基于牛肉大理石花纹标准(BMS)图像的纹理特征分析

 【目的】研究基于图像纹理特征来描述牛肉大理石花纹标准的方法。【方法】以日本、美国和澳大利亚的牛肉大理石花纹分级图像为基础,通过线性回归的方法来研究纹理特征与牛肉大理石花纹标准之间的内在关系。【结果】通过彩色梯度和局部二值模式(LBP)处理后提取灰度共生矩阵的4个特征：对比度、相关度、能量和一致性,这些特征可以准确地描述3个不同国家的牛肉大理石花纹标准。其中,能量特征对图像的差异性不敏感,可以作为3种牛肉大理石花纹标准的共性特征。【结论】基于牛肉LBP纹理特征的线性回归预测模型可以作为牛肉大理石花纹标准的一项合理评估依据。     

基于图像处理的冬小麦氮素监测模型

为探索基于数字图像处理技术的冬小麦氮素无损诊断图像评价指标及构建方法,设计拍摄2012-2014年度不同种植方案下冬小麦冠层图像,基于归一化的H分量K均值聚类分割算法提取基础颜色特征值,与同期叶片氮含量(leaf nitrogen content,LNC)进行线性拟合,调优并确定三原色分量最佳拟合系数,提出RGB空间下的颜色组合标准化指数(normalized color mix index,NCMI)。对比深绿色指数(dark green color index,DGCI)、红光标准化值(normalized redness intensity,NRI)和绿光与红光比值G/R发现,3个采样期NCMI与LNC的决定系数R~2均高于3个对比指标,分别为0.77、0.79、0.94,均方根误差(root mean square error,RMSE)相较同期最低的指标,分别降低了0.18%、0.37%和1.67%;生选6号和扬麦18号NCMI与LNC的相关性,在一定冠层覆盖度下均优于其他3个指标;D2密度(3×106株/hm~2)N1(纯氮150 kg/hm~2)处理下NCMI效果明显优于其他3个指标,R~2和RMSE较NRI分别改善了7.69%和4.11%,该研究可为一定冠层覆盖度下的冬小麦氮素营养诊断图像评价指标提供参考。     

基于光子传输模拟与卷积神经网络的苹果品质检测

针对传统果蔬品质检测方法中因样本数量不足而导致检测误差大的问题,提出了一种基于面光源下光子传输模拟的苹果品质检测方法。以苹果为研究对象,采用蒙特卡洛方法仿真光子在苹果双层平板模型的运动轨迹,快速得到20000幅苹果组织表面光亮度分布图像,以光学参数作为标签,输入卷积神经网络进行训练,将得到的模型进行微调迁移,应用到少量实测苹果光谱图像的数据集上进行光学特性参数的反演,最后将该网络模型全连接层的输出结果与苹果品质建立关联,实现对苹果糖度及硬度的无损检测。结果表明,果肉吸收系数μa2反演准确率为93.24%,果肉散射系数μs2反演准确率为92.54%;与传统光学参数方法相比,苹果品质分类模型糖度和硬度的预测准确率分别提高了5.87、6.48个百分点,苹果品质回归模型糖度和硬度的决定系数分别提高了0.1397和0.088,与基于点光源的预训练模型相比达到了更好的效果。     

基于低功耗传输方法的设施花卉环境监测系统

为了降低现有设施环境监测系统中传感节点的能耗,延长无线传感网络的生存周期,该文提出了节点动态组包主动传输和多种环境变量加权控制传输2种低功耗机制,减少了大量重复冗余数据的传输,并实现了基于Zigbee的设施花卉环境监测及其低功耗传输系统。节点以CC2430芯片为核心,并根据影响花卉生长的环境参数,同时装载SHT10温湿度传感器、BH1750FVI光照传感器以及COZIR二氧化碳传感器,因此节点可同时采集传输多种环境参数,降低了硬件成本。在南农大园艺试验基地进行组网测试,试验结果表明,系统比传统周期传输节点(周期1min)的能耗减少85.97%,测量精度在98.5%以上,网络平均丢包率为0.84%,满足了对设施花卉环境的有效监测及低功耗传输的要求。     

表示学习技术研究进展及其在植物表型中应用分析

表示学习是一种将研究对象的内在信息表示为稠密低维实值向量的方法,其基本思路是找到对原始数据更好的表达。表示学习凭借其自动提取特征的能力,在处理大量人为先验理解有限的数据时表现出高效性。有监督以及无监督的表示学习模型在文本、图像、三维点云等植物表型数据的分析研究中获得了运用。随着近年来数据量的迅速增长以及基因组学研究的快速发展,植物表型研究数据具有高通量、高精度等特征,表示学习模型在海量高维植物表型数据的分析任务中获得了关注。本文简述了表示学习的相关概念和表示学习技术研究进展,对有监督和无监督的表示学习模型进行对比分析,阐述了植物表型数据概念及其处理方法,重点从植物种类识别、病虫害检测分析、产量预测、基因研究和形态结构表型数据计算等方面,探讨了表示学习在植物表型中的研究应用意义及其存在的问题。最后,指出表示学习在植物表型应用中的发展方向:开发能够适用于分析不同种植物表型数据的表示学习模型,实现高整合度、高通用性的目标;提高表示学习模型的实时性及准确度,以增强其实用性;多模态表型数据的表示学习可为学科的交叉数据分析研究提供统一的数据视图。     

