多分类支持向量机在泥石流危险性区划中的应用

以凉山州安宁河流域129个乡镇的泥石流危险性区划资料为依据,随机选取总样本数的2/3和1/2作为训练样本,建立不同数量训练样本下安宁河流域泥石流危险性区划的多分类SVM模型,进行以乡镇为单元的区域泥石流危险性评价研究。评价结果表明,SVM模型的预测精度随着训练样本数量的增加而提高;2个SVM模型对测试样本的预测准确率均高于相应的BP神经网络模型,对训练样本的回判准确率高于或接近于BP神经网络模型。因此,支持向量机方法是一种比神经网络方法具有更优精度和更强泛化性能的新机器学习方法,在泥石流危险性评价实践中具有十分广阔的应用前景和推广应用价值。     

基于半监督学习的松林变色疫木检测方法

针对模型训练中数据标注成本过高的问题，提出一种基于无人机图像分析的半监督变色疫木目标检测方法。该方法提出级联抗噪声半监督目标检测模型（Cascade Noise-Resistant Semi-supervised object detection，CNRS），使用抗噪声学习提升模型对伪标签的学习质量；通过级联网络解决训练中正负样本的分布问题；使用ResNet50和特征金字塔网络结构增强模型对多尺寸和小目标疫木的识别能力；在监督学习阶段使用FocalLoss，提升网络对边缘目标和早期疫木等困难样本的学习，使用SmoothL1Loss保证梯度相对稳定；在RCNN阶段使用软化非极大抑制软化检测框剔除过程。该文提出的半监督目标检测模型CNRS使用训练集中半数标注的数据进行训练，试验结果表明，最优模型在测试集上的平均精度（Average Precision，AP）可达87.7%，与Faster RCNN使用完全标注数据相比，标注量减少了50%，且AP提升了2.3个百分点，与同时期最先进的半监督模型Combating Noise相比，AP提升了1.6个百分点。该方法在准确检出多种不同形态疫木的基础上，大幅度降低了数据标注成本，为农林病虫害防治提供了可靠的数据支持。     

基于稀疏表示的大米品种识别

为了实现机器视觉准确判别大米品种,提出了一种基于稀疏表示的大米品种识别方法。以长江米、圆江米、粳米、泰国香米、红香米和黑米等6种大米籽粒图像作为研究对象,采用颜色和形态结构参数表示单个籽粒。每种大米随机选取50粒作为训练样本,200粒作为测试样本。所有训练样本组成稀疏表示方法的数据词典,对每一个测试样本,计算其在数据词典上的投影,将具有最小投影误差的类作为测试样本所属的品种。最后将提出的方法与BP网络和SVM的识别结果做了对比和分析。试验结果表明,提出的方法对于6个大米品种的综合识别准确率为99.6%,获得了最好的分类效果。为大米品种的识别提供了一种新的有效方案。     

采用卷积神经网络构建西北太平洋柔鱼渔场预报模型

对远洋渔场资源和位置进行预报可以为远洋渔业生产及管理提供重要信息。该研究针对西北太平洋柔鱼渔场，利用海洋表面温度遥感信息和中国远洋渔船生产资料，基于深度学习原理，选取卷积神经网络构建西北太平洋柔鱼渔场预报模型。根据不同月份、不同通道构建了多种数据集，用于训练渔场预报模型。训练结果表明，4个通道组合的数据集的训练结果最优，渔汛早期（7-8月）、中期（9月）和后期（10-11月）测试样本的准确率分别为80.5%、81.5%和81.4%。以2015年的真实渔场数据对模型进行验证，模型的平均召回率为82.3%，平均精确率为66.6%，F1得分平均值为73.1%，预测的高产渔区与实际作业的高单位捕捞努力量渔获量区基本匹配。该研究构建的渔场预报模型可以获得较好的准确率，可为其他鱼种的渔场预报模型构建提供新的思路。     

