此外,专家也可在后台随时更新和添加新的蔬菜作物及病害.本研究建立的系统可为主要设施栽培蔬菜作物(黄瓜、番茄和辣椒)43种病害的早期诊断和防治管理提供决策支持.

Knowledge expression and disease diagnostic reasoning are essential for the development of decision support systems for diagnosis and management of plant diseases. In this study, plant disease diagnosis knowledge was collected and summarized. Numerical expression of the disease diagnosis knowledge was achieved by using the principle of fuzzy mathematics and the multiple proportion method of evaluation. The numerical expression of the disease diagnosis knowledge was then combined with the "object - attribute - value triples act" (referred as OAV act) and the production rules to achieve effective expression of the disease diagnosis knowledge, and based on which,, two inference models for one-step diagnosis and two-step detailed diagnosis were developed by using fuzzy reasoning method to simulate the diagnostic reasoning of experts. The best-first search method and C # computer language were used for developing and programming the inference models. The knowledge expression and disease diagnostic reasoning models developed in this study can be used for the development of decision support system for disease diagnosis and management of greenhouse fruit and vegetable crops.