基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

基于深度卷积神经网络的番茄主要器官分类识别方法

为实现番茄不同器官的快速、准确检测,提出一种基于深度卷积神经网络的番茄主要器官分类识别方法。在VGGNet基础上,通过结构优化调整,构建了10种番茄器官分类网络模型,在番茄器官图像数据集上,应用多种数据增广技术对网络进行训练,测试结果表明各网络的分类错误率均低于6.392%。综合考虑分类性能和速度,优选出一种8层网络用于番茄主要器官特征提取与表达。用筛选出的8层网络作为基本结构,设计了一种番茄主要器官检测器,结合Selective Search算法生成番茄器官候选检测区域。通过对番茄植株图像进行检测识别,试验结果表明,该检测器对果、花、茎的检测平均精度分别为81.64%、84.48%和53.94%,能够同时对不同成熟度的果和不同花龄的花进行有效识别,且在检测速度和精度上优于R-CNN和Fast R-CNN。     

改进Faster-RCNN自然环境下识别刺梨果实

为了实现自然环境下刺梨果实的快速准确识别,根据刺梨果实的特点,该文提出了一种基于改进的Faster RCNN刺梨果实识别方法。该文卷积神经网络采用双线性插值方法,选用FasterRCNN的交替优化训练方式(alternating optimization),将卷积神经网络中的感兴趣区域池化(ROI pooling)改进为感兴趣区域校准(ROI align)的区域特征聚集方式,使得检测结果中的目标矩形框更加精确。通过比较Faster RCNN框架下的VGG16、VGG_CNN_M1024以及ZF 3种网络模型训练的精度-召回率,最终选择VGG16网络模型,该网络模型对11类刺梨果实的识别精度分别为94.00%、90.85%、83.74%、98.55%、96.42%、98.43%、89.18%、90.61%、100.00%、88.47%和90.91%,平均识别精度为92.01%。通过对300幅自然环境下随机拍摄的未参与识别模型训练的刺梨果实图像进行检测,并选择以召回率、准确率以及F1值作为识别模型性能评价的3个指标。检测结果表明:改进算法训练出来的识别模型对刺梨果实的11种形态的召回率最低为81.40%,最高达96.93%;准确率最低为85.63%,最高达95.53%;F1值最低为87.50%,最高达94.99%。检测的平均速度能够达到0.2 s/幅。该文算法对自然条件下刺梨果实的识别具有较高的正确率和实时性。     

基于L-M优化算法的BP神经网络的作物需水量预测模型

应用L-M优化算法BP神经网络，通过多维气象数据(太阳辐射、空气温度、湿度)与作物需水量的相关分析，来确定网络的拓扑结构，建立作物需水量的人工神经网络模型。用美国田纳西州大学高原实验室所测的100 d气象数据为输入、作物需水量为输出来训练建立好的BP神经网络，仿真表明该神经网络能很好地解决需水量多影响因素之间的不确定性和非线性，模型的预测精度较高，同时通过一组非样本天气环境参数和作物需水量来验证该神经网络，也得到了较好的预测结果，能够满足灌溉的精度要求。     

采用机器视觉与自适应卷积神经网络检测花生仁品质

该文以花生质量自动化检测为研究目标,提出了一种基于机器视觉与自适应卷积神经网络的花生质量检测方法。构建花生图像数据库用于识别花生的常见缺陷,包括霉变、破碎、干瘪等;然后建立卷积神经网络自动提取花生图像特征。为避免深层网络训练时间过长,分别将二次函数与正态分布模型引入网络损失中,同时从网络的损失与权值2方面提出自适应学习率,并分别结合梯度下降与梯度上升法更新网络。为提高模型的泛化能力,引进迁移学习算法,分别在网络的特征层与分类层后加入领域自适应,实现跨领域与跨任务的检测。试验结果表明,该方法对花生常见缺陷的平均识别率达99.7%,与传统的深度网络相比实现了更高的收敛速度与识别精度。     

