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神经网络的建三江水稻潜叶蝇发生预警研究

基于BP神经网络,以黑龙江省农垦建三江管理局2011~2014年的5~10月份的气象数据及各个月份水稻潜叶蝇虫害危害程度相关数据为研究对象,对建三江地区水稻潜叶蝇发生情况进行预测。研究结果表明,基于BP神经网络模型能够较准确地预测水稻潜叶蝇发生情况。     

植物病虫害BP神经网络预测系统的研制与应用

以 Delphi3.0为开发工具 ,建立了植物病虫害 BP神经网络预测系统 ,阐述了 BP神经网络的基本原理和预测系统的制作过程 ,并以陕西汉中地区小麦条锈病流行程度的预测为例说明了其应用。结果表明 ,该系统的预测结果与实际发生程度高度吻合     

基于人工神经网络算法对水稻需水量的预测

水稻需水量预测是节水灌溉规划的基础,由于BP神经网络在解决多参数非线性问题表现出极强的自适应能力,从而可以科学准确预测需水量。本研究从多个影响因子分析出发,得到了BP神经网络模型,并结合实际数据进行了检验。试验结果表明,该模型能够较好地反映气象因子与水稻需水量之间的关系,预测精度高。     

基于CDAN技术与BP算法的棉花病虫害入侵检测-预报系统模型

为了提高棉花生产的信息化和棉花病虫害预报的效率与智能性,针对棉花病虫害入侵产生因素的多维性,对棉花叶面信息表现的时序、棉花叶面的状态在时间和空间域中表现出的紧密相关性进行了分析,把人工神经网中的BP神经网络算法和信息安全领域中的入侵检测技术CDAN引进来,构造成基于CDAN技术与BP神经网络的棉花病虫入侵检测一预报系统.     

植物病虫害BP神经网络预测系统的研制与应用

以Delphi 3.0为开发工具，建立了植物病虫害BP神经网络预测系统，阐述了BP神经网络的基本原理和预测系统的制作过程，并以陕西汉中地区小麦条锈病流行程度的预测为例说明了其应用，结果表明，该系统的预测结果与实际 发生程度高度吻合。     

基于BP神经网络的麦蚜最大虫株率预测

农业病虫害严重制约着农作物的产量和质量,准确的病虫害测报是科学防治害虫的前提,因此建立准确且稳定的预测模型,对于提前采取措施进行病虫害防治、减少农作物经济损失具有重要意义。为探索建立更加准确和稳定的病虫害测报模型,本实验以山西省运城市芮城县1980—2006年麦蚜最大虫株率和气象因子数据为基础,建立BP神经网络预测模型,对1980—2006年数据进行网络训练,预测2007—2011年麦蚜最大虫株率,并与逐步回归法进行比较。结果表明,BP神经网络的预测准确率超过96%,从预测准确率和模型稳性定上都远好于逐步回归法预测结果。基于BP神经网络预测模型处理非线性问题的能力、良好的自学习、自组织和自适应性、良好的推广能力,其可作为农作物病虫害预测预报的一种有效方法继续探索。     

云南省水稻白叶枯病BP神经网络测报技术研究

 人工神经网络对复杂非线性问题映射能力强,能提高预测的准确度,为水稻白叶枯病害的防治工作提供指导。因此,本研究基于水稻白叶枯病害发生、危害与温度、湿度、降雨等气象因素相关的特点,利用人工神经网络建立云南省勐海县和石屏县水稻白叶枯病害BP神经网络预测模型,预测病害的发生程度。经实例验证,BP神经网络预测模型预测准确度达到80%以上,较逐步回归模型高。研究表明在勐海、石屏建立水稻白叶枯BP网络预测模型是可行的,并具有较高预测准确度,对防治工作有较高应用价值。     

集成GASA混合学习策略的BP神经网 络在水稻虫害预测中的应用

为改进受多变量、时变和不确定因素影响的作物虫情预测的效率和准确性,以重庆市永川区为研究区域,将1996-2004年的气象和虫害数据分为独立的训练和检验数据集,以研究集成GASA混合学习策略的BP神经网络应用于水稻虫情预测中的可行性。与广泛应用的时间序列分析法和传统BP神经网络相比,集成混合学习策略的BP神经网络预测精度和拟合性能都有了很大提高,因而具有较好的应用前景。     

