基于实体级遮蔽BERT与BiLSTM-CRF的农业命名实体识别

字符的位置信息和语义信息对命名方式繁杂且名称长度较长的中文农业实体的识别至关重要。为解决命名实体识别过程中由于捕获字符位置信息、上下文语义特征和长距离依赖信息不充足导致识别效果不理想的问题,该研究提出一种基于EmBERT-BiLSTM-CRF模型的中文农业命名实体识别方法。该方法采用基于Transformer的深度双向预训练语言模型（Bidirectional Encoder Representation from Transformers,BERT）作为嵌入层提取字向量的深度双向表示,并使用实体级遮蔽策略使模型更好地表征中文语义;然后使用双向长短时记忆网络（BidirectionalLong Short-Term Memory,BiLSTM）学习文本的长序列语义特征;最后使用条件随机场（Conditional Random Field,CRF）在训练数据中学习标注约束规则,并利用相邻标签之间的信息输出全局最优的标注序列。训练过程中使用了焦点损失函数来缓解样本分布不均衡的问题。试验在构建的语料库上对农作物品种、病害、虫害和农药4类农业实体进行识别。结果表明,该研究的EmBERT-BiL...     

改进YOLOX检测单位面积麦穗

单位面积麦穗数是估算小麦产量的重要指标,对于作物表型参数计算、产量预测和大田管理都具有重要的意义。目前的研究均未以单位面积麦穗图像为研究对象,为准确获取单位面积麦穗数,该研究提出了基于改进YOLOX的单位面积麦穗检测方法,利用采样框直接实现单位面积麦穗计数。首先,设计了一种简单的单位面积采样框,通过训练角点检测网络识别采样框,以提取单位面积小麦区域;其次,针对麦穗检测中存在的目标密集和相互遮挡问题,在麦穗检测网络的特征融合层,采用上下文信息进行特征重组的上采样方法（Content-Aware ReAssembly of Features,CARAFE）代替YOLOX-m模型中的上采样算法,同时结合迭代注意力特征融合模块（iterative Attentional Feature Fusion,iAFF）,增加对麦穗空间信息和语义信息的提取。试验结果表明,改进的YOLOX-m模型明显改善了对密集麦穗和遮挡麦穗的检测效果,其精确率、召回率、平均精确度和F1值分别为96.83%、91.29%、92.29%和93.97%,与SSD、CenterNet和原YOLOX-m模型相比,平均精确度分别提...     

基于改进RetinaNet的果园复杂环境下苹果检测

为了快速准确地检测重叠、遮挡等果园复杂环境下的苹果果实目标,该研究提出一种基于改进RetinaNet的苹果检测网络。首先,该网络在传统RetinaNet的骨干网络ResNet50中嵌入Res2Net模块,提高网络对苹果基础特征的提取能力;其次,采用加权双向特征金字塔网络（Bi-directional Feature Pyramid Network,BiFPN）对不同尺度的特征进行加权融合,提升对小目标和遮挡目标的召回率;最后,采用基于焦损失（Focal Loss）和高效交并比损失（Efficient Intersection over Union Loss,EIoU Loss）的联合损失函数对网络进行优化,提高网络的检测准确率。试验结果表明,改进的网络在测试集上对叶片遮挡、枝干/电线遮挡、果实遮挡和无遮挡的苹果检测精度分别为94.02%、86.74%、89.42%和94.84%,平均精度均值（meanAveragePrecision,mAP）达到91.26%,较传统RetinaNet提升了5.02个百分点,检测一张苹果图像耗时42.72 ms。与Faster-RCNN和YOLOv4等主...     

