改进层次分析法在生猪养殖工艺评估的应用

针对养猪业养殖工艺评估问题,基于层次分析法(AHP)建立相对规范的生猪养殖技术评价体系模型。引入智能算法思想对层次分析法中一致性问题做出解决方案。试验将采用模拟退火算法(SA)与粒子群算法(PSO)相结合的方式优化一致性。首先构建分层递进的层级模型,其次初始化粒子和给定起始温度和退火系数利用模拟退火粒子群算法更新粒子状态优化判断矩阵一致性参数。试验结果表明:初始一致性参数0.231 9,0.127 3,0.130 4,0.130 4,粒子群优化参数为0.094 7,0.098 1,0.099 2,0.099 5,经本文方法优化后为0.085 7,0.097 3,0.098 1,0.098 7。该方法能够有效避免单一粒子群算法陷入局部最优问题,并且能得到更好的一致性指标。说明此种方法可以有效评估分析出生猪养殖工艺中较重要指标,充分反映专家评估意愿,减少个人主观因素的影响,能较为理想地得出评估结果。     

基于融合的DWT-LTP-IGLCM的野生食用菌纹理特征分类方法研究

为更好解决野生食用菌纹理特征提取方法的识别效率和准确性问题,针对相似野生食用菌褶,提出DWT-LTP-IGLCM的纹理特征提取融合方法,利用DWT有效保留图像的主要特征,通过LTP中心像素与相邻像素间的关系设定固定的阈值,不仅消除了噪声的干扰且具有更好的光照鲁棒性,结合旋转不变的灰度共生矩阵IGLCM的特征参数,得到了12个食用菌纹理特征值进行分析,基于支持向量机SVM方法对其特征进行有效的分类。试验结果表明:DWT-LTP-IGLCM的纹理特征提取,可以有效将相似食用菌进行分类识别,分类的正确率达到了100%,并且减少了食用菌外部特征分类的错分率,提高了食用菌分类识别效果。     

基于优化卷积神经网络的玉米螟虫害图像识别

【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。     

基于物联网的玉米智能生产技术体系探讨

探讨了物联网技术在玉米生态环境监测、玉米生产资源高效利用、玉米精准生产管理等方面的应用,提出了玉米高产、优质、高效、生态、安全的现代生产方式,构建了基于物联网的玉米智能生产的技术体系。该技术体系对保证玉米的高产稳产具有十分重要的意义。     

基于迁移学习与卷积神经网络的玉米植株病害识别

大数据背景下产生了海量图像数据,传统的图像识别方法识别玉米植株病害准确率较低,已远远不能满足需求。卷积神经网络作为深度学习中的常用算法被广泛用于处理机器视觉问题,能自动识别和提取图像特征。因此,本研究提出一种基于数据增强与迁移学习相结合的卷积神经网络识别玉米植株病害模型。该算法首先通过数据增强方法增加数据,以提高模型的泛化性和准确率;再构建基于迁移学习的卷积神经网络模型,引入该模型的训练方式,提取病害图片特征,加速卷积神经网络的训练过程,降低网络的过拟合程度;最后将该模型运用到从农田采集的玉米病害图片,进行玉米病害的精确识别。识别试验结果表明：使用数据增强与迁移学习的卷积神经网络优化算法对玉米主要病害（玉米大斑病、小斑病、灰斑病、黑穗病及瘤黑粉病）的平均识别准确度达96.6%,和单一的卷积神经网络相比,精度提高了25.6%,处理每张图片时间为0.28s,比传统神经网络缩短了将近10倍。本算法的精确度和训练速度上比传统卷积神经网络有明显提高,为玉米等农作物植株病害的识别提供了新方法。     

“互联网+”时代应用型本科教育教学改革探析——以吉林省为例

"互联网+"给应用型本科教育教学带来了深刻的影响,迫切需要探索"互联网+"时代应用型本科教学改革的实施路径。为此,笔者以吉林省为例,对"互联网+"时代应用型本科教育教学改革进行探析。认为吉林省本科教育教学应从教学内容、教学方法和评价模式三方面进行改革,通过政策导向、教师培养和校企合作等方面保证改革的顺利实施,推进吉林省的一批高校向应用型大学方向发展,以满足地方经济建设发展需求。     

基于改进的 AlexNet 卷积神经网络的植物叶片识别

针对多类植物叶片识别准确率和计算效率低问题,通过残差连接卷积层,构建了一种基于残差连接的Alexnet卷积神经网络。对卷积层的输入数据进行批归一化,进而加速网络的收敛速度。利用两种不同的全局池化算法既能减少特征图数目又能提高算法识别植物叶片的准确性和计算效率。对于不同种类植物叶片,实验验证残差连接的Alexnet卷积神经网络能够进行高效识别。     

基于区块链的水稻供应链溯源信息保护模型研究

针对水稻供应链在使用区块链技术追溯过程中数据共享时隐私数据容易泄露的问题,在分析水稻供应链业务流程和信息分类的基础上,建立了以区块链节点授权保护方法为核心的水稻供应链信息保护模型。在供应链溯源隐私数据上传区块链网络前,利用密码分组链接模式(Ciper block chaining,CBC)对其进行对称加密,采用椭圆曲线算法(Elliptic curve cryptography,ECC)对密钥加密后写入区块链网络中,区块链网络中存储隐私数据加密后的密文,授权节点利用私钥查看区块链上溯源隐私数据,实现在区块链网络中共享隐私数据。在此基础上对方法的安全性能进行了分析,加密算法的扩散性测试密文改变率平均值为0.838。最后,基于Hyperledger Fabric平台设计实现了水稻全供应链信息溯源系统,并通过具体应用案例进行了验证分析。结果表明,本文提出的节点授权法对需要保护的隐私数据进行了节点间的差异化,兼顾了企业隐私数据需要加密保护和供应链溯源数据需要公开监管两方面的问题,解决了水稻供应链生产、加工、流通等多节点之间的数据共享问题,为水稻供应链区块链溯源研究提供了借鉴和参考。     

基于云平台的大米产地确证方法研究

针对大数据背景下地理标志大米产地真伪鉴别的算法模型与实现技术,以大米中矿物质元素含量数据为基础,运用Hadoop分布式集群技术,构建了基于MapReduce的并行化随机森林、支持向量机、人工神经网络与线性判别分析算法模型.结果表明,并行化随机森林模型的判别准确率为97.55％,与相同条件下并行化构建的支持向量机、人工神经网络与线性判别分析模型相比具有更好的产地判别精度,同时依托并行化随机森林模型构建的云平台能获取到较好加速比,不仅能够实现对未知地区大米数据进行准确的产地鉴别,而且能够通过提升数据量或计算节点数,更高效地处理大规模数据.