基于模糊神经网络的智能温室环境控制方案

针对农业温室环境的精确建模和控制问题,提出了一种基于模糊神经网络的智能控制方案。首先,在考虑室内外环境因素下,构建一个有效的温室环境数学模型,获得通风量、喷雾量和加热量的微分表达式;然后,利用一种自适应模糊神经推理系统(ANFIS),以温度和湿度差作为输入,通过神经网络自学习和模糊推理获得控制输出;最后,通过遗传算法优化控制器的输出比例因子,提高控制响应速度和稳定性。实验结果表明:该方案能够快速且稳定地追踪环境设置值,具有很好的控制效果。     

基于分数阶微分视频融合的森林烟火检测算法

森林火灾检测是国内外林业应用研究的重要课题之一。及时准确地检测到森林火灾，对于森林健康及环境安全意义重大。现有的利用视频技术检测森林火灾的方法大多针对单一波段，如可见光波段或红外波段的视频信息进行分析，然而在实际应用过程中，由于森林环境复杂，基于单一波段视频信息检测火灾的结果欠佳。现阶段，基于多个波段的森林火灾检测方法非常少。本文综合利用红外及可见光视频特征，提出了一种基于分数阶微分视频融合的森林烟火检测算法，将分数阶微分理论引入红外视频和可见光视频融合中，利用分数阶微分算子对两个波段视频进行融合，然后利用背景去除法检测融合视频中的异常帧，且对异常帧图像及其与背景帧的差分图像分别进行图像分割，最终得到检测出的森林烟火区域。采用空间频率、平均梯度、森林火灾检测准确率和森林火灾检测时间误差度4个测度对本文算法和基于区域能量融合算法、基于窗口方差融合算法、基于HSI变换融合算法进行定量分析和比较。结果表明，本文算法的融合视频的融合效果最佳，并且森林火灾检测准确率和森林火灾检测时间误差均明显优于其他3种算法，说明本文提出的算法具有较好的有效性和准确性，为森林火灾检测提供了有利的新途径。      

双向链表人口迁移算法

最短路径搜索是路径分析中的热点问题.将双向链表和人口迁移算法的智能进化体制相结合,提出一种新的启发式智能仿生优化算法——双向链表人口迁移算法,并用于求解最短路径问题.仿真实验结果表明：双向链表人口迁移算法求解最短路径搜索问题是可行、有效的.     

基于Harris和卡尔曼滤波的农业机器人田间稳像算法

针对田间颠簸环境影响农业机器人采集实时稳定图像问题，提出了基于Harris和卡尔曼滤波的农业机器人田间稳像算法。首先，利用摄像头获取田间抖动视频图像序列，进行图像子区域划分并计算各区域灰度均方差，进而确定各区域Harris角点阈值；通过自适应角点阈值设置，增加角点距离约束，完成图像角点检测。然后，对检测出的角点进行光流跟踪，计算出帧间运动估计参数。最后，利用自适应卡尔曼滤波算法对运动估计参数进行平滑操作并动态调整滤波平滑性能，获得精确运动估计矢量。测试结果表明，改进后的Harris角点检测算法区域平均分布标准差减小；自适应卡尔曼滤波算法在保证平滑随机运动前提下，跟踪主动运动性能平均提升30.75个百分点；稳像后的图像峰间信噪比提升15.93%,单帧处理时间为25.66 ms,满足农业机器人30 f/s高速图像采集时同步稳像对实时性要求。     

连续投影算法融合信息熵选择霉变玉米高光谱特征波长

运用高光谱技术鉴别玉米霉变等级时,因光谱波段数多、数据量大、信息冗余度高,使鉴别工作难度加大。为了减少数据量,获得最有利于鉴别的高光谱信息特征波长,本研究提出了一种连续投影算法(SPA)融合信息熵的特征波长选择方法。首先,对霉变玉米样本高光谱数据运用多元散射校正(MSC)进行光谱预处理以消除噪声,然后利用SPA对处理过的光谱进行波长初选,得到8个初选特征波长,再通过信息熵原理处理初选特征波长下的图像信息,获得最佳特征波长。结果表明,运用SPA融合信息熵法得到有利于霉变玉米鉴别的最佳波长为819 nm,提取该波长下霉变玉米图像的纹理特征后,采用Fisher判别分析(FDA)进行鉴别,6个等级霉变玉米的鉴别正确率高达98.6%,充分证明所给出的特征波长选择方法是有效的。本研究特征波长选择方法可为更好地运用高光谱技术鉴别玉米霉变等级提供指导。     