基于模糊模式识别理论的乌梁素海水质评价

运用模糊数学基本理论和方法,以国家地表水环境标准为依据,对2004年5月至7月乌梁素海水质状况进行评价,并将实地水质监测结果与评价结果对照分析。评价结果与实际情况相符,能够比较准确地反映乌梁素海的水质等级变化。证实了模糊模式识别方法应用于湖泊水质评价中的合理性和可靠性,对于湖泊水质评价具有实际意义。     

基于热裂解和电子鼻的土壤全氮检测方法及特征优化

土壤氮是作物生长发育所必需的营养元素,也是衡量土壤肥力特征的重要指标。为快捷准确测定土壤全氮含量,该研究提出了一种基于热裂解和电子鼻的土壤全氮含量检测方法。采用10种不同类型的气体传感器构建传感器阵列,并对其进行了不同浓度甲烷、氯乙烯和氨气等标准气体的响应测试试验。使用马弗炉裂解土壤样本得到裂解气体,采用气体传感器阵列检测裂解气体的响应曲线。提取响应曲线的平均值（Vmean）、方差值（Vvav）、最大梯度值（Vmgv）、最大值（Vmax）、响应面积值（Vrav）、第8秒的瞬态值（V8）和平均微分系数（Vmdc）7个特征构建121×10×7（121土壤样本,10传感器数量,7特征）的特征空间,采用GA-BP特征优化方法将特征降至33维,形成121×33的特征空间。GA-BP算法优化结果表明,构建的传感器阵列对该文检测方法无冗余影响,其中传感器TGS826、TGS2603、TGS2611和TGS2600对新特征空间的构建贡献最大,特征Vmean、Vmgv、Vrav、V8和Vmdc是反映该文检测方法与土壤全氮含量内在关系的重要特征。采用反向传播神经网络算法（BPNN）、偏最小二乘回归算法（PLSR）和反向传播神经网络与偏最小二乘回归结合算法（PLSR-BPNN）建立特征空间与土壤全氮含量的预测模型,使用决定系数（R2）、均方根误差（RMSE）和相对分析误差（RPD）作为模型性能指标。建模结果表明,PLSR、BPNN和PLSR-BPNN模型的R2分别为0.91、0.81和0.93,RMSE分别为0.25、0.37和0.22,RPD分别为3.24、2.19和3.79,PLSR-BPNN模型拥有最高的R2和RPD,最小的RMSE。结果表明,土壤热解气体与土壤全氮含量之间存在较高的相关性,采用该文检测方法建立的PLSR-BPNN模型可以实现土壤全氮含量的准确预测。     

T7噬菌体尾丝蛋白随机进化文库的构建

为筛选遗传背景清晰、裂解性能优良、宿主识别谱广泛的噬菌体用于抗菌产品开发,满足畜禽减抗、无抗养殖需求,通过易错PCR技术定向改变T7噬菌体尾丝蛋白羧基末端基因序列,并构建T7噬菌体尾丝蛋白随机进化文库,为筛选识别不同宿主的T7噬菌体奠定基础。提取T7噬菌体基因组,用SfiⅠ进行单酶切,回收SfiⅠ位点左侧基因组。常规PCR扩增尾丝蛋白羧基末端基因序列(TF-ct,约350 bp)以及gene17至T7基因组右侧末端基因序列(约4 000 bp)。以回收的TF-ct片段为模板,进行易错PCR扩增,将随机突变的TF-ct基因片段连接T载体,构建质粒文库。从质粒文库中用SfiⅠ/SphⅠ双酶切出TF-ct片段,并与SfiⅠ位点左侧基因组片段、gp17右侧基因组片段进行连接,利用包装蛋白拯救出T7噬菌体尾丝蛋白随机进化文库。结果易错PCR成功扩增TF-ct基因片段,并连接T载体构建质粒文库;同时随机突变的基因正确插入T7噬菌体基因组相应位置,成功拯救出尾丝蛋白定向进化T7噬菌体文库。从噬菌体文库中随机挑选15个克隆进行序列分析,目的基因的突变率在1.23%～2.16%;尾丝蛋白loop区域的氨...     

