土壤有机质含量田间实时测定方法

为了实现对土壤有机质含量的快速测定,以关中塿土为材料,研究基于光谱分析的土壤有机质含量测定方法。首先用机载便携式近红外频谱仪采集土壤样本在波长900~1 700 nm范围的漫反射光谱,并对异常样本进行判别和剔除以提高建模精度,在比较2种不同样本划分方法对模型影响的基础上,用连续投影算法(SPA)对建模变量进行最优波长选择,然后通过3种线性建模方法对有机质含量预测结果进行分析,探明偏最小二乘法(PLS)方法效果最好,并建立了径向基(RBF)神经网络预测模型。测试集样本实验结果表明,用PLS建立的预测模型有机质含量测定值和预测值之间的决定系数为0.801 9,均方根误差为0.179 4;用RBF神经网络建模的决定系数和均方根误差分别为0.828 1和0.164 6,两种模型均具有较高的精度,可对有机质含量进行快速预测。     

基于光谱成像技术的温室黄瓜识别方法

为实现温室环境下近色系果蔬的采摘识别,提出了一种基于统计方差结合人工神经网络的光谱选择方法对黄瓜敏感波段进行分析验证,并将选定的光谱组合作为温室黄瓜识别中光谱图像获取的参考依据。结果表明,利用所摄敏感波段的图像信息可有效地解决黄瓜目标与背景的区分问题。综合比较黄瓜作物(果实、叶、花)在不同光谱域的分光反射特性差异,利用方差分解方法获取果实信息的敏感波段,在敏感区域内进行主成分分析,将前4个主成分作为网络输入、作物器官类别作为输出,建立3层BP—ANN验证模型。将160个样本数据按比例分为建模集和预测集,模型对建模集120个样本的正确判别率为100%,对预测集40个样本的正确判别率为95%。说明敏感波段的选择能较好地反映黄瓜作物不同器官间的特性差异。     

鲜枣品种和可溶性固形物含量近红外光谱检

采用近红外光谱分析技术无损鉴别鲜枣品种和测定其可溶性固形物含量.对3个不同品种的鲜枣进行光谱分析,各获取30个样本数据.采用平滑法和多元散射校正方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据.将样本随机分成75个建模样本和15个预测样本,将建模样本的主成分数据作为BP神经网络的输入变量,鲜枣品种和可溶性固形物含量作为输出变量,建立3层人工神经网络鉴别模型,并用该模型对15个预测样本进行预测.结果表明,在阈值设定为±0.17的情况下该模型对预测集样本品种鉴别准确率达到100%,可溶性固形物含量预测值与实测值相对偏差小于10%.     

基于太赫兹衰减全反射技术的花生霉变程度判别

为了能够可靠、快速、便捷地检测花生仁不同程度的霉变,研究了一种基于太赫兹时域光谱技术、分别结合误差反向传播(Back propagation,BP)神经网络算法与支持向量机算法(Support vector machine,SVM)的霉变花生定性分析方法。为排除不同样本带来的偶然性,实验随机采集花育36号、鲁花9号两个花生品种进行霉变培养。依据花生的感官特征与前人的研究经验,将花生分为正常、轻度霉变、中度霉变与严重霉变4类,采用太赫兹衰减全反射技术采集花生仁样本光谱(波段0. 3～3. 6 THz)。利用傅里叶变换方法对时域光谱信号进行频域变换并进行加窗处理,然后对所得频域信号进行光学常数吸光度与吸收系数的提取,得到样本的光学常数信号,并进行特征波段筛选。在此基础上分别建立BP神经网络定性分析模型与SVM定性分析模型。实验表明,BP神经网络模型对花育36号花生霉变模型的预测集识别正确率为88. 57%,对鲁花9号花生霉变模型的预测集识别正确率为91. 40%;Lib-SVM模型对两个品种花生霉变的二分类模型、3类霉变花生的三分类模型的预测集识别正确率均为100%。应用太赫兹时域光谱技术结合SVM算法检测霉变花生仁效果良好,具有一定的可行性。     

基于BP神经网络的土壤养分综合评价模型

以土壤养分指标体系作为神经网络的输入,以土壤养分等级评分作为输出,基于BP神经网络,建立了具有5个隐含层节点、3层网络的土壤养分综合评价模型;以土壤养分指标的各级评价标准作为模型的训练样本和检验样本,利用Matlab软件对BP神经网络进行训练和检验,并对安塞县土壤养分进行综合评价.结果表明BP神经网络对检验样本的模拟输出和期望输出是一致的;对安塞县土壤养分综合评价结果与模糊模式识别、主成分分析结果也是完全一致的.     