基于时延神经网络的多深度土壤含水率预测

为精准预测大田土壤含水率,并掌握不同深度土壤含水率分布规律,针对大田土壤含水率时序数据的非线性特点及相邻深度土壤含水率间具有较强关联关系,该文建立3层时延神经网络大田多深度土壤含水率预测模型,用以实现对6个不同深度(10、20、30、40、50和70 cm)土壤含水率预测。利用试验法确定预测模型的隐含层节点个数、训练学习算法和训练集样本量。试验结果表明:隐含层使用10个节点,采用L-M(Levenberg-Marquardt)训练算法,采用45%样本集数据作为训练样本,55%作为测试样本集,对所建预测模型进行预测,10和20 cm的预测相对误差小于7%,而30、40、50和70 cm的预测相对误差小于4.5%。因此利用基于时延神经网络的多深度土壤含水率预测模型,可为掌握土壤含水率分布动态变化规律提出一种解决方案。     

采用改进YOLOv4算法的大豆单株豆荚数检测方法

大豆单株豆荚数检测是考种的重要环节,传统方法通过人工目测的方式获取豆荚类型和数量,该方法费时费力且误差较大。该研究利用大豆单株表型测量仪采集到的表型数据,通过融合K-means聚类算法与改进的注意力机制模块,对YOLOv4目标检测算法进行了改进,使用迁移学习预训练,获取最优模型对测试集进行预测。试验结果表明,该研究模型的平均准确率为80.55%,数据扩充后准确率达到了84.37%,比育种专家目测准确率提高了0.37个百分点,若不考虑5粒荚,该研究模型的平均准确率为95.92%,比YOLOv4模型提高了10.57个百分点,具有更强的检测性能。在简单背景的摆盘豆荚检测中,该研究模型预测的平均准确率达到了99.1%,比YOLOv4模型提高了1.81个百分点,研究结果表明该模型在不同场景下的大豆豆荚检测中具有较强的泛化能力,可为大豆人工智能育种提供参考。     

基于预瞄模型的农机路径跟踪预测控制方法

为了提高农机路径跟踪系统控制性能对作业速度变化的适应性,该研究提出一种基于预瞄运动学模型的快速预测控制方法。采用预瞄跟随理论建立预瞄航向误差模型,并将其作为输出方程与路径跟踪误差常规状态方程联立,构建预瞄运动学状态空间误差模型,进而运用模型预测控制算法与输入参数化衰减策略设计路径跟踪控制律。仿真试验结果表明,在不同作业速度下,预瞄模型预测控制器的直线路径跟踪横向误差均渐近趋于0,行驶曲线均无超调;当作业速度为1、3与5 m/s时,预瞄模型预测控制器的圆形路径跟踪横向最大绝对误差分别为8.52、10.42和10.82 cm,标准差分别为3.96、5.83和6.17 cm;当控制时域为10、30与60时,预瞄模型预测控制器的运算周期相对常规模型预测控制器分别减小7.5%、43.0%和48.5%;与常规模型预测控制相比,预瞄模型预测控制能够在确保路径跟踪系统控制精度的同时有效改善系统的动态性能和提高系统的实时性,使不同作业速度下的跟踪效果更加均衡。田间测试结果表明,在0.5～5 m/s作业速度范围内,预瞄模型预测控制器对作业速度变化具有较强的适应性,能够使农机快速平稳地跟踪参考路径并具有较高的控制精度,其直线路径跟踪的横向最大绝对误差均值小于5.5 cm、标准差均值小于2.5 cm,圆形路径跟踪的横向最大绝对误差均值小于15.5 cm、标准差均值小于8.5 cm,跟踪效果满足农机实际作业要求,适于复杂作业环境或高速作业场合。     

