深度学习方法在农业信息中的研究进展与应用现状

为使农业信息领域的研究人员能够系统和快速地了解深度学习在农业中的研究进展以及应用现状,对深度学习在农业信息领域的应用进行归纳、梳理、分析和展望。对涉及农业领域且应用深度学习技术的90项研究中所涉及的农业问题、具体模型和框架、数据集的来源和特征以及预处理方法、模型评价指标等进行归纳总结分析,并讨论深度学习的优点和局限性,进而展望深度学习的发展趋势。农业领域中的应用包括作物及其器官分类、病虫害识别、果实识别和计数、植物识别、土壤覆盖分类、杂草识别、行为识别和分类、植物养分含量估计、植物叶片或种子表型分析等方面;大多数研究采用卷积神经网络,如AlexNet、VGG16和Faster R-CNN。在框架方面,Caffe使用频次最高,其次是Tensorflow和Keras/Theano;分类准确度是最常用的模型评价指标,其次是F1得分和平均精度。与其他常用方法和技术相比,深度学习不仅精度高,而且性能优于现有的常用图像处理技术。其他涉及计算机视觉技术的农业应用有望通过深度学习技术的使用获得更好的效果。     

一种基于粗糙集理论的神经网络图像分割方法

神经网络用于分割图像时需要大量的训练数据,由于数据量大,计算速度相当慢,不适合实时数据处理.基于此,将粗糙集理论与神经网络相结合,提出基于粗糙集的神经网络图像分割方法.利用粗糙集理论中的约简的计算方法,从图像属性中获取精简的规则,根据这些规则构造神经网络各层的神经元个数,并根据粗糙集理论中的属性重要性来修正神经网络的权值.实验结果表明,该方法抗噪能力强,提高了精度,在大大缩短网络训练时间的同时改善了分割效果,满足图像处理的实时性要求.     

图像处理技术在农机测试中的应用

图像处理技术是模式识别与人工智能的重要内容之一,其应用已扩展到农业领域的诸多方面。该文简要介绍了计算机图像处理技术及其基本特点,概述了图像处理技术在农机测试中的应用现状,并指出了图像处理技术应用于农机测试领域所存在的问题及发展前景。     

基于图像技术的茶叶品质监测研究进展

随着时代的快速发展,计算机技术已经与各领域相互交融渗透。本文从计算机图像处理技术出发,介绍了其发展情况,阐述了图像技术在茶叶品质监测、栽培和加工环节监测方面的应用现状,分析了图像技术在茶叶监测中存在的问题,并进行了展望,以期为图像技术在茶叶监测领域的应用提供参考。     

基于图像处理技术的大豆灰斑病的检测技术研究

选择了平滑滤波、阈值分割等算法,利用图像处理技术和神经网络技术,对大豆灰斑病进行了检测,在标准豆粒与灰斑病豆粒混合的条件下计算出病粒的百分比。同时,在暗箱条件下用照相设备采集图像,利用VC++开发平台,编写程序对图像进行去噪和分割后,通过实验设计和数据统计分析提取出豆粒的23个形态特征和颜色特征参数。采用BP神经网络对豆粒进行进一步的测评。实验取得了良好的结果,识别准确,为今后大豆其他缺陷检测打下良好的基础。     

计算机图像处理技术在农业科研中的应用

计算机图像处理技术是模式识别与人工智能的一个重要领域,其应用已扩展到农业领域的诸多方面.本文简要介绍了计算机图像处理技术的概念及其基本硬件组成,概述了计算机图像处理技术在农业中的应用状况.     

人工神经网络在水产科学中的应用

人工神经网络（ANN）是一种动态信息（处理）系统，它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域，而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上，讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出：若不采用检验样本监控学习过程，对于一定数量的样本数据，过大的神经网络结构将不可避免地引起对样本数据的过拟合，从而得到了不能正确反映样本数据结构和内在特性和神经网络模型，而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。     

计算机视觉在作物水分亏缺诊断中的应用进展

随着图像处理与分析技术的蓬勃发展,许多专家学者利用图像获取工具比人眼更精细的分辨能力,应用计算机视觉技术进行信息诊断研究。论文简要介绍了计算机视觉技术,着重分析了作物图像获取方法和作物图像信息的分析方法,指出基于计算机视觉的作物水分亏缺诊断在实际应用中存在的问题,并对该领域的未来发展进行展望,指出:多信息融合是图像信息描述的主流趋势,高效的图像识别与分析算法是关键;水分亏缺诊断与作物缺水临界点、作物灌水量研究有机结合是实现作物田间实时灌溉和精量灌溉的前提。     

人工神经网络在水产科学中的应用

人工神经网络（ANN）是一种动态信息（处理）系统，它具有联想记忆、自组织、自适应、自学习和容错等优异的特性而得到广泛应用。ANN已广泛地应用于诸如模式识别、拟合、分类、决策和预测等领域，而水产科学有很多涉及上述技术的问题。本文在简述ANN结构和工作原理的基础上，讨论分析了利用BP神经网络模型、自组织特性神经网络或Kohonen神经网络模型进行分类、模式识别、图像处理和鉴别、预测与评价、系统模拟以及最优化和多目标决策等方面的应用实例。从神经网络模型建模和数据预处理原理研究了应用人工神经网络技术建模的局限性和缺陷。并明确指出：若不采用检验样本监控学习过程，对于一定数量的样本数据，过大的神经网络结构将不可避免地引起对样本数据的过拟合，从而得到了不能正确反映样本数据结构和内在特性和神经网络模型，而可能是对样本数据的噪声的反映。本文最后探讨了人工神经网络技术与模糊数学、逻辑控制和拓扑学以及非确定性原理相结合的应用趋势。     

