一种新型卷积神经网络植物叶片识别方法

为提高植物叶片识别的准确率及减少计算代价,在Pytorch框架下提出一种融合了深度卷积生成式对抗网络(DCGAN)和迁移学习(TL)的新型卷积神经网络叶片识别方法。首先,对植物叶片图像进行预处理,通过DCGAN对样本数据库扩充;其次,利用迁移学习将Inception v3模型应用于图像数据处理上,以提高植物叶片识别的准确率;最后,通过对比实验对该方法的有效性进行验证。结果表明:该方法可以获得96.57%的植物叶片识别精度,同时参数训练的迭代次数由4000次缩短到560次。     

基于灰色-BP神经网络模型的多情景交通用地需求预测——以长江中游城市群为例

为探索科学预测区域交通用地需求的合理途径,指导国土空间规划编制中交通用地规模的划定,拟通过灰色-BP神经网络模型识别主要社会经济影响因素,以长江中游城市群为例,在预测其远景交通用地需求规模的同时,基于城市群发展的阶段特征选取典型城市群样本设置3类情景,对不同情景下的交通用地需求分别进行预测。结果表明:1)城镇化水平、产业结构高度化程度和劳动力资源禀赋是当前影响长江中游城市群交通用地需求的主要社会经济因素。2)通过系统仿真试验对比不同方法的交通用地需求预测结果,可以发现基于灰色-BP神经网络模型的预测方法精度较高,误差较小,该预测方法对于区域交通用地规模的预测具有一定的适用性。预测得到的长江中游城市群2020和2030年交通用地需求分别为31.22万和49.07万hm2。3)不同情景下长江中游城市群交通用地需求预测结果存在明显差异,底线情景可作为划定交通用地规模的底限,一般情景可作为基准,极限情景可作为红线,长江中游城市群交通用地合理规模应以基准为参考,介于底线和红线之间。     

Prediction of baking results from farinograph measurements by using stepwise linear regression and artificial neuronal networks

In an effort to extract additional data from farinograph experiments a model was developed to simulate the measurements and correlate the parameters of the model with results from baking tests. This additional information can be used in bakeries to predict the baking properties of the flours and adjust the recipes to maintain a constant product quality. For this eight different flours were characterized with a farinograph and 13 different results from baking experiments. An approach with five nonlinear differential equations was able to model the farinograph measurements very well (average R² = 0.995 ± 0.005). While a stepwise multilinear regression only showed weak correlations in cross validation between a single parameter of the model and the baking volume (R² = 0.745) and the volume yield (R² = 0.796) respectively, the artificial neuronal network was more successful. For the baking weight (R² = 0.926), the dough yield gross (R² = 0.909) and net (R² = 0.913) strong correlations were found. A good correlation for the baking volume (R² = 0.853) was also determined, while the volume yield showed comparable results to the linear regression (R² = 0.792).     

基于YOLO v3与图结构模型的群养猪只头尾辨别方法

在利用视频监控技术对群养猪只进行自动行为监测时,对猪只准确定位并辨别其头尾位置对提高监测水平至关重要,基于此提出一种基于YOLO v3(You only look once v3)模型与图结构模型(Pictorial structure models)的猪只头尾辨别方法。首先,利用基于深度卷积神经网络的YOLO v3目标检测模型,训练猪只整体及其头部和尾部3类目标的检测器,从而在输入图像中获得猪只整体及头尾部所有的检测结果;然后,引入图结构模型,描述猪只的头尾结构特征,对每个猪只整体检测矩形框内的头尾部位组合计算匹配得分,选择最优的部位组合方式;对部分部位漏检的情况,采取阈值分割与前景椭圆拟合的方法,根据椭圆长轴推理出缺失部位。在实际猪场环境下,通过俯拍获得猪舍监控视频,建立了图像数据集,并进行了检测实验。实验结果表明,与直接利用YOLO v3模型相比,本文方法对头尾定位的精确率和召回率均有一定提高。本文方法对猪只头尾辨别精确率达到96.22%,与其他方法相比具有明显优势。     

基于深度学习的牛肉大理石花纹等级手机评价系统

大理石花纹是影响牛肉品质等级的重要指标,目前中国牛肉加工企业对大理石花纹的评价是由专业分级人员参照标准图谱完成,具有主观性强、耗费人工的缺点。针对上述问题,该研究提出了基于深度学习的智能分级方法,设计一种具有4层卷积的神经网络结构,实现了大理石花纹特征的自动提取,并基于智能手机开发了牛肉大理石花纹检测软件。该研究共采集样本图像1 800张,按3:1:1分为校正集、验证集和测试集。为进一步验证模型,将该方法与传统机器视觉方法进行了比较,提取了牛肉大理石花纹的大、中、小脂肪颗粒个数,脂肪总面积和脂肪分布均匀度5个参数,并建立了多元线性回归模型。试验结果表明,该研究所用方法大理石花纹检测准确率更高,验证集检测正确率为97.67%。最后编写了手机软件,将模型移植入Android手机,在手机平台上调用模型进行大理石花纹检测。试验表明,该软件对测试集样本的检测准确率为95.56%,单张检测时间低于0.5 s。该研究结合卷积神经网络分类能力强和智能手机运行速度快等优点,开发了牛肉大理石花纹的手机评价系统,具有较好的实用性和便携性,可提高牛肉大理石花纹检测效率,有助于提高农畜产品检测的智能化水平。     