基于分组注意力模块的实时农作物病害叶片语义分割模型

针对传统农作物病害识别方法准确率低、鲁棒性差等问题,该研究首先提出一种基于分组激活策略的分组注意力模块,利用高阶特征指导加强低阶特征,通过分组计算组内加强系数,减少不同组之间的抑制作用,加强特征表达能力。对比试验表明,分组注意力模块特征强化效果优于传统注意力模块。基于分组注意力模块,该研究提出一种实时高效农作物病害叶片语义分割模型,该模型融合了编码-解码语义分割模型和多流语义分割模型的优点。采用ResNet18模型作为特征提取网络对农作物病害叶片的语义分割像素精度达到93.9%,平均交并比达到78.6%。在单张NVIDIA GTX1080Ti显卡的硬件环境下,输入分辨率为900×600像素的图片,该模型运行速度达到每秒130.1帧,满足实时农作物病害叶片语义分割需求,为现代农业病害识别、自动施肥和精准灌溉等应用提供参考。     

基于语义分割的作物垄间导航路径识别

针对目前农作物垄间导航路径识别目前存在准确性、实时性差、通用性弱及深度学习模型解释困难等问题,该研究在Unet模型的基础上进行剪枝与优化,提出了保留Unet模型特征跳跃连接优势的Fast-Unet模型,并以模型所识别的导航路径为基础,通过最小二乘法回归生成垄间导航线与偏航角。本研究首先在棉花垄间导航路径数据集上进行模型训练,随后将训练的模型迁移至玉米、甘蔗等小样本数据集进行导航路径识别,通过使用梯度加权类激活映射法对模型识别过程与迁移学习过程进行解释,对各模型识别结果进行可视化对比。Fast-Unet模型对棉花、玉米、甘蔗导航路径提取精度指标平均交并比分别为0.781、0.881和0.940。模型推理速度为Unet的6.48倍,在单核CPU上处理RGB图像的推理速度为64.67帧/s,满足农作物导航路径识别的实时性需求。研究结果可为田间智能农业装备的导航设备研制提供技术与理论基础。     

采用改进的SqueezeNet模型识别多类叶片病害

为实现作物叶片病害的准确识别,该研究以PlantVillage工程开源数据库中14种作物38类叶片为研究对象,从网络规模小型化和计算过程轻量化需求的角度出发,对经典轻量级卷积神经网络SqueezeNet提出改进措施,包括修改最后一层卷积层的输出、删除经典模型中的后3个fire模块并修改fire模块5的参数、调节fire模块中expand层中1×1和3×3的卷积核数目的比例、移动部分fire模块在模型中的位置等措施,共获取5种改进的病害叶片检测模型,并运用迁移学习和随机梯度下降算法进行训练。试验结果表明,在不过多损失网络性能的前提下,改进后5种模型的参数内存需求及模型计算量均呈现大幅减小,模型收敛迅速,其中最优模型参数内存需求仅为0.62MB,模型运算量仅为111MFLOPs,其平均准确率达到98.13%,平均查全率达到98.09%,平均查准率达到97.62%,在与已有相关研究的对比中表现出较高的性价比。该研究提出的改进模型在大幅减少参数内存要求和计算量的同时使模型性能保持在一个较高的水平,较好地平衡了这3项指标,适合将模型部署在移动终端等嵌入式资源受限设备上,有助于实现对作物病害的实时准确识别。     

基于U-Net网络的果园视觉导航路径识别方法

针对视觉导航系统在果园环境中面临的图像背景复杂、干扰因素多等问题,提出了一种基于U-Net网络的果园视觉导航路径识别方法。使用Labelme对采集图像中的道路信息进行标注,制作果园数据集;基于U-Net语义分割算法在数据增强的基础上对全卷积神经网络进行训练,得到道路分割模型;根据生成的道路分割掩码进行导航信息提取,生成路径拟合中点;基于样条曲线拟合原理对拟合中点进行多段三次B样条曲线拟合,完成导航路径的识别;最后进行了实验验证。结果表明,临界阈值为0.4时,语义分割模型在弱光、普通光以及强光照条件下的分割交并比分别为89.52%、86.45%、86.16%,能够平稳实现果园道路像素级分割;边缘信息提取与路径识别方法可适应不同视角下的道路掩码形状,得到较为平顺的导航路径;在不同光照和视角条件下,平均像素误差为9.5像素,平均距离误差为0.044 m,已知所在果园道路宽度约为3.1 m,平均距离误差占比为1.4%;果园履带底盘正常行驶速度一般在0～1.4 m/s之间,单幅图像平均处理时间为0.154 s。在当前果园环境和硬件配置下,本研究可为视觉导航任务提供有效参考。