基于机器视觉的玉米种粒破损识别方法研究

针对玉米种粒在收获、脱粒、贮藏时因各种因素造成损伤和人工选种耗时耗力的问题,提出了一种基于机器视觉的玉米种粒破损检测方法。首先,利用图像获取装置得到单粒玉米种粒图像,通过差影法确定图像噪声种类,采用中值滤波方法对图像进行降噪;其次,标记图像边界,运用灰度阈值法完成玉米种粒图像分割。根据玉米种粒的形态特征分别提取玉米种粒的周长、面积、周长面积比、长轴长、短轴长、长宽比6个几何特征和矩形度、圆形度、紧凑度、7个Hu不变矩10个形状特征,共16个特征。完整玉米种粒和破损玉米种粒图像各50幅作为训练样本,将提取的16个特征分量作为输入量,对支持向量机(Support Vector Machine,SVM)进行训练,输出量为1、0,分别代表"合格""不合格",训练完成后获得玉米种粒的SVM识别模型;另取完整的玉米种粒和破损的玉米种粒图像各50幅作为测试样本,对训练好的SVM模型进行测试。结果表明:该检测方法对玉米种粒破损识别准确率达95%以上,识别100幅玉米种粒图像的时间为1.27s。研究结果为玉米种粒的实时破损检测提供了参考。     

基于SVM的RBF网络在农机总动力预测中的应用

径向基神经网络是一种单隐层的三层前向网络,具有结构简洁、学习速度快等优点。为此,分析了径向基神经网络采用传统聚类方法确定基函数中心存在的问题,提出了一种基于支持向量机聚类确定径向基网络基函数中心的方法。该方法以最大间隔原理和结构风险最小化原则为前提,利用核方法把输入空间的样本映射到高维特征空间完成聚类工作来确定基函数的数量。采用改进的方法训练的径向基神经网络对黑龙江省农机总动力进行非线性时间序列预测,结果表明:改进的网络在确定网络结构、学习速度和提高网络预测精度方面都有较好的效果。     

高光谱技术在常规水稻种子活力检测中的应用

[目的]实现常规水稻种子活力的快速自动化检测。[方法]采用高光谱成像技术(波长范围874~1 734 nm),提取甬籼69和中早39 2种常规水稻种子未老化、老化48 h和老化72 h的光谱反射率,在提取样本光谱时采用小波变换(WT)剔除像素点光谱噪声部分,并基于全波段光谱建立了支持向量机(SVM)判别分析模型。[结果]未老化种子与老化种子可以准确识别,而老化48 h种子与老化72 h种子之间无法准确识别,与基于种子活力参数的测量结果相符,且不同水稻品种对老化的反应存在差异。[结论]高光谱成像技术结合化学计量学方法用于种子活力的快速自动化无损检测是可行的。     

Automated Counting of Rice Planthoppers in Paddy Fields Based on Image Processing

A quantitative survey of rice planthoppers in paddy fields is important to assess the population density and make forecasting decisions. Manual rice planthopper survey methods in paddy fields are time-consuming, fatiguing and tedious. This paper describes a handheld device for easily capturing planthopper images on rice stems and an automatic method for counting rice planthoppers based on image processing. The handheld device consists of a digital camera with WiFi, a smartphone and an extrendable pole. The surveyor can use the smartphone to control the camera, which is fixed on the front of the pole by WiFi, and to photograph planthoppers on rice stems. For the counting of planthoppers on rice stems, we adopt three layers of detection that involve the following：（a） the first layer of detection is an AdaBoost classifier based on Haar features;（b） the second layer of detection is a support vector machine（SVM） classifier based on histogram of oriented gradient（HOG） features;（c） the third layer of detection is the threshold judgment of the three features. We use this method to detect and count whiteback planthoppers（Sogatella furcifera） on rice plant images and achieve an 85.2% detection rate and a 9.6% false detection rate. The method is easy, rapid and accurate for the assessment of the population density of rice planthoppers in paddy fields.     