以“卓越教育”引导计算机专业学生实践创新能力培养

提高实践创新能力是培养具有引领行业发展和具有国际竞争力的软件类高级工程技术卓越人才过程中重要环节。以"卓越工程师教育培养计划"为引导,树立教育创新理念,明确"实践、创新、能力"为培养目标,从教学模式的构建、核心专业课程群的建立、激励机制的制定等方面突出计算机专业本科生实践创新能力的培养。     

基于高光谱图像和深度学习的菠菜新鲜度检测

针对传统机器视觉在实现菠菜新鲜度检测精度偏低的问题,该文提出了一种基于高光谱和深度学习技术的圆叶菠菜新鲜度识别新方法。以10℃常温贮存的圆叶菠菜为研究对象,以天为单位,综合考虑影响菠菜新鲜度的6个因素:贮藏天数、外观、含水率、叶绿素a、叶绿素b和胡萝卜素,将菠菜划分为新鲜、次新鲜和腐败3个等级。拍摄菠菜叶片的高光谱图像,计算ROI(region of interest)反射率均值后,基于分组精英策略遗传算法,结合2种分组策略,筛选出含6个波长的组合。定义训练集R和测试集合T,使用SVM分类器,基于波长对应的反射率,分别进行基于光谱特性界定菠菜的新鲜度分类试验。找出了识别率均值最高的3个波长,分别是389.55、742.325和1 025.662 nm。由于基于光谱特性进行菠菜新鲜度检测时识别率偏低。尝试基于菠菜的高光谱图像特征进一步进行菠菜新鲜度识别研究。从高光谱图像集中抽取这3个波长对应的菠菜图像,构成菠菜图像样本库(Norm Img389、Norm Img742、Norm Img1025和Norm Img_merge),基于深度学习技术建立菠菜新鲜度识别模型,对图像样本库中4类图像进行识别试验,平均识别准确率79.69%、68.75%、69.27%和80.99%。而Norm Img389测试集识别正确率接近80%,Norm Img_merge测试集识别正确率最高达到了80.99%,说明融合3个波长对应的图像进行等级识别效果最好。该研究实现了圆叶菠菜新鲜度的无损检测,具有实践和理论意义。     

基于半监督主动学习的菊花表型分类研究

鉴于人工和专家分类模式的局限性,基于表型的菊花分类存在效率低下的问题。本文采用基于半监督主动学习技术,在已分类菊花数据的基础上,利用未标号菊花样本数据提供的信息,建立了菊花表型分类模型,提升了分类质量和效率。该模型可以不依赖外界交互,利用未标号样本来自动提升菊花分类的质量。为了训练学习模型,本文收集了菊花的表型特征数据,标注了菊花表型类别,并研究了菊花分类属性特征的编码技术。在此数据集上,采用基于图标号传播的半监督学习技术对未标号的菊花数据进行建模,为了提升半监督分类的有效性,在标号传播的基础上使用主动学习技术,采用熵最大策略来选择难以识别的样本,以改进分类质量。在该数据集上进行了试验验证,并进行了试验对比和分析,试验结果表明,本文方法能够较好地利用未标号菊花样本提升分类的精度,随着标号百分比从6.25%升至23%,识别精度达到0.7以上,标号百分比在81.25%时,平均识别精度和召回率分别达到0.91和0.88。     

基于RFID/GIS物联网的肉品跟踪及追溯系统设计与实现

为了提高肉品跟踪与追溯系统信息的实时性、准确性和可靠性，该文介绍了无线射频识别技术（RFID）、物联网及电子产品代码（EPC）系统相关技术，提出了基于无线射频识别技术的肉品企业资源平台架构，详细研究和分析了肉品销售阶段的信息流程，设计了基于无线射频识别技术的肉品销售跟踪及追溯体系，包括跟踪系统和追溯系统。跟踪系统通过在销售节点上的产品电子代码系统，对附有无线射频识别芯片标签的肉品信息进行跟踪。追溯系统通过对象名解析服务（ONS）服务器，查出肉品销售相关节点实体标记语言（PML）服务器的地址，进而获得肉品的     

基于窄带光谱图像分析的小麦冠层植被指数测量方法研究

[目的]针对小麦生长早期植被指数易受土壤背景干扰的问题，提出了一种基于窄带光谱图像分析的小麦植被指数测量方法。[方法]构建了多镜头结构的窄带光谱图像获取装置，实时获取656和770 nm的田间小麦窄带光谱图像。运用简单线性聚类(simple linear iterative clustering, SLIC)和VGG16(visual geometry group network 16)全卷积神经网络对小麦近红外窄带光谱图像进行超像素聚类和分类，把交并比(Q_seg)、综合评价指标(F值)、精度(Precision)作为分割精度评价指标，分析传统阈值分割方法和本研究方法去土壤背景干扰的性能差异。去除土壤背景后的窄带光谱图像采用太阳光免白板标定方法计算植被指数，并与GreenSeeker RT200的实测数据进行对比分析，定性定量评价本研究方法去除土壤背景干扰的性能。[结果]试验共采集12个小麦品种、2个施氮水平、24块种植小区图像，Q_seg、Precision和F值的平均值分别为90.41%、80.82%和72.73%,分割性能均优于传统的阈值...