Alpha-shape算法构建枣树点云三维模型

为了实现枣树智能化修剪作业，该研究提出了基于点云配准的自然光照环境下的果树三维重构方法，并针对传统最近点迭代（Iterative Closest Point，ICP）算法对待配准点云的空间位置要求苛刻的问题，提出了改进的点云配准算法。首先，使用彩色深度（RGB-D）相机采集不同角度下的枣树彩色和深度图像，并通过信息融合实现相应角度下的点云获取。其次，对点云进行背景去除和滤波处理，基于直方图设定分割阈值，提取单株枣树点云，并将放置在树根附近的标靶球作为标记，使用人工标记法进行两站点云初配准。最后，在初配准基础上计算点云的曲面法向量和曲率，由曲率相近的点构成配对点对，使用k维树最近点迭代（k dimensional-tree-Iterative Closest Point，kd-tree-ICP）算法完成精配准，对点云使用Alpha-shape算法面片化，实现表面重构。利用上述方法对多棵枣树进行全局配准并完整重构果树模型。试验结果表明，通过引入初配准，有效提高了点云配准的准确性和稳定性，配准误差均控制在1.0 cm以内，平均配准误差为0.78 cm；重构模型真实感较强，在外观上更加接近真实树，枝干相对误差控制在7%以内。该研究重构模型精度较高，可为枣树智能修剪提供可视化研究基础和技术支持。     

基于混合狼群算法参数优选的泵站群运行优化

对于求解复杂的并联泵站群优化运行模型,狼群算法(wolf pack algorithm,WPA)存在收敛性和鲁棒性差等问题。为改善这些问题,该文以某典型并联泵站群为例,以泵站系统主机组运行能耗最低为优化目标,考虑流量、叶片角度、开机台数等约束条件,建立了并联泵站群优化运行模型。将模拟退火算法引入WPA算法中,提出混合狼群算法(hybrid wolf pack algorithm,HWPA)用于求解建立的优化模型。选择最小值、平均值和标准差作为算法性能的评价指标。相较于粒子群算法(particle swarm optimization,PSO)和WPA算法,HWPA算法求解典型并联泵站群优化运行模型得出的运行能耗最小值平均降低了15.60、10.23 kW,平均值平均降低了36.94、14.30 kW,标准差平均降低了84.82%、72.90%。在HWPA算法的基础上,对算法中的游走步长、奔袭步长、围攻步长的最小值和最大值4个参数进行单因素分析和拉丁超立方抽样设计计算,确定出4个参数的最优组合为0.33、1.53、0.672和4.8×10^5,进而提出改进混合狼群算法(improved hybrid wolf pack algorithm,IHWPA)。相较于HWPA算法,IHWPA算法求解典型并联泵站群优化运行模型得出的运行能耗最小值和平均值平均降低了4.66和13.26 kW,标准差平均降低了94.02%。应用IHWPA算法确定典型并联泵站群6个不同运行工况优化方案,结果表明,采用引入模拟退火算法、优选WPA算法参数的方法提高了算法的全局收敛性与计算鲁棒性,泵站运行最优决策方案较实际方案的运行能耗平均降低9.80%,可为泵站工程提供合理有效的运行方案,降低运行能耗。     

