基于无人机RGB影像的染条锈冬小麦花青素含量监测

小麦植株感染条锈病后叶片花青素含量会发生明显变化。为了在地块尺度上利用冬小麦花青素值实现条锈病害的直观、快速监测,通过监测叶片花青素含量评估小麦条锈病严重程度,2021年获取感染条锈病的小麦田块的无人机RGB影像和采集地面病害区域的花青素含量数据,利用影像提取采样点感兴趣区的光谱特征参数和基于灰度共生矩阵的纹理特征参数,采用连续投影算法(SPA)结合相关性分析优选特征参数,分别采用单一光谱特征参数和组合参数,结合主成分回归(PCR)、拉索回归(LR)、随机森林回归(RFR)、梯度提升回归(GBR)和误差反向传播神经网络(BPNN)等方法构建了小麦花青素含量估算模型,并利用最优模型反演了田块的花青素含量。结果表明,图像光谱特征结合纹理特征后,花青素估算模型的R²增大,RMSE减小,模型精度显著提升。基于组合特征参数构建的随机森林模型精度最高,验证集R²、RMSE和MAE分别为0.801、0.026、0.021。该模型具有良好的花青素含量估算能力,得到的花青素值分布图与条锈病的空间分布具有一致性,能够定量化、可视化地反映病害严重程度。     

基于机器学习算法的奶牛疾病预测模型的研究

【目的】评估建立奶牛疾病预测模型的6种机器学习(machine learning, ML)算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树(Decision Tree, DT) C5.0、CHAID算法、人工神经网络(Artificial Neural Network, ANN)、随机森林(Random Forests, RF)、贝叶斯网络(Bayesian Networks, BN)和逻辑回归(Logistic Regression, LR)6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT...     

基于机器学习的排涝闸站雨后水位预测

【目的】精准预测排涝闸站雨后水位。【方法】在分析为期1a的田间实测水位数据的基础上,收集了四湖流域2个典型闸站（习家口站、田关站）为期10 a(2010—2020年)的历史水情资料,利用2种机器学习算法（支持向量机回归算法、回归树算法）对排涝闸站的雨后水位进行预测分析。【结果】支持向量机回归算法和回归树算法均较好地预测了习家口站和田关站的雨后最高闸上水位,R2基本大于0.80;2种机器学习算法在习家口站的表现均优于田关站,核函数的选取对支持向量机回归算法的预测结果有一定影响,线性核函数表现较为稳定。回归树算法的效果略优于支持向量机回归算法。【结论】基于闸上水位、降水量、降水时间、泵站排水流量预测雨后最高闸上水位是可行的。不同闸站应分开进行训练,并寻找最优的机器学习算法,未来有必要结合降水预报数据实现农田涝灾情况的实时预报。     

基于迁移学习的芒果成熟度分类算法研究

成熟度判别是芒果采收及储藏的重要依据.为了适应移动设备硬件算力的限制,对比了传统机器学习方法和迁移学习方法在芒果成熟度鉴别方面的表现,优选最佳模型并开发了芒果成熟度分类软件.试验采集了不同成熟度的小台农图像100张,进行数据扩充后按照8:2划分为训练集和测试集,以准确率、F1值和预测时间作为模型评价指标,分别采用k近邻(K-NearestNeighbor, KNN)、支持向量机(Support vector machine, SVM)、朴素贝叶斯(Naive bayes, NB)、决策树(Decision tree, DT)机器学习算法模型和AlexNet、ResNet18、VGG16、GoogleNet和SqueezeNet迁移学习算法模型进行训练和测试,并对比分析各模型的表现.结果表明：机器学习虽然运算速度快,但分类的准确率明显低于迁移学习,迁移学习的分类准确率均在90%以上.但综合考虑模型的分类准确率和计算能力认为Resnet18表现最佳,它在迭代20次后准确率达到98.75%,而测试时间仅为74.66 ms,优于其它深度学习模型.     