基于自生成标签的玉米苗期图像实例分割

在植物图像实例分割任务中，由于植物种类与形态的多样性，采用全监督学习时人们很难获得足量、有效且低成本的训练样本。为解决这一问题，该研究提出一种基于自生成标签的玉米苗期图像实例分割网络（automatic labelling based instance segmentation network，AutoLNet），在弱监督实例分割模型的基础上加入标签自生成模块，利用颜色空间转换、轮廓跟踪和最小外接矩形在玉米苗期图像（俯视图）中生成目标边界框（弱标签），利用弱标签代替人工标签参与网络训练，在无人工标签条件下实现玉米苗期图像实例分割。试验结果表明，自生成标签与人工标签的距离交并比和余弦相似度分别达到95.23%和94.10%，标签质量可以满足弱监督训练要求；AutoLNet输出预测框和掩膜的平均精度分别达到68.69%和35.07%，与人工标签质量相比，预测框与掩膜的平均精度分别提高了10.83和3.42个百分点，与弱监督模型（DiscoBox和Box2Mask）相比，预测框平均精度分别提高了11.28和8.79个百分点，掩膜平均精度分别提高了12.75和10.72个百分点；与全监督模型（CondInst和Mask R-CNN）相比，AutoLNet的预测框平均精度和掩膜平均精度可以达到CondInst模型的94.32%和83.14%，比Mask R-CNN模型的预测框和掩膜平均精度分别高7.54和3.28个百分点。AutoLNet可以利用标签自生成模块自动获得图像中玉米植株标签，在无人工标签的前提下实现玉米苗期图像的实例分割，可为大田环境下的玉米苗期图像实例分割任务提供解决方案和技术支持。     

基于人工嗅觉的粮食霉变识别方法的研究

发霉的粮食含有对人、畜有危害的霉菌毒素,为了对粮食是否发霉提供一种简单客观的判别方法,研制了一套人工嗅觉系统。该系统主要由气体传感器阵列、气路系统、信号调理电路、数据采集系统及模式识别软件组成。为了提高识别的准确率,利用采集数据中最大响应点及其左右各相隔一定时间的两个点作为3个特征值,并采用3层优化BP神经网络对样本特征值进行训练。经测试,训练样品的回判准确率和测试样品的准确率均为100％,说明该人工嗅觉系统是准确、有效的。     

基于改进SSD的柑橘实时分类检测

针对人工分拣柑橘过程中,检测表面缺陷费时费力的问题,该文提出了一种基于改进SSD深度学习模型的柑橘实时分类检测方法。在经改装的自制打蜡机试验台架下采集单幅图像含有多类多个柑橘的样本2 500张,随机选取其中2 000张为训练集,500张为测试集,在数据集中共有正常柑橘19 507个,表皮病变柑橘9 097个,机械损伤柑橘4 327个。该方法通过单阶段检测模型SSD-ResNet18对图片进行计算和预测,并返回图中柑橘的位置与类别,以此实现柑橘的分类检测。以平均精度AP(average precision)的均值m AP(mean average precision)作为精度指标,平均检测时间作为速度指标,在使用不同特征图、不同分辨率和ResNet18、MobileNetV3、ESPNetV2、VoVNet39等4种不同特征提取网络时,进行模型分类检测效果对比试验研究。研究表明,该模型使用C4、C5特征图,768×768像素的分辨率较为合适,特征提取网络ResNet18在检测速度上存在明显优势,最终该模型的m AP达到87.89%,比原SSD的87.55%高出0.34个百分点,平均检测时间为20.27 ms,相较于原SSD的108.83 ms,检测耗时降低了436.90%。该模型可以同时对多类多个柑橘进行实时分类检测,可为自动化生产线上分拣表面缺陷柑橘的识别方面提供技术借鉴。     

