基于智能算法的感应电机多目标优化设计

感应电机自身作为一个复杂系统,其设计变量多,多个设计目标之间相互约束,多目标优化设计过程复杂、限制因素多。针对这种情况,以一台24 V低压大电流感应电机为例,选取了定转子槽6个相关设计参数作为优化变量,以感应电机3个外特性参数(最大转矩、启动电流、效率)作为优化目标,运用计算机辅助电机设计软件ANSYS Maxwell得到了大量工程实验数据,利用BP神经网络对感应电机数学模型进行拟合,并用遗传算法寻找设计变量最优解,使用神经网络的预测功能寻找优化目标最优解。最后用ANSYS Maxwell将最优解进行工程验证,实现了感应电机的多目标优化设计。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。     

采用主成分分析和BP神经网络算法预测池塘养鱼产量和换水量

产量和换水量分别是池塘养鱼经济效益和生态影响的重要衡量指标。为探讨影响常规鱼类养殖产量和换水量的主要因子,建立基于反向传播(BP)神经网络(ANN)算法的预测模型,通过调查获得51组关于混养草鱼(Ctenopharyngodon idellus)、鲫鱼(Carassius auratus)、鲤鱼(Cyprinus carpio)池塘的完整管理信息。经主成分分析(PCA),草鱼放养密度、鲫鱼放养密度、鲫鱼放养规格、鲤鱼捕捞规格、鳙鱼(Aristichthys nobilis)捕捞规格、鲤鱼产量、塘租费、苗种费、饲料费、电费、调水费、病害防治费、人工费、水深及是否发生蓝藻等15个参数均被筛选入放养鱼类总产量和夏季换水量模型中。放养鱼类总产量模型中还筛选进鲫鱼产量、鳙鱼产量和增氧方式3个参数。夏季换水量模型中还筛选进鲤鱼放养密度和鲢(Hypophthalmichthys molitrix)、鳙放养时间2个参数。随机选取45组数据采用BP-ANN算法建模并预测另外6组数据。结果显示,放养鱼类总产量模型相对误差(RE)最大为8.40%,绝对误差(AE)最大为2.53 t/hm~2,平均相对误差(MRE)为5.81%,平均绝对误差(MAE)为1.51 t/hm~2。夏季换水量模型AE值最大为19.10 cm,MAE值为13.36 cm。2种模型决定系数(R~2)分别是0.941 3、0.996 5,均方误差(MSE)分别是0.006 5和0.063 3。总体拟合性能良好,表明BP-ANN是建立养鱼池塘经济效益和生态影响模型的有效手段。     

基于卷积神经网络的蜜蜂采集花粉 行为的识别方法

实时监测蜜蜂觅食行为不仅有助于评估当地农作物授粉状况,也有助于及时采取措施提升蜜蜂产品的产量和品质。将计算机视觉技术引入蜜蜂觅食行为(是否携带花粉)的监测,设计5种浅层卷积神经网络(CNN)进行对比分析,并与深层网络GoogLeNet V1的迁移学习进行对比,寻找适合监测蜜蜂觅食行为的最优模型。发现GoogLeNet V1的识别准确率最高,达0.953 6,但训练耗时最长(7 326 s);浅层卷积神经网络中准确率最高的模型为11层神经网络模型(含4层卷积层),测试准确率为0.903 6,耗时相对较短(1 054 s)。最后,对比传统机器学习算法,发现深度学习优势明显。研究表明,GoogLeNet V1深层网络适用于精度要求高、设备条件好的蜜蜂监测环境;而11层卷积神经网络更符合智能养蜂的实际需求。     

基于BP神经网络模型的桂西资源富集区土地生态安全评价

【目的】科学客观地进行土地生态安全评价,提出可行有效的土地生态系统优化对策,为桂西资源富集区土地生态安全的维护及未来发展提供参考。【方法】基于BP神经网络方法构建土地生态安全评价模型,通过分析影响土地生态系统的自然、经济、社会3个主导因素,建立桂西资源富集区土地生态安全评价指标系统,对2008—2017年桂西资源富集区土地生态安全程度进行评价。【结果】桂西资源富集区2008—2017年土地生态安全程度均属于一般安全状态,且由一般安全状态逐步接近较安全状态;其中百色市、河池市、崇左市分别在不同因素下的土地生态安全程度存在较大差异,且差异在逐年增大。【结论】为了避免桂西资源富集区土地生态安全系统存在发展失衡的倾向,建议桂西资源富集区政府优化营商环境,坚持"绿水青山就是金山银山";制定合理的耕地保护政策,缓解人地矛盾关系。     