图像处理技术在农业上的应用

随着科技水平的发展和生活质量的提升,在生产生活中,图像处理技术被应用得愈来愈广泛。计算机图像处理技术是人工智能与模式识别的一个重要领域,其应用已扩展到农业领域的诸多方面。本文从6方面简单介绍了计算机图像处理技术在农业中的应用状况,为后续研究和完善精细农业提供必要的参考。     

基于贝叶斯正则化BP网络的粮虫分类识别研究

以粮虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现分类识别的方法。首先对4类常见粮虫进行图像采集、预处理及特征提取,然后将提取到的9个形态学特征参数作为神经网络的输入参数,对应的粮虫类别代号作为输出参数,建立BP神经网络,并在网络学习过程中采用贝叶斯正则化优化算法对其进行改进。最后通过仿真试验表明:该方法在粮虫识别算法中收敛速度快,预测精度高,稳定性好,泛化能力优,从而证实了该方法在实际应用中的可行性。     

遥感图像计算机分类方法的研究

对传统统计分类方法和基于新算法的神经网络、模糊、专家系统、SVM、面向对象等分类方法及优、缺点进行了综述,并对分类中常用的辅助处理技术作了总结。最后,展望了遥感分类研究的发展趋势和前景。     

针叶树种计算机视觉苗木自动分级系统的研究

针对苗木分级领域的实际需要及国际苗木分级技术发展状况,研究,设计了针叶树种计算机视突苗木自动分级系统。该系统应用计算机视觉技术和神经网络技术。通过对苗木图像的处理。在实验室中实现对苗木的自动分级,实验研究表明,计算机视觉自动分级系统在苗木分级领域中具有良好的应用前景。     

基于计算机图像处理技术的叶面特征参数无损测量研究进展

相比传统方法计算叶片特征参数,无损图像处理技术无需采摘叶片,在保持植株完整株型的前提下为下一次数据测量提供了保障并应用先进的计算技术准确计算植株的各种特征值,无损图像处理技术逐渐成为国内外学者研究植物生长形态的重要手段。介绍基于数码技术的叶面积计算方法和基于图像处理的叶片轮廓建模方法,概述数码技术应用于叶面积计算的国内外研究进展,总结归纳叶片轮廓提取方法和拟合方法的优缺点,并指出应用图像处理技术计算叶面积仍需进一步解决的问题。     

基于遗传神经网络的植物叶片病害特征提取的研究

为提高作物病害定量、快速、准确识别,以大豆褐斑病为例,综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层前馈遗传神经网络,实现了大豆褐斑病的识别与特征计算。本技术首先通过计算机视觉技术采集叶片图像,尔后,采用遗传神经网络完成了对病斑图像的识别,最后运用数字图像处理技术完成了对病斑区域相关特征值的计算,实验识别准确率达100%。     

基于神经网络的大豆叶片病斑的识别与研究

综合运用计算机数字图像处理技术与人工神经网络技术,建立了一个多层BP神经网络,实现了大豆叶片中病斑的自动识别与特征计算。首先通过计算机视觉技术采集叶片图像。其次,采用BP神经网络完成了对病斑图像的识别。最后,运用数字图像处理技术完成了对病斑区域相关特征值的计算。实验证明,该方法能有效地识别出病斑区域,识别率可达100%。该研究为将来病种的识别提供了理论依据。     

Apple Grade Judgment Based on the Neural Network

A processing method on the basis of the technology of computer visual and digital image was introduced. The improved LVQ (learning vector quantization) neural network algorithm applied in the process to identify the grade of apples was proved effective in experiment.     

基于遗传算法优化的BP神经网络进行水稻氮素营养诊断

应用遗传算法优化BP神经网络进行水稻氮素营养诊断，为水稻的合理施氮提供理论指导。水稻田间试验供试品种为‘两优培九’，设置4个施氮水平（0、210、300、390 kg·hm-2）。在水稻幼穗分化期，扫描获取水稻顶部第三完全展开叶图像，并通过图像处理技术获取19维水稻图像中的颜色和几何形态特征，采用归一化处理、离散小波变换及主成分分析对原始数据进行预处理，并应用遗传算法优化的BP神经网络进行水稻氮素营养诊断。该方法建立的水稻氮素营养诊断模型较单一BP神经网络模型和传统遗传算法优化BP神经网络模型好，模型测试所得4个施氮水平的平均识别率分别为100.000%、99.000%、97.000%、100.000%，测试集样本平均总识别率达到99.000%。基于遗传算法优化的BP神经网络所建立的水稻氮素营养诊断模型具有较强的学习能力和泛化能力，能够很好地识别出水稻氮素营养的缺失，表明运用该方法能够很好地进行水稻氮素营养诊断识别。     

基于BP网络的柴油机排气消声器结构参数设计

为了克服目前排气消声器常见设计方法中固有的建模假定引起的设计误差,尝试将BP网络应用于排气消声器设计;利用正交试验和排气噪声数字信号处理获得了1/3倍频程声压级和柴油机燃油消耗率作为输入、结构参数作为输出的人工神经网络的学习样本;通过MATLAB中人工神经网络工具箱完成了网络的训练;实例验证了BP网络应用于排气消声器设计是完全可行的;同时,通过训练后网络的具体应用,展示了BP网络在消声器设计方面的优越性.     

拖拉机变速箱齿轮故障诊断智能软件的设计与实现

人们在采用人工神经网络进行智能信号处理时,需要较深入学习人工神经网络的理论。为解决这个问题,该研究设计了一种"傻瓜型"的神经网络智能信号处理软件,使用该软件,可以降低神经网络应用于智能信号处理的门槛,推进智能信号处理在拖拉机变速箱齿轮故障诊断方面的应用。