基于密度参数K-均值算法的RBF网络及其在降水量预测中的应用

径向基函数（Radial Basis Funtion,简称RBF）神经网络是一种收敛速度快、逼近能力强的前馈型神经网络。为提高网络的训练速度,采用基于密度参数的K-均值算法,消除传统K-均值算法对初始聚类中心的敏感性,构建了基于K-均值算法的RBF降水预报模型,并应用于挠力河流域的友谊农场汛期月降水量预报中,以检验所建模型的有效性。结果表明,与标准的K-均值算法RBF网络模型和BP（Back Propagation）网络模型相比,所构建的RBF降水预报模型对2008年,2009年,2010年各年间汛期（6—9月）降水量的预测平均相对误差为9.270 7％;确定性系数为0.96。预报精度均有所提高,且满足水文预报要求。     

基于BP人工神经网络的长江河口地区土壤盐分动态模拟及预测

为开展长江河口地区土壤盐分动态的中长期模拟与预测,采用人工神经网络中应用较为成熟和广泛的BP网络建立长江河口地区土壤盐分与降雨量、蒸发量、长江水电导率、内河水电导率、地下水位、地下水电导率6因子间的非线性神经网络响应模型。网络模型结构为6-11-1,隐含层单元数用"试错法"确定。选择合适的参数训练和学习网络模型后,对河口地区2003年各月平均根层土壤电导率进行预测,并与线性回归模型预测结果进行比较。结果表明:BP网络模型较线性回归模型具有更高的预测精度,平均相对预测误差为7.3%,预测值与实测值相关性良好,可以满足实际应用需求。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。     

基于气象因子的长三角地区农田站点土壤水分时间序列预测

以长三角3省1市为研究区,旨在构建长三角地区土壤水分长时间序列,为农业生产和遥感算法提供数据支撑。研究基于空间匹配的站点土壤水分数据和气象数据,利用主成分分析得到4个有效主成分作为线性回归和BP神经网络模型的输入因子,建立土壤水分与气象因子间的定量关系,并评估所构建模型的精度。结果表明,基于全部站点数据建立的单一BP神经网络模型优于单一线性回归模型。单一线性回归模型的R 2=0.34,RMSE=0.046 m³/m³,MAE=3.67%;而单一BP神经网络模型的训练、验证和测试3个数据集的R 2均在0.64以上,RMSE<0.043 m³/m³,MAE低于3.4%。根据逐个站点分别构建分站点的BP神经网络模型,其总体精度高于基于全部站点数据构建的单一BP神经网络模型。分站点构建的BP神经网络模型的总体精度方面,3个数据集的R 2均值在0.75以上,RMSE<0.039 m³/m³,MAE低于3%。通过对逐个站点分别构建BP神经网络模型,获得了精度较高、较稳定的土壤水分拟合结果。     

基于改进YOLOv5s和迁移学习的苹果果实病害识别方法

为实现对苹果果实病害的快速准确识别,提出了一种基于改进YOLOv5s的果实病害识别模型：GHTR2-YOLOv5s （YOLOv5s with Ghost structure and TR2 module）,并通过迁移学习策略对其进行优化。在YOLOv5s基础上通过加入幻影结构和调整特征图整体宽度得到小型基线模型,通过卷积块注意力模块（Convolutional Block Attention Module, CBAM）和加权双向特征金字塔网络（Bidirectional Feature Pyramid Network, BIFPN）提高模型精度,使用TR2（Two Transformer）作为检测头增强模型对全局信息的获取能力。改进后模型大小和识别速度为2.06 MB和0.065 s/张,分别为YOLOv5s模型的1/6和2.5倍;IoU阈值为0.5下的平均精度均值（mAP0.5）达到0.909,能快速准确地识别苹果果实病害。研究通过在线图像增强与迁移学习相结合的方式提高模型收敛速度,进一步提高模型精度,其mAP0.5达到0.916,较原始模型提升8.5%。试验结果表明,该研究提出的基于GHTR2-YOLOv5s和迁移学习的苹果病害识别方法有效优化了模型训练过程,实现了占用较少计算资源的情况下对苹果病害进行快速准确地识别。     

应用人工神经网络预测马尾松毛虫的有虫面积

运用人工神经网络的原理和方法，选取与马尾松毛虫发生量相关关系密切的8个气象因子作为样本的输入特征，建立马尾松毛虫有虫面积与气象因子的BP网络模型，结果表明：所建立的BP模型，具有令人满意的拟合精度和预测精度。当隐含层神经元个数为15个，输入因子数为8个时，18组有虫面积的平均拟合精度为100％，相关系数为1．0000，2组预留有虫面积的平均预测精度为96．85％，预测准确率为100％。     

