基于CNN的冰糖橙分级系统

为了提高冰糖橙的产业竞争力和效益,在售前对其进行分级是一道重要的工序。针对传统的冰糖橙表面缺陷分级方法存在工作繁琐且受人为因素干扰大的问题,本研究设计了一种将卷积神经网络(Convolutional Neural Networks,CNN)算法与虚拟仪器技术相结合的冰糖橙表面缺陷智能分级系统,并基于LabVIEW2018平台设计开发了一套冰糖橙分级系统。通过实验验证,该系统识别率达96.67%,验证了该分级方法和分级系统的有效性和可行性。     

基于PCA-Attention-LSTM网络的土壤氮含量监测

土壤作为农作物生长的主要营养来源,氮是植物生长的重要元素,有效评价土壤氮素含量可以促进配方施肥的发展。提出主成分分析、注意力机制和长短时记忆神经网络相结合的模型(PCA-Attention-LSTM)来监测土壤的氮素含量。采用PCA(主成分分析)对数据进行处理,提取影响土壤氮含量的关键影响因子,降低模型向量输入的维数,利用注意机制突出预测中的关键输入特征。在Keras深度学习框架的基础上搭建PCA-Attention-LSTM的网络模型,实现对未来2 h土壤氮含量的精监测。最后,以黑龙江省依安甜菜养植基地的数据对土壤氮含量进行训练和验证。结果表明,与RNN等其它网络模型相比,该模型的效果更好,基于PCA-Attenlion-LSTM网络模型的平均绝对误差,均方根误差和平均绝对百分误差分别为0.119、0.020、0.156。该模型预测精度高,泛化能力强,可以应用于土壤氮含量的监测。     

采摘机器人自主采摘学习能力研究 —基于LM-BP神经网络

为了让采摘机器人更加快速和准确地识别目标水果的成熟度,提出了一种基于BP神经网络的自主学习方法。由于BP神经网络容易陷入局部最优值且训练效率较低,因此进行了改进,实现了LM-BP神经网络算法。测试结果表明:与BP神经网络算法相比,LM-BP神经网络算法训练学习速度更快,测试精度更高,能够满足采摘机器人对目标水果成熟度识别精度的要求,具有一定的应用价值。     

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。     

排球运动规划在采摘机器人识别与定位中的应用

在排球比赛过程中,扣球是得分最关键的动作之一,为了得到合适位置出手点、角度和力度等优化数据,可以采用排球机器人训练的方法,通过植入人工智能算法,对扣球过程中的数据进行采集,最后通过运动规划使扣球动作达到最佳姿态。排球机器人运动规划方案可以移植到采摘机器人的智能化训练上,加快对果实信息采集和处理效率,从而更快地捕捉到果实目标,对路径规划做出响应,对于提高采摘机器人定位和识别能力具有重要的意义。为了验证方案的可行性,对基于排球机器人运动规划系统的采摘机器人定位识别功能进行了测试,结果表明:采摘机器人可以成功定位和识别果实,且响应速度较快、误差较小,可以满足采摘机器人定位识别功能的设计需求。     

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。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。