基于卷积神经网络的蜜蜂采集花粉 行为的识别方法

实时监测蜜蜂觅食行为不仅有助于评估当地农作物授粉状况,也有助于及时采取措施提升蜜蜂产品的产量和品质。将计算机视觉技术引入蜜蜂觅食行为(是否携带花粉)的监测,设计5种浅层卷积神经网络(CNN)进行对比分析,并与深层网络GoogLeNet V1的迁移学习进行对比,寻找适合监测蜜蜂觅食行为的最优模型。发现GoogLeNet V1的识别准确率最高,达0.953 6,但训练耗时最长(7 326 s);浅层卷积神经网络中准确率最高的模型为11层神经网络模型(含4层卷积层),测试准确率为0.903 6,耗时相对较短(1 054 s)。最后,对比传统机器学习算法,发现深度学习优势明显。研究表明,GoogLeNet V1深层网络适用于精度要求高、设备条件好的蜜蜂监测环境;而11层卷积神经网络更符合智能养蜂的实际需求。     

线性模型与机器学习模型在牦牛体重预测比较

本研究旨在比较线性回归模型与机器学习模型在利用体尺性状预测体重时的准确性。测定102头革吉那布地区两岁龄牦牛相关体尺性状(体高、体长和胸围)与体重,然后将数据按照不同比例梯度分为训练集和测试集,利用传统的一般线性模型方法和机器学习方法(高斯过程回归、支持向量机)分别构建体尺性状与体重之间的回归预测模型。每个比例均重复5次,将体重的真实值与预测值之间的相关系数均值作为当前比例下的模型准确性结果。结果显示,随着训练集数据的增加,线性回归模型的预测结果较稳定在0.71至0.80之间,而机器学习方法的预测准确性最高达到0.91。故在训练集数据充足的情况下,相比于一般线性模型,利用机器学习方法进行预测具有更高的准确性。     

比较机器学习等算法对肉鸡产蛋性状育种值估计的准确性

我国白羽肉鸡育种中,通过遗传途径提高产蛋数和控制合适的蛋重是培育优良品系的一个重要方面。为探索适合我国白羽肉鸡育种中的基因组选择模型,本研究以2 474只白羽肉鸡品系的产蛋性状为研究对象,主要分析了机器学习算法KAML、BLUP(包括：PBLUP、GBLUP、SSGBLUP)和Bayes(包括：Bayes A、Bayes B和Bayes Cπ)方法对产蛋数和蛋重性状的预测准确性,准确性以5倍交叉验证进行评估。利用系谱以及基因组信息估计了产蛋数和蛋重性状的遗传力和遗传相关。结果表明,产蛋数性状遗传力为0.061~0.16,属于低遗传力性状;蛋重遗传力为0.28~0.39,属于中等遗传力性状;产蛋数与蛋重是中等遗传负相关(-0.518~-0.184),不同阶段产蛋数之间是强的遗传正相关(0.736~0.998)。不同模型预测43周产蛋数和52周蛋重的育种值估计准确性结果表明,KAML方法对两者的预测准确性分别为0.115和0.266,与GBLUP方法(准确性分别为0.118和0.283)和SSGBLUP方法(准确性分别为0.136和0.259)的准确性差异显著,同时显著低于Bayes方法(准确性分别为0.230~0.239、0.336~0.340)的预测准确性, PBLUP方法预测准确性最低(准确性分别为0.095和0.246)。因此,在白羽肉鸡产蛋数和蛋重性状中应用Bayes方法将获得最高的育种值估计准确性。     

农业无人机智能机器学习系统——基于人工智能和深度学习

为了提高农业无人机作业时的自主学习能力,基于人工智能技术将深度学习算法应用到了无人机机器学习系统的设计上,并提出了基于神经网络深度学习的农业无人机智能识别系统,有效提高了无人机的自动学习和识别能力。以采摘机器人的设计为例,对智能机器学习系统的可靠性进行了验证,并对不同学习算法果实识别的准确性进行了测试。测试结果表明：基于神经网络的深度学习算法在果实的成熟度识别方面具有明显的优势,从而验证了算法的可靠性。