基于部首嵌入和注意力机制的病虫害命名实体识别

为了解决农业病虫害命名实体识别过程中存在的内在语义信息缺失、局部上下文特征易被忽略和捕获长距离依赖能力不足等问题，以农业病虫害文本为研究对象，提出一种基于部首嵌入和注意力机制的农业病虫害命名实体识别模型(Chinese agricultural diseases and pests named entity recognition with joint radical embedding and self attention, RS-ADP)。首先，该模型将部首嵌入集成到字符嵌入中作为输入，用以丰富语义信息。其中，针对部首嵌入设计了3种特征提取策略，即卷积神经网络(Convolutional neural network, CNN)、双向长短时记忆网络(Bidirectional long short term memory network, BiLSTM) 和CNN-BiLSTM；其次，采用多层不同窗口尺寸的CNNs层提取不同尺度的局部上下文信息；然后，在BiLSTM提取全局序列特征的基础上，采用自注意力机制进一步增强模型提取更长距离依赖的能力；最后，采用条件随机场(Conditional random field, CRF)联合识别实体边界和划分实体类别。在包含11个类别和24715条标注样本的农业病虫害自制语料上进行了实验。结果表明，本文模型RS-ADP在该数据集上精确率、召回率和F1值分别为94.16%、94.47%和94.32%；在具体实体类别上，RS-ADP在作物、病害、虫害等易识别实体上F1值高达95.81%、97.76%和97.23%。同时，RS-ADP在草害、病原等难以识别实体上F1值仍保持86%以上。实验结果表明，本文所提模型能够有效识别农业病虫害命名实体，其识别精度优于其他模型，且具有一定的泛化性。     

基于R2U-Net和空洞卷积的羊后腿分割目标肌肉区识别

针对前处理工序造成的羊肉智能精细分割目标肌肉区图像识别准确度低的问题，以羊后腿自动去骨分割工序为研究对象，提出一种基于R2U-Net和紧凑空洞卷积的羊后腿分割目标肌肉区识别方法。对传统的U-Net语义分割网络进行改进，以U-Net为骨架网络，采用残差循环卷积块替换原始U-Net的特征编码模块和解码模块中的卷积块以避免U-Net的梯度消失，在特征编码模块和特征解码模块之间增加一个紧凑的四分支空洞卷积模块对语义特征进行多尺度编码，实现缝匠肌图像分割模型的构建。一方面，针对缝匠肌这一核心目标肌肉区，采集羊后腿图像构建数据集训练与测试本文模型，以验证该方法的准确性与实时性；另一方面，通过旋量法标定夹爪坐标系、相机点云坐标系、机器人坐标系的齐次变换矩阵以计算分割路径，并采用主动柔顺的力/位混合控制方法操纵分割机器人进行目标切削运动，验证基于本文方法得到的目标图像开展目标肌肉分割的可行性。相关试验结果表明：当交并比为0.8588时，本文方法平均精确度为0.9820，优于R2U-Net的(0.8324，0.9775)；单样本检测时间平均为82ms，说明本文方法可快速、准确分割出缝匠肌图像，满足机器人自主分割系统的实时性要求，优于U-Net、R2U-Net、AttU-Net算法。最后，在本文方法得到的缝匠肌图像基础上开展机器人实机分割试验，机器人对5条羊后腿的平均切削时间为7.9s，平均偏移距离为4.36mm，最大偏移距离不大于5.9mm，满足羊后腿去骨分割的精度要求。     

基于显著性增强和迁移学习的鱼类识别研究

针对水下鱼类无法快速准确识别的难点,提出一种具有图像主体自动增强功能的鱼类迁移学习方法。该方法将鱼类RGB图像转换至Lab颜色空间后,利用中央周边算子计算得到整个输入图像的显著性值,进而提供鱼类目标的潜在区域,并结合GrabCut算法获取鱼类分割图像,最终将融合分割图的原始图像送入优化后的残差网络中进行训练。通过对23种鱼类进行识别试验,结果显示,固定ImageNet数据集上ResNet-50预训练模型的conv1层和conv2层参数,微调高层参数的方法能够取得最好的识别效果,且在公开的Fish4Knowledge数据集上,该模型取得了最高的识别准确率,平均识别精度达到99.63%。与其他卷积神经网络方法的对比结果显示,本方法在Fish4Knowledge和Fish30Image数据集上的识别精度和时间性能均具有较大优势,其中识别准确率至少提升4.98%。多个数据集上的试验验证了模型的有效性。     

基于卷积神经网络的水稻钵体软盘穴播量检测

为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测。本文在每层卷积单元网络结构参数保持固定的前提下,选取2～4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高。本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98.76%。为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s。研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考。