基于农机空间运行轨迹的作业状态自动识别试验

以物联网为代表的现代信息技术在农机作业管理领域的发展应用,实现了农机作业过程的定位监控,但现有农机远程监管系统对海量农机空间位置数据仅实现了远程存储、显示和简单分析,难以满足农机精准管理和数据智能处理的要求。该文采用数据挖掘中的聚类和空间数据分析方法,结合农机空间运行轨迹的特点,研究了基于空间运行轨迹点的农机作业状态自动识别算法;设计实现了典型农机运行状态自动识别方法,定量分析了农机作业班次内田间作业时间、空行转移时间、停歇时间的量化构成。农机试验表明:发展的基于空间索引和网格密度的聚类算法精度达89%以上。农机作业状态自动识别为农机作业生产率、农机利用率和作业成本核算提供了定量依据。     

深松作业下多机协同任务分配优化方法

任务分配方式对农业机械作业油耗影响显著。在多机协同多任务分配过程中,与将完整田块作业任务分配给单台农业机械相比,拆分各任务田块作业量并采用多农机协同作业能进一步降低作业油耗。为实现农业机群高效节能协同作业,该研究以深松作业为例,首先系统地分析机群协同作业过程油耗;然后建立以农机作业量为优化变量、以最低机群油耗和最短整体耗时为优化目标的多目标优化模型,并采用INSGA-Ⅱ算法对模型进行优化求解;最后基于实际深松作业案例,分析了所提模型的有效性和实用性。案例分析结果表明:与传统NSGA-Ⅱ算法相比,INSGA-Ⅱ算法可降低4.35%机群油耗及4.51%整体耗时;与传统作业方式相比,根据本文模型进行多机协同任务分配可降低5.51%机群油耗及42.65%整体耗时。研究结果可为无人农场多任务多农机作业分配提供科学依据。     

基于北斗的农机作业大数据系统构建

针对全国范围农机作业动态监测和量化统计的应用需求,该研究通过在农业机械上安装北斗终端,制订数据传输规范,完成了基于北斗的农机作业大数据系统建设。该系统由农业机械及北斗终端、农机制造企业物联网平台和农机作业大数据管理服务平台3部分组成。系统共接入农机290 153辆。经数据清洗、轨迹分割和参数提取3个数据处理步骤,可获得农机的工作时长、行驶里程和作业面积等基本统计量。以2021年夏小麦机械化收割为例,利用该系统进行数据获取、处理和统计分析,输出收割机分布热力图和作业重心转移图,进行了收割时长、收割效率与收割面积等统计,分析了小麦主产区对跨区作业的依赖程度。麦收期间在线收割机累计35 243辆,日均18 568辆,收割时长中位数均值为8.3 h/d,收割面积中位数均值为5.5 hm2/d,约75%的小麦收割机进行了跨区作业,跨区距离中位数约为597 km。应用结果表明,农机作业大数据系统可准确开展数据处理和作业统计,可以向农业农村部门、农机制造企业、农机合作社和农机手提供作业动态监测和数据分析服务。     

同种农机机群动态作业任务分配方法

为解决农机作业过程中因突发状况引起的作业时间增加、某些作业任务无法完成等问题,该研究提出一种基于改进合同网算法的同种农机机群动态作业任务分配方法。基于农机性能参数和任务参数综合考虑用时最长农机的作业时间、农机机群油耗和路上的路程建立机群代价函数,建立单个田块和地头相邻田块的路径规划方法,参考合同网算法中的招-投标过程,建立农机对任务进行投标的代价函数,基于降低服务器计算量、减少通信次数、任务均衡分配和减小非作业路程等原则,通过选择招标者、设定招标阈值、中标者任务再分配和农机间任务交换等方式改进合同网算法。在不同时间进行基于传统合同网算法和改进合同网算法的农机机群动态作业任务分配仿真试验和农场实际播种作业试验。仿真结果表明,基于改进合同网算法的动态任务分配仿真结果比基于传统合同网算法的动态任务分配仿真结果机群时间代价降低0.83%～12.89%,与服务器通信次数降低77.4%～85%。农场实际试验结果表明:在不同的任务分配时间,基于改进合同网算法的动态任务分配的机群时间代价比实际理论机群时间代价降低30.20%～34.09%。本文提出的动态作业任务分配法能够满足农业生产中同种农机机群动态作业任务分配需求。     