基于BP神经网络的水稻卷叶识别

[目的]对水稻卷叶进行分类识别,为研究水稻的抗旱性和实施自动化农业、精准农业提供技术支持.[方法]通过数字图像处理方法提取5个水稻特征数据,即水稻的周长面积比、水稻面积与水稻最小外接矩形的面积比、水稻的计盒维数、水稻面积与水稻凸包的面积比、水稻绿色部分面积占比;运用MATLAB构建BP神经网络,依据水稻特征数据对水稻卷叶进行分类识别.[结果]在提取的5个水稻特征数据中,有助于分类的特征包括水稻的周长与面积比、水稻面积与最小外接矩形面积比及水稻的绿色部分占比3个特征.在300组样本数据的分类中,总体样本分类正确率达96.47%,训练样本分类正确率达96.61%,验证样本分类正确率达96.17%,测试样本分类正确率达96.33%.因此,采用BP神经网络对水稻卷叶的识别程度高达90.00%以上,具有良好的分类效果.[建议]今后应对水稻卷叶的类别多分几类进行识别,还应将BP神经网络对水稻卷叶进行分类识别的过程实现自动化,并广泛应用于水稻的学术研究和现实生产.     

基于性能改善深度信念网络的棉花病虫害预测方法

针对与棉花病虫害发生相关的环境信息数据具有大容量、多样性的特点,提出一种基于环境信息和改进深度信念网络(MDBN)相结合的棉花病虫害预测模型。该模型由3层限制玻尔兹曼机(RBM)网络和1个BP网络组成。利用MDBN提取与病虫害发生相关的特征变量,并利用BP神经网络进行病虫害预测。该方法的特点是将自适应学习率引入到DBN的无监督预训练阶段,并从训练数据批次的选择、参数调优的迭代周期以及在线学习训练等多个方面对MDBN的性能进行优化和改善,从而能够利用MDBN充分挖掘数据集中病虫害预测的特征向量,提高网络的预测精度。对实际棉花病虫害的预测结果表明,MDBN比传统预测模型具有更高的预测精度,是一种有效的农作物病虫害预测方法。     

神经网络BP模型的设计与实现

应用人工神经网络中的BP前馈网络模型和改进的BP算法 ,对棉铃虫发生程度进行预测 ,结果表明 :该算法可靠 ,验证符合率达百分之百 ,在农作物病虫害预测方面有广阔的应用前景     

BP神经网络在储粮害虫分类中的应用研究

综合利用计算机视觉技术和BP神经网络技术,实现了对粮仓害虫的无损检测.通过对粮仓害虫图像的CCD图像预处理,获取了几何特征和不变矩等15个特征参数,并通过优化选取其中七个参数输入神经网络进行训练.仿真结果表明训练网络对粮仓四类常见害虫的识别率达到了85%,得到了较好的识别结果.     

Using Deep Learning for Soybean Pest and Disease Classification in Farmland

To accurately identify soybean pests and diseases, in this paper, a kind of deep convolution network model was used to determine whether or not a soybean crop possessed pests and diseases. The proposed deep convolution network could learn the highdimensional feature representation of images by using their depth. An inception module was used to construct a neural network. In the inception module, multiscale convolution kernels were used to extract the distributed characteristics of soybean pests and diseases at different scales and to perform cascade fusion. The model then trained the SoftMax classifier in a uniformed framework. This realized the model of soybean pests and diseases so as to verify the effectiveness of this method. In this study, 800 images of soybean leaf images were taken as the experimental objects. Of these 800 images, 400 were selected for network training, and the remaining 400 images were used for the network test. Furthermore, the classical convolutional neural network was optimized. The accuracies before and after optimization were 96.25% and 95.81%, respectively, in terms of extracting image features. This type of research might be applied to achieve a degree of automation in agricultural field management.     

基于L-M神经网络的储粮害虫分类识别

基于图像处理的储粮害虫检测过程中,需要解决多种害虫多特征、混合度大的综合分类问题.本文提出采用基于L-M算法的多层前馈神经网络对害虫进行分类识别.实验表明,该神经网络和害虫分类识别系统拟和程度很高,并且采用的L-M算法,在网络训练速度及识别精度方面,都优于传统的BP算法.因此基于L-M算法的神经网络在害虫的在线识别方面有应用价值.     

基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

【目的】研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取验本集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。