基于支持向量机方法的森林火险预测研究

以利用气象数据预测森林火险等级为目的,使用半正定规划建模选定支持向量机的最优核函数,依据500余条林火数据建立了支持向量回归机模型,并使用回归误差特征曲线图对比分析各个回归模型的学习效果。分析得到该自定义核函数的均方误差为1.76,支持向量数为190,约占训练数据集的1/2。结果表明,与传统的线性回归方法及基于高斯核的支持向量机相比,该预测模型具有较高的准确率并且有效的避免了过学习的现象。     

基于EMD和SVM的农用柴油机故障诊断研究

针对农用柴油机振动信号的非平稳特性和在现实条件下难以获得大量故障样本的实际情况,提出一种经验模态分解和支持向量机相结合的故障诊断方法。运用经验模态分解方法对气阀机构不同工况下的去噪缸盖振动信号进行分析,计算各内禀模态函数与去噪信号的互信息值以确定主IMF分量,并求其包含时间信息的能量熵以定量描述信号不同时频段的能量分布,将其作为支持向量机的输入特征向量以判断柴油机的工作状态和故障类型。试验结果表明,该方法在小样本情况下也具有较高的精度和较强的泛化能力,但不同转速时需重新采样以保证充足的诊断精度。     

基于声信号特征加权的设施养殖羊行为分类识别

中国西部地区正在发展集约化和规模化的设施养羊业,通过监测羊舍内的声信号可以判别羊只的行为状态,从而为设施养羊的福利化水平评估提取基础依据。梅尔频率倒谱系数（mel frequency cepstrum coefficient,MFCC）模拟了人耳对语音的处理特点且抗噪音性强,被广泛用于畜禽发声信号的特征提取,但其没有考虑各个特征分量表征声信号的能力。该研究构建羊舍无线声音数据采集系统,采集20只羊在设施羊舍内的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为下的声信号,并通过Audacity音频处理软件选出720个清晰且不重叠的声音样本数据。根据MFCC各分量对羊舍声信号表征能力,特征参数提取采用一种熵值加权的MFCC参数,再求其一、二阶差分并进行主成分分析降维,得到优化的19维特征参数。通过对羊舍声信号的声谱图分析,设计了支持向量机二叉树识别模型,并对模型内的4个分类器参数进行网格化寻优测试,该识别模型对羊只5种行为下的声信号进行分类识别,用改进的特征参数与传统MFCC和线性预测倒谱系数（linear predictive cepstrum coefficient,LPCC）进行对比分析。结果表明,该特征参数对5种行为的识别率平均可达83.6%,分别高于MFCC和LPCC参数14.1%和26.8%,羊只打斗和咳嗽行为的声信号属于相似的短时爆发类声音,其识别率分别仅为80.6%和79.5%,啃咬声特征显著不易混淆,其查全率可达到为92.5%,改进特征参数更好的表征了羊舍声信号的特征,提高了羊只不同行为的识别率,为羊只健康和福利状况的监测提供理论依据。     

支持向量回归机在农业供应链预测中的应用

为了提农业供应链预测的能力,应用基于结构风险最小化准则的标准支持向量回归机方法来研究供应链预测问题。在选择适当的参数和核函数的基础上,通过对实例研究,对时间序列数据进行预测,并与人工神经网络方法进行对比,发现该方法能获得最小的训练相对误差和测试相对误差。结果表明,支持向量回归机是研究农业供应链预测的有效方法。     

一种改进的基因表达数据分类方法

从分类算法和特征基因选择两个方面研究基因表达数据的分类,将传统的Support Vector Machines(SVM)算法和K-nearest neighbor(KNN)算法两者结合成为一种应用于基因表达数据分类的算法,并针对基因表达数据分类数据集“样本少,维数高”的特点,提出了一种改进的基于相关性的递归特征消除算法(简称为C-RFE),消除了数据冗余．实验结果表明,新方法可有效提高分类准确率和特征选取的效率．