昌吉地区农业机械化发展现状及其对策研究

农业机械化水平的不断提升,既能显示出农业的先进性又能加快推动农业生产发展和效益提升,有助于农业增产增收。为了促进新疆昌吉市农业机械化发展,采用统计年鉴数据,运用定性分析法从农业机械化总动力、农业机械作业水平、农业机械资金投入等方面分析了昌吉市农业机械化发展现状,并针对当前昌吉市农业机械化发展存在的问题和制约因素提出了相应的对策:加强技术培训,提升人员素质;建立农业机械化技术推广基地;改善昌吉市农机作业环境;完善推广保障机制。     

烟草田间作业机械评价模型的构建

为评价农业机械的适用性满意度,探索基于实际生产管理需要的农业机械选型方法。以烟草种植和烟草田间作业机械为研究对象,将烟草种植流程划分为3个阶段10个环节,并设定各环节的评价指标体系,每个环节设计了作业成本、作业效率、作业效果、使用效应等4个二级指标,共44个评价指标。结合田间实地测试采集评价指标数据;依据农艺要求量化评价指标的评判基准;采用层次分析法,构建综合评价模型。以起垄环节为例评价模型的应用,共涉及7台不同类型的起垄机组（编号分别为I,II,...VII）,其中,IV、V为"履带式",VII为"复合式",其余均为"手扶式"。测试过程表明,"手扶式"起垄机组工作状态易调整、作业效果好;"履带式"起垄机组整机质量较大,动力不足时容易导致作业、行进速度变缓;"复合式"起垄机组整机结构复杂,操作舒适性和安全性不高。从评价结果看,参与测试的7台起垄机组中,作业成本指标排序靠前是I、III、II号机组,评价值分别为0.91、0.89、0.85;作业效率指标排序靠前的是V、IV、II号机组,评价值分别为1、0.49、0.41;作业效果指标排序靠前的是II、V、I号机组,评价值分别为0.96、0.69、0.66;使用效应指标排序靠前的是I、II、V号机组,评价值分别为0.93、0.75、0.59;综合评价表现较佳的是II、I、V号机组,适用性满意度评分分别为0.75、0.68、0.66,选型评价结果与当地实际情况相吻合。该模型可为农业机械选型定量化的比较提供依据和参考。     

基于农机空间轨迹的作业面积的缓冲区算法

农机规模化管理与市场化作业服务需要准确、实时、便捷的农机作业面积测量方法。该研究基于农机空间运行轨迹,设计了作业面积测量的矢量缓冲区算法和栅格缓冲区算法,并通过农机满幅作业和重叠作业对比试验,检验了上述2种缓冲区算法与距离测量算法分别在R1K(real time kinematic,实时动态差分)、亚米级和单点定位3种不同GNSS(global navigation satellite system,全球导航卫星系统)定位精度条件下的测量相对误差。试验结果表明:当农机具备自动导航满幅作业条件时,距离测量算法在任何定位精度下均能获得较高精度测量结果;缓冲区算法仅在差分定位时测量精度较高。当农机无导航重叠作业时,距离测量算法的误差会随着作业重叠率的增加而显著增大,而缓冲区算法不受作业重叠的影响,测量精度稳定。目前国内仍普遍采用人工操控的农机作业方式,重叠作业不可避免,缓冲区测量算法能够提供更加准确的作业面积测量结果。     

