基于优化模糊神经网络权值的大豆虫害诊断

采用模糊神经网络应用于大豆虫害快速识别方法。首先选择我国北方地区具有代表性的食心虫等7种虫害作为输出,用数字化特征表示。依据危害方式、危害症状等8种性状对182个大豆虫害样品进行诊断,选择1 3 6个样本作为训练集,选择4 6个样本作为预测集。首先使用AHP层次分析法对权值进行调整;其次,依据最优参数分别建立BP神经网络和模糊神经网络模型。实验结果表明:选择模糊神经网络进行模型建立,共预测对4 4个样本,判定识别率高达9 5%,证明了模糊神经网络进行大豆虫害判别是可行的。     

松毛虫的防治方法

松毛虫又名毛虫、火毛虫,古称松蚕,是松树林的天敌,广泛分布于中国各地。全世界已知的松毛虫有28种,其中发生面积大、经常成灾的有马尾松毛虫、油松毛虫、赤松毛虫、落叶松毛虫、思茅松毛虫和云南松毛虫6种,尤以马尾松毛虫危害最严重，主要危害马尾松、黑松、黄山松、湿地松等。     

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。     

松毛虫的防治方法

松毛虫又名毛虫、火毛虫,古称松蚕,是松树林的天敌,广泛分布于中国各地。全世界已知的松毛虫有28种,其中发生面积大、经常成灾的有马尾松毛虫、油松毛虫、赤松毛虫、落叶松毛虫、思茅松毛虫和云南松毛虫6种,尤以马尾松毛虫危害最严     

基于SVM和AdaBoost的棉叶螨危害等级识别

针对自然条件下棉叶螨虫害等级识别难的问题,在自然条件下以普通手机采集棉叶图像作为实验对象,首先使用大津法和连通区域标记算法,将棉花叶片图像与背景分离,然后,提取不同棉叶螨危害等级棉叶图像的颜色、纹理和边缘特征数据,使用支持向量机(Support vector machine,SVM)单独进行分类实验,得到平均识别正确率为76. 25%,最后,采用SVM和AdaBoost相结合的算法,生成最优判别模型,实现对棉叶螨危害等级的识别,平均识别正确率为88. 75%。对比实验表明,提出的棉叶螨危害等级识别方法比BP神经网络的平均识别正确率高13. 75个百分点,比单独采用SVM算法高12. 5个百分点,比单独采用AdaBoost算法高8. 75个百分点,SVM和AdaBoost相结合的算法可较好地对棉叶螨危害等级进行识别,为棉叶螨数字化防治和变量喷药提供了数据支持。     

基于线性判别法的生菜农药残留定性检测模型研究

针对农副产品农药残留超标现象,提出一种快速高效无损检测菜叶农药残留的方法。以4组生菜叶片为研究对象,分别喷洒丙酮和3种不同浓度的乐果农药(乐果和丙酮的体积比为1∶100、1∶500、1∶1 000),利用近红外高光谱成像仪采集生菜样本的高光谱图像(871.61~1 766.32 nm)。在生菜高光谱图像中选取感兴趣区域(ROI)并提取该区域的平均光谱,对ROI内的图像进行主成分分析(PCA)处理,提取PC1、PC2图像的纹理特征。采用连续投影算法(SPA)和主成分分析方法 (PCA)选取光谱数据的特征波长,分别利用线性判别法K最近邻法(KNN)、马氏距离(MD)和Fisher判别分析(FLDA)方法建立基于全波段、特征波段下光谱特征和光谱与纹理融合特征的农药残留检测模型。结果表明,基于SPA特征光谱和主成分图像纹理特征融合信息的Fisher模型较好,训练集和测试集分类正确率分别为98.9%和100%,利用近红外高光谱图像技术结合信息融合及Fisher算法鉴别农药残留等级是可行的。     

基于无人机遥感图像的松材线虫病监测技术研究

为实现对林区松材线虫病害病情的有效监控,提出基于超绿特征因子与最大类间方差法(ExG+Otsu)相结合的图像分割算法以及遥感全景图的病害程度分析方法。以小型无人机为飞行平台完成林区遥感影像采集,通过对林区图像中松材线虫病害松木地理信息的有效提取,在无人机遥感影像图中对病害松木的病害程度做出具体分析。经过对比,该方法识别精度达到90.4%,为林区开展松材线虫病防治工作提供了可靠的判别依据。     

基于改进YOLO v4的落叶松毛虫侵害树木实时检测方法

针对two-stage网络模型训练成本高,无人机搭载的边缘计算设备检测速度低等问题,提出一种基于改进YOLO v4模型的受灾树木实时检测方法,以提高对落叶松毛虫虫害树木的识别精度与检测速度。以黑龙江省大兴安岭地区呼玛县白银纳乡受落叶松毛虫侵害的落叶松无人机图像为数据,利用LabelImg软件标注75～100 m的无人机图像,构建落叶松毛虫虫害树木图像数据集。将CSPNet应用于YOLO v4模型的Neck架构,重新设计Backbone的特征提取网络——CSPDarknet53模型结构,并在CSPNet进行优化计算前的卷积中加入SENet以增加感受野信息,使其改变网络的深度、宽度、分辨率及网络结构,实现模型缩放,提高检测精度。同时,在PANet中使用CSPConvs卷积代替原有卷积Conv×5,最后经过YOLO Head检测输出预测结果。将YOLO v4-CSP网络模型部署至GPU进行训练,训练过程的内存降低至改进前的82.7%。再搭载至工作站进行测试,结果表明：改进的YOLO v4-CSP网络模型在测试阶段对虫害树木检测的正确率为97.50%,相比于YOLO v4的平均正确率提高3.4...     

电子鼻鉴别白酒信号小波去漂移方法

为提高电子鼻长期鉴别的稳健性,提出了一种基于小波分析的电子鼻信号去漂移方法。对含漂移信号的电子鼻数据进行小波分解,获得分解系数;构造一种相对偏差阈值滤波函数对小波逼近系数进行阈值处理,获得修正的小波系数;运用小波逆变换对修正后的小波系数进行重构,得到去除漂移或少漂移的电子鼻信号。对6种白酒样本随机生成的5组样本训练集与对应的测试集进行去漂移处理与信号重构,提取去漂移处理前后的电子鼻信号积分值特征,并运用Fisher判别分析(FDA)和BP神经网络分别对5组数据集进行鉴别分析。FDA鉴别结果显示,无论是训练集还是测试集,5组样本的鉴别正确率由去漂移前的最高值45%提升至去漂移后的100%。BP神经网络鉴别结果显示,5组样本的鉴别正确率由去漂移前的最高值31.7%提升至去漂移后的98.3%。这说明所给出的去漂移方法在白酒电子鼻的鉴别中是稳健有效的。同时,也为电子鼻鉴别其他物品提供了一种可借鉴的去漂移方法。     

基于随机森林的砂土地震液化预测模型

为研究随机森林(Random Forest,简称RF)智能算法对于砂土地震液化预测判别模型的适用性,在综合考虑地震因素、土层埋藏情况、砂土特性的基础上,选取地震等级、埋深、上覆压力、探锥阻力、最大地面加速度、有效上覆压力等6个评价指标,构建了基于随机森林算法的砂土地震液化判别模型。利用规范法基于工程实例对随机森林砂土液化判别模型进行对比验证,验证结果表明随机森林砂土液化判别模型具有较高的预测精度,是一种可行的砂土液化判别方法。