基于BP神经网络的烟叶颜色自动分级研究

在形状、身份、油分及颜色等因素中,颜色是影响烟叶等级的一个重要因子。为实现根据烟叶颜色特征对烟叶等级的自动区分,选取贵州黔南地区中部六个等级的烟叶作为实验样本,经过样本采集、预处理,提取出样本的颜色特征值,分析RGB、HIS及HSV三种颜色模型下各颜色分量对烟叶等级影响的研究;基于BP神经网络,依据烟叶等级间差异较大的颜色分量作为神经网络输入因子,从而实现烟叶等级的预测识别。结果显示,用该模型进行烟叶等级预测识别的准确率可达89.17%,耗时仅0.39s。说明根据设计的BP神经网络可实现通过颜色特征对烟叶等级较为准确的预测,可靠性高。     

基于改进VGG16的大米加工精度分级方法研究

为了准确识别大米精度等级,结合超列技术（Hyper column technology,HCT）、最大相关-最小冗余（Max-relevance and min-redundancy,MRMR）特征选择算法和极限学习机（Extreme learning machine,ELM）,提出了基于改进VGG16卷积神经网络的大米分级检测方法。首先,使用机器学习中的OneHot格式进行编码,对数据进行归一化;然后采用VGG16卷积神经网络结合HCT技术作为特征提取器,从而保证从不同的深层结构中提取出局部鉴别特征,共提取5248个大米特征信息;采用MRMR特征选择算法剔除大量冗余的大米图像特征,筛选出最有效的500个特征;最后,利用ELM技术进行大米加工精度分级。将5848个样本图像按6∶3∶1的比例随机分为训练集、测试集与验证集,对模型进行训练与测试,结果表明,基于改进VGG16卷积神经网络的大米加工精度分级模型对1755个测试集大米样本分类的总体准确率达到97.32%,对大米加工精度的分级预测速度在85t/h以上,基本满足大米生产线的分级要求。     

基于树冠图像特征的苹果园神经网络估产模型

针对树上苹果产量的早期估测问题,提出了一种利用果树图像树冠树叶与果实的信息,通过BP(Back propagation)神经网络建立模型进行苹果估产的方法。首先在苹果园内分别获取果树在苹果半熟期、成熟期的数字图像,并在苹果收获时将每棵树上的苹果称量,得到实际产量;采用图像处理方法识别出树冠上的果实及树叶;提取果实区域及树叶区域与产量相关的信息为输入,以果树实际产量为输出,建立基于BP神经网络的半熟期与成熟期估产模型,拟合度R分别达到0.928 7、0.980 4。将模型用于待估产样本,得到半熟期样本估测产量与实际产量拟合度R为0.876 6,成熟期样本估测产量与实际产量拟合度R为0.960 6。结果表明该模型具有较好的预测精度与鲁棒性。     

不同时段刺五加叶片黄酮含量的高光谱无损估测

针对野生刺五加叶片中黄酮含量的测量方法繁琐、时间较长及需破坏叶片等问题,提出了一种基于高光谱技术对不同时段的刺五加叶片中黄酮含量的估算模型。首先,分析提取地域、年龄、长势相近的20株刺五加叶片光谱特征,通过对叶片进行烘干、磨粉及利用紫外分光光度计等化学方法测得叶片中黄酮的真实含量,并选择4种预处理互相结合、比较的方式,判断出最优预处理模型;通过SPA与PCA算法的结合,选择出较明显的特征波段,通过MatLab2018a将特征波段的反射率分别与40组预测集验证相关性后,再分别选取预测值和20组实测值与BP神经网络、支持向量机进行模型建立。实验结果表明:利用BP神经网络建立的模型的校正集决定系数Rc2分别为0.8649、0.7976、0.8485,支持向量机建立的模型的校正集决定系数Rc2分别为0.7526、0.7742、0.7243,证明SNV和1 Der结合的预处理方式与BP神经网络所构建的模型效果最好。研究为高光谱技术对刺五加叶片中黄酮的反演提供了有力的支持,也会提高工业和药用采摘的效率及刺五加的利用价值。     

基于光谱技术的褐飞虱发生程度检测研究

针对水稻褐飞虱虫害程度快速普查问题,利用便携式近红外光谱仪采集受到褐飞虱胁迫的水稻叶片光谱信息,来快速检测水稻虫害程度.通过采集褐飞虱危害期间的水稻叶片光谱数据,对叶片反射光谱进行一阶微分预处理,采用向后区间偏最小二乘波段筛选法和遗传算法,根据RMSECV值确定检测褐飞虱虫害的敏感波长,以敏感波长光谱数据位输入量,利用BP神经网络建立褐飞虱虫量程度检测模型.试验结果表明,水稻接种褐飞虱3天后,可以监测到水稻虫害,第3天、第6天与第9天虫害预测准确率分别为45.2％,86.4％和99.2％.这表明,近红外光谱技术可以快速、准确地预测水稻褐飞虱虫害.     