改进烟花算法和概率神经网络智能诊断齿轮箱故障

针对复杂环境下农机设备的齿轮箱系统在故障诊断时存在易受现场噪声干扰和故障识别率低等问题,提出了一种基于改进的烟花算法和概率神经网络的齿轮箱智能故障诊断方法。为提高现有概率神经网络模式分类方法的性能,定义了一项样本相似度衡量指标以提高建模过程中训练样本的质量。将烟花算法与概率神经网络技术有机融合提出了一种改进的烟花算法-概率神经网络模式分类方法,利用烟花算法优化概率神经网络的平滑参数以确定网络参数的最优值,提高模式分类与识别精度。将改进的烟花算法-概率神经网络模式分类方法用于噪声环境下齿轮箱的故障诊断建模,构建故障特征参量与齿轮箱工作状况间的复杂非线性映射关系。应用结果表明,与基于BP神经网络、GABP(genetic algorithm back propagation)神经网络和概率神经网络的故障诊断模型相比,在不同程度噪声影响下烟花算法-概率神经网络模型均具有最高故障识别率。当噪声控制系数为0.01、0.02、0.04和0.06时,模型的故障识别率分别为100%、95.83%、93.33%和88.33%。该研究可为非线性复杂系统的故障诊断提供了一种可行的解决方案。     

基于主成分分析和集成神经网络的发动机故障诊断模型研究

针对发动机废气排放参数和故障之间复杂的非线性关系，提出了一种基于主成分分析和集成神经网络技术的发动机故障诊断分析模型。该模型首先运用主成分分析方法降低故障诊断样本的输入维数，然后按发动机不同运转状态将样本分组，并用于子网络训练；故障诊断时，各子网络分别诊断出相应的结果，最后采用投票法融合各输出结果。试验结果表明，这种模型能有效简化训练样本和样本属性参数，优化网络结构，其诊断精度及学习能力优于单一神经网络诊断模型，能较好地解决网络规模大、训练速度慢、诊断精度低等缺点。     

Performance of European Artificial Neural Network (ANN) Calibrations for Moisture and Protein in Cereals Using the Danish Near‐Infrared Transmission (NIT) Network

Three problems need to be addressed in networks of Infratec Grain Analysers: 1) the networks are not interconnected, 2) the partial least squares (PLS) calibrations used so far have to be individually adjusted for bias when transferred to the slave instruments, and 3) the calibrations are not entirely stable over time. Nonlinear artificial neural network (ANN) calibrations based on a large common European data set (≈4,000 samples in the training sets and ≈1,000 samples in the stop sets) were introduced to overcome these constraints. The performance of these ANN calibrations was compared with Danish PLS models for protein and moisture in cereals during the 1998 harvest in Denmark, and subsequently with PLS models based on the same European data set. ANN models were more accurate than PLS and, unlike PLS, were linear and transferable up to 25% moisture. It is suggested that the improved performance of the ANN models is attributable to the modeling technique rather than the size and nature of the European data set. In most cases, ANN models could be applied directly and without bias adjustment to slave instruments. The ANN models were also more stable, they required fewer bias adjustments or remodeling over time compared with Danish PLS models. ANN calibrations using shared data have been adopted for commercial use in several European countries and work is in progress to develop global ANN models for determination of protein in wheat and barley.     

离散小波变换和BP神经网络识别玉米种子纯度

摘要：为快速有效地识别玉米种子纯度,针对玉米种子图像特征,对其图像处理方法和分类算法进行研究,提出一种基于离散小波变换和BP神经网络玉米种子纯度识别算法。该方法首先提取玉米种子冠部核心区域的RGB颜色模型特征参数,然后对三个色彩分量分别进行二层离散小波变换,提取各频带区域均值作为BP神经网络的输入样本,玉米种子的纯度分类作为神经网络的输出样本。实验结果表明该方法可准确识别玉米纯度并分类,正确识别率达94.5%。     