光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型

为了进一步提高种子含水率的高光谱估算精度，该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值，分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系，构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型，并对模型进行了验证；再结合一元线性回归（SLR，Single Linear Regression）、逐步多元线性回归（SMLR，Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR，Partial Least Squares Regression）模型与BP神经网络（BPNN，BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm，一阶微分光谱特征波长位于1 150、1 950、2 080 nm；2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优，在能够满足水分估算精度的情况下，是最优的选择方法。3）将优选的特征参数作为输入，实测含水率值作为输出，构建BP神经网络模型，其建模与验模R2分别为0.978和0.973，RMSE分别为0.22%和0.242%，而RPD值分别为6.478和5.889，与其他模型相比，BP神经网络模型的建模及预测精度均最高，是估算油用牡丹种子含水率的最优模型，其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力，是估算油用牡丹种子含水率的有效方法。     

采用卷积神经网络构建西北太平洋柔鱼渔场预报模型

对远洋渔场资源和位置进行预报可以为远洋渔业生产及管理提供重要信息。该研究针对西北太平洋柔鱼渔场，利用海洋表面温度遥感信息和中国远洋渔船生产资料，基于深度学习原理，选取卷积神经网络构建西北太平洋柔鱼渔场预报模型。根据不同月份、不同通道构建了多种数据集，用于训练渔场预报模型。训练结果表明，4个通道组合的数据集的训练结果最优，渔汛早期（7-8月）、中期（9月）和后期（10-11月）测试样本的准确率分别为80.5%、81.5%和81.4%。以2015年的真实渔场数据对模型进行验证，模型的平均召回率为82.3%，平均精确率为66.6%，F1得分平均值为73.1%，预测的高产渔区与实际作业的高单位捕捞努力量渔获量区基本匹配。该研究构建的渔场预报模型可以获得较好的准确率，可为其他鱼种的渔场预报模型构建提供新的思路。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。     

花龄期棉花虫害的电子鼻检测

棉花害虫具有隐蔽性、迁飞性和突发性特点，并且影响因素众多，棉花虫害准确地诊断是农业领域的难点问题。该研究以受到棉铃虫侵害的花铃期棉花为研究对象，采用电子鼻对不同处理的棉花挥发物进行检测。研究表明，主成分分析（Principal Component Analysis, PCA）和聚类分析结果显示健康棉花释放的挥发物具有明显的昼夜节律性，健康棉花与虫害棉花差异性显著。径向基函数神经网络（Radial Basis Function Neural Network, RBFNN）对8个不同时间的4组虫害棉花处理进行分析，测试集判别总的正确率为73.4%，健康棉花对照组测试集判别正确率100%，误判样本出现在3个虫害处理之间。当不考虑时间因素建立虫害棉花统一的预测模型，RBFNN模型对健康棉花对照组的预测正确率均达到了100%，分析结果可以作为花铃期棉花是否遭受棉铃虫侵害的依据，说明电子鼻可以作为棉花虫害发生的有效监测手段，在农作物虫害监测领域具有潜在的应用价值。     

基于改进极限学习机的水体溶解氧预测方法

为了有效地指导水产养殖生产，提高溶解氧浓度预测的精度，提出了基于因子筛选和改进极限学习机（Extreme Learning Machine，ELM）的水产养殖溶解氧预测模型。首先，利用皮尔森相关系数法计算各影响因子与溶解氧浓度间的相关系数，提取强关联因子，降低预测模型的输入量维度；采用偏最小二乘算法（Partial Least Square, PLS）优化传统ELM神经网络，避免网络中隐含层共线性问题，保障输出权值的稳定性；然后，结合新型激活函数，构建水体溶解氧浓度预测模型。最后，将SPLS-ELM（Selection Based Partial Least Square Optimized Extreme Learning Machine）预测模型应用到江苏省无锡市南泉基地某试验池塘的水体溶解氧预测中。试验结果表明：该模型的预测均方根误差为0.3232，与最小二乘支持向量机（Least Square Support Vector Machine，LSSVM）、BP神经网络、粒子群（Particle Swarm Optimization，PSO）优化LSSVM和遗传算法（Genetic Algorithm, GA）优化BP神经网络相比分别降低40.98%、44.48%、34.73%和44.18%。且该模型的运行时间仅0.6231s，预测精度和运行效率明显优于其他模型。该模型的溶解氧预测曲线接近真实溶解氧变化曲线，能够满足水产养殖实际生产对水体溶解氧预测的要求。