基于为害状色相多重分形的椪柑病虫害图像识别

为自动识别椪柑病虫害,研究了以椪柑病虫害为害状多重分形谱特性参数为输入变量的小波神经网络病虫害识别方法。利用改进型分水岭算法提取椪柑病虫害为害状边界,对非连续的边界进行边界跟踪,将过分割区域进行区域合并,标记为害状边界,提取标记区域,生成病虫害为害状目标图像;对病虫害为害状目标图像0°~120°这一主要色相区域4等分,产生4幅色相二值图像;对二值图像进行多重分形分析,计算其标度不变区多重分形谱的高度及宽度;以此高度及宽度作为小波神经网络的输入,进行椪柑病虫害识别,5种病虫害的平均识别正确率为87%。试验结果表明:椪柑病虫害为害状的4对多重分形谱高度及宽度值较充分地反映了椪柑病虫害色相累计信息、分布信息及区间形状的典型特征,能用此方法进行椪柑病虫害机器识别。     

基于卷积神经网络的白背飞虱识别方法

为了实现白背飞虱虫情信息的自动收集和监测,提出一种基于卷积神经网络的白背飞虱识别方法并进行应用研究。首先,用改进的野外环境昆虫图像自动采集装置,采集田间自然状态下的白背飞虱图像,对所获取的图像进行归一化处理。然后,随机选取1/2图像样本作为训练集、1/4作为测试集。利用5×5卷积核对训练样本进行卷积操作,将所获取的特征图以2×2邻域进行池化操作。再次经过卷积操作和3×3邻域池化操作后,通过自动学习获取网络模型参数和确定网络模型参数,得到白背飞虱的最佳网络识别模型。试验结果显示,利用训练后的网络识别模型,对训练集白背飞虱的识别正确率可达96.17%,对测试集白背飞虱的识别正确率为94.14%。     

基于改进级联神经网络的大豆叶部病害诊断模型

针对大豆叶部病害性状特征与病种之间的模糊性和不确定性,将数字图像处理技术与神经网络智能推理技术相结合,充分挖掘大豆受病害胁迫后表现性状与病种之间的潜在规律,提出了基于改进级联神经网络的大豆病害诊断模型。首先利用自制载物模板无损采集大田大豆叶部病害数字图像,计算病斑区域的形状特征、颜色特征及纹理特征14维度特征参数;为突显各方面特征对于不同病害种类决定作用的差异性,构建各子神经网络并联的第1级网络,第2级网络的输入为第1级网络的输出,利用多维特征各自优势来自动取得病种模式推理规则,建立了用于大豆叶部病害自动诊断的两级级联神经网络模型,仿真实验准确率为97.67%;同时应用量子遗传计算优化级联神经网络参数,平均迭代次数为743,平均网络误差为0.000 995 445,提高了学习效率,实现了大豆叶部病害的高效自动诊断和精确测报,为大田农作物全面系统地开展作物病害监测、智能施药及自动防治提供了理论依据。     

基于密度估计和VGG-Two的大豆籽粒快速计数方法

为快速准确计数大豆籽粒,提高大豆考种速度和育种水平,本研究提出了一种基于密度估计和VGG-Two（VGG-T）的大豆籽粒计数方法。首先针对大豆籽粒计数领域可用图像数据集缺乏的问题,提出了基于数字图像处理技术的预标注和人工修正标注相结合的快速目标点标注方法,加快建立带标注的公开可用大豆籽粒图像数据集。其次构建了适用于籽粒图像数据集的VGG-T网络计数模型,该模型基于VGG16,结合密度估计方法,实现从单一视角大豆籽粒图像中准确计数籽粒。最后采用自制的大豆籽粒数据集对VGG-T模型进行测试,分别对有无数据增强的计数准确性、不同网络的计数性能以及不同测试集的计数准确性进行了对比试验。试验结果表明,快速目标点标注方法标注37,563个大豆籽粒只需花费197 min,比普通人工标注节约了1592 min,减少约\mathrm{96}\%的人工工作量,大幅降低时间成本和人工成本;采用VGG-T模型计数,其评估指标在原图和补丁（patch）情况下的平均绝对误差分别为\mathrm{0.6}和\mathrm{0.2},均方误差为0.6和0.3,准确性高于传统图像形态学操作以及ResNet18、ResNet18-T和VGG16网络。在包含不同密度大豆籽粒的测试集中,误差波动较小,仍具有优良的计数性能,同时与人工计数和数粒仪相比,计数11,350个大豆籽粒分别节省大约\mathrm{2.493}\text{?}\mathrm{h}和\mathrm{0.203}\text{?}\mathrm{h},实现大豆籽粒的快速计数任务。     