基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测

冬小麦是中国重要的粮食作物，开展县级冬小麦产量预测对粮食宏观调控和农业精准化发展具有重要指导意义。该研究从县级产量预测角度出发，结合卷积神经网络（Convolutional Neural Networks，CNN）和反向传播神经网络（Back Propagation Neural Networks，BP）技术提出了冬小麦县级产量预测方法，使用CNN卷积神经网络对Sentinel-2遥感数据进行冬小麦种植区的分析和提取，将得到的种植区分布数据与MODIS EVI数据和耕地分布数据进行了融合，利用BP神经网络对融合后的数据进行产量特征提取和预测并选取均方根误差（Root Mean Square Error，RMSE）、平均绝对误差（Mean Absolute Error，MAE）和样本决定系数（Coefficient of Determination，R2）作为精度指标对试验结果进行分析和评价。结果表明，基于CNN卷积神经网络和BP神经网络的冬小麦县级产量预测方法在山东省2014－2016年冬小麦县级产量验证集中R2达到0.87以上，MAE低于269.48 kg/hm2，RMSE低于346.56 kg/hm2，93%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.2%；在河南省2015－2019年冬小麦县级产量验证集中R2达到0.96以上，MAE低于304.84 kg/hm2，RMSE低于418.14 kg/hm2，91%的县单产相对误差小于9%，试验结果平均值与中位数的偏差小于1.6%，方法所构建模型具有良好的预测准确率、鲁棒性和泛化性，可以实现县级尺度下的冬小麦产量预测。     

基于机器视觉的番茄内部品质预测

为了实现番茄内部品质的实施快速检测,利用机器视觉技术,从“定性”和“定量”两方面进行了番茄内部品质预测方法的研究。首先设计开发了番茄图像采集机器视觉系统,可分别从3个不同高度：0.5、1、1.5 m和6个不同方向：上、下、左、右、前、后采集番茄图像。视觉系统利用4个卤素灯作为光源,内部亮度恒定为600 lx。然后收集了68个不同生长阶段的番茄样本,样本根据是颜色从未成熟阶段（绿色）到成熟阶段（红色）被分为了5个等级。在利用开发的机器视觉系统采集了番茄样本的图像之后,通过RGB色彩模型、L*a*b*色彩模型     

地面水质评价的RBF神经网络方法

借助神经网络方法处理非线性问题的优势 ,采用径向基函数 (RBF)来构造多层前馈 BP神经网络。根据某流域水系的水质监测的数据 ,建立一个对地面水质进行判别的多层前馈网络数学模型。以地面水质污染主要的 7项指标为训练样本 ,利用该网络对水质进行评价 ,并将计算结果与其它方法进行比较分析。结果表明 ,该方法收敛速度较快 ,预测精度很高 ,效果优于其它方法     

基于数据挖掘分类法的农用地分等

应用决策树模型、BP神经网络和Logistic回归模型等分类法,对龙川县农用地分等进行了实证研究,并对各方法的分等结果有效性进行了评价,同时利用混淆矩阵探讨了样本数量对3种模型分类精度的影响。结果表明,样本数量对模型影响有差异,其中对BP神经网络和决策树模型影响较大,在较多训练样本时,模型的精度较高。在较多样本支持下,BP神经网络精度最高,但训练模型的时间较长,可解释性差;决策树模型既具有较高的精度又具有良好的可解释性;Logistic回归模型表现较差。决策树模型最适合龙川县农用地分等工作。研究结果表明,数据挖掘分类法是有效而准确的土地评价方法,有助于提高土地评价的精度和准确性,对农用地分等方法的优化具有一定的借鉴意义。     

基于改进灰度共生矩阵和粒子群算法的稻飞虱分类

针对稻飞虱远程实时识别采集图像质量不高而无法使用颜色特征的问题,应用灰度共生矩阵提取的纹理特征值对稻飞虱分类进行了研究。采用自行设计的拍摄装置采集稻飞虱图像,经过一系列预处理后得到去掉背景的稻飞虱灰度图像;对灰度图像采用改进的灰度共生矩阵提取纹理特征值,再用反向传播BP(back propagation)神经网络和参数改进粒子群算法优化BP神经网络分别进行训练和测试,以此检验纹理特征值的识别效果和粒子群算法的优化效果。试验用Matlab验证算法,对白背飞虱、灰飞虱和褐飞虱共300个样本进行了训练和测试,结果表明基于参数选择改进粒子群算法优化BP神经网络的识别率总体达到了95%,比直接用BP神经网络的识别率高,而且经过Matlab测试,训练时间只用了0.5683s,说明粒子群算法更满足实时性要求。