基于特征金字塔注意力与深度卷积网络的多目标生猪检测

在生猪饲养环境中,猪只黏连、杂物遮挡等给生猪个体多目标检测带来很大困难。该研究以猪圈群养生猪为研究对象,以视频帧为数据源,提出一种适用于生猪形体检测的特征金字塔注意力(FeaturePyramidAttention,FPA)与Tiny-YOLO相结合的模型FPA-Tiny-YOLO。该模型将注意力信息融入到特征提取过程,在不大幅增加计算量的前提下即可提升特征提取能力、提高检测精度。对8栏日龄20～105 d的45头生猪视频截取图像进行图像处理,获得标注图片4 102张,构建了4种深度FPA模块分别加入YOLOV3与Tiny-YOLO模型中。试验表明,深度为3的FPA模块(即FPA-3)的Tiny-YOLO模型在测试集上对群养生猪多目标检测的召回率Recall、F1与平均检测精度m AP指标值最佳,分别达到86.09%、91.47%和85.85%,比未引入FPA模块的Tiny-YOLO模型均有不同程度的提高。选用不同的IOU(Intersection Over Union)和score阈值超参数值对模型预测结果均有不同程度影响;将测试集图像按照是否黏连与遮挡划分4种场景来探究该模型的鲁棒性。试验表明,加入FPA-3模块后Tiny-YOLO的Recall、F1与m AP比Tiny-YOLO分别提升6.73、4.34和7.33个百分点,说明特征金字塔注意力信息有利于精确、有效地对不同场景群养生猪进行多目标检测。研究结果可为后续开展生猪身份识别和行为分析移动端应用提供参考。     

基于随机森林算法和气象因子的砀山酥梨始花期预报

准确预报始花期是制定砀山酥梨花期管理措施和赏花活动方案的重要基础。该文利用1983-2018年砀山酥梨始花期的定位观测物候数据和平行观测的气象资料，采用线性趋势法，揭示始花期演变趋势；采用相关分析，筛选影响始花期的关键气象因子，依据不同预报日期构成特征变量集；采用随机森林算法（Random Forest, RF），自3月11日开始预报到3月25日终止预报，每日训练1个预报模型。结果表明，1）1983－2018年始花期呈极显著提早发生趋势，每10a约提前2.750 d（P＜0.001）。2）16个逐日气象预报模型中，共计有200个气象因子与始花期早迟密切相关，相关系数在0.469～0.789之间；各气象预报模型的训练集与测试集的平均正确率（Nd）分别为92.9%和75.5%、平均均方根误差（RMSE）分别为1.693～2.870和2.240～7.237、平均决定系数（R2）分别为0.891和0.701。3）2019年试验预报中，提前15日准确预报出当年始花期。该文研究表明RF在梨树始花期逐日气象预报中有一定业务应用潜力，预报准确率基本满足气象服务需求。     

基于近红外光谱的沼液挥发性脂肪酸含量快速检测

挥发性脂肪酸（Volatile Fatty Acids，VFA）作为厌氧发酵过程的重要中间产物，其在厌氧反应器中的累积能够反映出产甲烷菌的不活跃状态或厌氧发酵条件的恶化。为了实现对农牧废弃物厌氧发酵进行过程分析和状态监控，将近红外光谱（Near Infrared Spectroscopy，NIRS）与偏最小二乘（Partial Least Squares，PLS）相结合构建玉米秸秆和畜禽粪便厌氧发酵液乙酸、丙酸和总酸含量快速检测模型。将竞争自适应重加权采样法（Competitive Adaptive Reweighted Sampling，CARS）与遗传模拟退火算法（Genetic Simulated Annealing algorithm，GSA）相结合构建CARS-GSA算法对沼液中的乙酸、丙酸和总酸进行特征波长优选，原始光谱数据1 557个波长点经预处理和波长优选后，得到乙酸、丙酸和总酸特征波长变量分别为135、101和245个，建立的回归模型验证决定系数分别为0.988、0.923和0.886，预测均方根误差（Root Mean Squared Error of Prediction，RMSEP）分别为0.111、0.120和0.727，相对分析误差分别为9.685、3.685和3.484，与全谱建模相比RMSEP分别减少了17.78%、15.49%和1.22%，能够满足农牧废弃物厌氧发酵过程发酵液中乙酸和丙酸含量的快速检测需求，基本满足总酸的检测需求。结果表明，通过构建CARS-GSA算法优选乙酸、丙酸和总酸的敏感波长变量，参与建模的波长点数量显著减少，有效降低了变量维度和模型复杂度，提升了回归模型检测精度和预测能力，为快速准确检测沼液VFA提供了新途径。