粗糙神经网络在施肥决策系统中的应用

针对施肥过程中普遍存在的非线性和不确定性问题,构建了基于粗糙集理论和神经网络相结合的施肥决策系统模型。该方法应用粗糙集理论对神经网络的输入数据进行预处理,提取其中的关键成分作为神经网络的输入,提高网络的收敛速度和逼近速度,并以芸豆在同一农田重复进行种植的实验数据进行验证。结果表明,此模型不仅较公平、合理,而且提高了神经网络模型的学习效率。     

基于RFID和图像处理的目标物识别处理系统的研究

介绍了RFID技术和图像处理技术,研究了基于图像处理和卷积神经网络的水果识别与分类模型,设计了一套水果目标物识别处理系统,可以实现对苹果、梨子、水蜜桃和香蕉等4种水果的识别与分类。实验结果表明:卷积神经网络模型采用自主学习型的网络,识别错误率只有0.93%,相比其他传统模型分类错误率降低较多,证明了卷积神经网络模型性能优良,具有较好的可行性。     

基于Elman小波神经网络的垦区地下水位预测模型研究

在现有Elman神经网络和小波分析理论研究的基础上,提出了Elman小波神经网络模型。给出了Elman小波神经网络梯度下降法训练的推导过程,为了避免梯度下降法收敛速度慢、容易产生振荡和陷入局部最优等缺点,在Elman小波神经网络的训练过程中引入动量项和自适应学习速率,并将该网络应用到垦区地下水位预测中,取得了良好的预期效果。在训练过程中,该网络具有收敛速度快,精度高等优点,同时也具有较好的泛化能力。     

基于人工神经网络的离心泵叶轮边界涡量流预测

根据边界涡量动力学理论,从边界涡量流在离心泵叶轮内表面的分布情况,可获知叶轮的受力状况,进而改进叶轮设计.以BP神经网络和径向基神经网络为建模手段,以叶轮内表面的边界涡量流为预测目标,通过高精度的CFD计算获得70个离心泵叶轮内表面的BVF分布,建立可用于训练人工神经网络的初始样本集;再利用63个初始样本建立离心泵叶轮几何参数和边界涡量流的非线性映射关系,并用剩余的7个校对样本进行测试.根据神经网络预测结果和数值模拟计算结果的误差分析,确定最适用于离心泵叶轮边界涡量流预测的神经网络类型.研究表明:径向基(RBF)神经网络的预测精度高于BP神经网络,其训练时间更短、运行稳定性更高;径向基函数的宽度对RBF神经网络的预测性能有较大影响,当径向基函数宽度取0.3时,RBF神经网络的预测性能最佳,预测误差仅0.020 3;RBF神经网络预测所得叶轮内表面的边界涡量流分布,可以作为评价叶轮水力设计优劣的重要指标,进而指导叶轮机械的优化设计.     

基于计算机视觉和神经网络的芒果检测与等级分类

为了提高芒果检测与分类的准确率和效率,综合运用计算机视觉技术和BP神经网络技术,实现对芒果损伤的检测与分类。首先,通过计算机视觉系统获取芒果图像,利用图像处理去除噪声、图像分割和图像增强等多种基本图像处理的方法,对芒果损伤图像进行处理;其次,对芒果图像进行了特征分析,提取9个特征参数,将这9个特征参数作为输入,建立BP神经网络模型,对芒果进行分类。试验结果表明,模型对芒果识别的准确率达85.5%。     

基于神经网络的柴油机韦博参数预测研究

韦博公式作为柴油机零维燃烧模型中较通用的放热率计算半经验公式,被广泛应用于柴油机工作过程的仿真中,其模拟的准确性主要依赖于公式中参数的选取,但常规选取方式存在一定的盲目性且普适性较差。针对这一问题,以上柴D4114B型发电用柴油机为例,提出了一种基于神经网络的柴油机韦博公式参数的预测方法,通过实验所测缸压曲线反推燃烧放热率、放热率曲线的数值拟合和神经网络的训练建立可用于韦博公式参数预测的神经网络模型,通过预测精度评价、预测结果与实验数据的对比,验证了这种预测方式的准确性。最后,基于该方法建立了柴油机的动态仿真模型,通过部分参数实验值与仿真值的比较,证明该方法在柴油机动态仿真中的可行性。