基于模糊隶属度的多站点多机协同即时响应调度系统

为了实现多农机站联合调配完成农户的实时作业订单，该研究针对农田与农机的匹配与调度需求问题，综合考虑农户满意度、多农机站协同、订单数量、农田面积和位置坐标等因素，建立带有模糊时间窗并以调度总时长最小和调度农机数量最少为目标的多农机站即时响应调度数学模型。并设计了基于保留优秀父代基因的改进遗传算法的农机调度系统，完成多农机站响应多农田的同时作业需求的任务，在最短时间里即时调配农机按照最短路径至各农田完成作业要求。以武汉周边某地区的3个农机站和35个农田作业订单为例，验证所提出的模型和智能优化算法，并进行可视化界面展示。试验表明，当模糊隶属度为0.8时，调度总路程减少率为9.89%，农机数量降低率为15.38%；针对该地区各农机站农机数量的实际情况，在不影响农户满意度的前提下，单个农机站接受实时订单数量以不超过20为最佳。该研究实现了多农机站对多农田精准调度作业，有助于科学合理调度农机，提高农机作业效率，节约成本投入。     

田间道路改进UNet分割方法

为了保证自动驾驶农机的安全行驶,需要对农田间道路进行高精度识别。该研究以北京市大兴区榆垡镇为研究地点,构建了农田间道路图像数据集,使用开源标注工具Labelme软件进行图像标注,以UNet为基本网络结构,针对分割过程中存在的道路边缘和远处道路分割效果较差等现象,提出了3个改进方向:在编码器网络中添加残差连接,增加网络复杂度;使用池化卷积融合结构完成下采样,增加可训练参数以减少信息损失。试验结果表明,使用ACBlock(Asymmetric Convolution Block,ACBlock)和DACBlock(Dilated Asymmetric Convolution Block, DACBlock)替换UNet中的卷积核,增加了卷积核"骨架"结构的权重和卷积核的感受野,提高了远处道路及道路边缘的分割效果,农田间道路分割的交并比值为85.03%,相较于原UNet提高了6.52个百分点,且高于ResUNet、UNet3+等网络。农机行驶速度在20 km/h左右,该研究网络对于1280×720像素大小的图片平均推理时间为163 ms,符合农机自动驾驶时间复杂度要求。该研究提高了自动驾驶农机对农田间道路的感知能力,为安全行驶提供了信息支持。     

基于多学科技术融合的智能农机控制平台研究综述

农业机械的自动化和智能化包含内容广泛,有农机定位与导航,动态路径规划,机器视觉和远程监控等,牵涉到大量的工程技术学科,包括导航、图像、模型与策略、执行器以及数据链等。农机定位与导航一般采用基于农机运动学模型结合GPS(global positioning system)/IMU(inertial measurement unit)组合导航信息,在导航路径规划算法指引下实现农机轨迹跟踪的方法。建立的农机运动学模型精度,GPS数据的连续性以及惯导器件误差系数漂移等因素都会影响该方法的有效性。路径跟踪通常采用各种现代控制理论与方法,而面对复杂的田间作业环境变化,农机的自主避障以及动态路径规划能力也会影响轨迹跟踪精度。机器视觉的稳定性和目标特征信息分离度影响着农机环境感知能力,目前目标识别主要采用hough变换,hough变换的全局检测特性决定了该算法运算量较大,需要探究改进特征提取算法。远程监控农机作业是智能农机发展的一个方向,构建无线导航,控制和视频数据传输网络有助于提高农机的智能化水平,可以采用分布式哈希表(distributed hash table)来研究网络覆盖和互联技术。该文融合多个学科,从高精度定位与导航技术、复杂环境及工况下农机运动精确自主控制技术、稳定清晰的机器视觉感知技术和基于4G网络和新一代物联网的高覆盖数据传输技术几个方面,论述了智能农机在光机电液多个学科领域内的研究现状,并指出采用北斗地基增强网络和网络RTK(real-time kinematic)技术、惯导定位误差精确建模与补偿、环境感知与自主避障、立体结构自组网技术以及多机协作是现代农业机械的发展方向。以期为现代化智能农业机械的设计提供参考。