近红外玉米品种鉴别系统预处理和波长选择方

以7个品种玉米籽粒的鉴别系统为研究对象,对比研究了6种预处理方法和波长选择对模型鉴别能力的影响.结果表明,在被比较的6种预处理方法中,一阶导数方法能够使模型有更好的鉴别性能.使用一阶导数预处理和全光谱区的模型平均正确识别率和正确拒识率最高,分别为98.6%和98%,有5个品种的模型的正确识别率和正确拒识率都达到了100%.波长选择对一阶导数模型没有明显作用,但能使标准正态变量变换和矢量归一化模型鉴别准确度得到较大提高.     

西北地区干红葡萄酒产地与酒龄的理化判别方法

西北地区具有独特的风土条件，适宜酿酒葡萄的种植，已形成"大产区大品牌"的产业规划。但西北地区葡萄酒的地域风格尚不明晰，导致产业的规范性不足，可持续发展存在隐患。该研究分析西北地区干红葡萄酒的23项重要的色泽-味感理化指标，旨在开发一种基于机器学习技术的葡萄酒判别方法，实现西北地区干红葡萄酒产地和酒龄的精准判别。首先，以西北地区200款干红葡萄酒为研究对象，通过理化试验测定了总酚、总花色苷、滴定酸等23项色泽-味感理化指标；然后，采用Pearson相关系数分析了西北产区葡萄酒质量特征的一致性，并耦合随机森林（Random Forest, RF）分析理化指标对干红葡萄酒产地和酒龄表征的贡献度；最后，基于人工神经网络（Artificial Neural Networks, ANN）构建了西北地区干红葡萄酒产地和酒龄的精准判别模型。结果表明，色泽相关指标的模型贡献率合计31%，花色苷相关指标的模型贡献率合计26%，酚类物质相关指标的模型贡献率合计21.1%。模型对宁夏产区酒样判别的灵敏度（Sensitivity, SEN）为98.72%，准确率（Accuracy, CCR）98.72%；对新疆产区酒样判别的SEN为95.45%，CCR为100%；对甘肃产区酒样判别的SEN为100%，CCR为95.45%。该方法可以实现西北产区干红葡萄酒产地和酒龄的精准判别，可为中国西北地区优质葡萄酒的生产和产品的市场监管提供科学依据。     

大数据杀熟行为中的消费者权益保护——以司法判例为切入点

平台经济作为依托网络技术发展起来的新型经济形态,受到当前社会的普遍关注。大数据杀熟行为是平台经济发展的典型产物,其通常是利用消费者的消费频率、习惯、地域与能力等进行个性化定价,对消费者的知悉真情权、自主选择权、公平交易权与个人信息保护权均造成侵害。当前在对大数据杀熟行为中消费者权益进行保护时,存在大数据杀熟行为的认定标准模糊、相关部门监管能力不足、消费者维权机制缺乏与算法技术存在一定风险等问题。因此,应从完善相关法律法规、完善相关监管工作、加强对消费者权利救济与加强算法技术层面的治理着手,以实现对消费者权益的保护,维护网络平台经济秩序。     

食品营养信息认知与使用的城乡差距分析——来自微观消费者问卷调查的证据

探究食品营养信息认知与使用城乡差距是识别农村地区食品营养短板的关键，对填补农村地区弱势群体食品营养与安全洼地具有重要意义。基于大样本的消费者问卷调查数据，利用似不相关回归模型和倾向得分匹配法，分析食品营养信息认知和使用的城乡差距，并采用Oaxaca-Blinder法对其进行解构分析，探究其影响因素。结果表明，总体上城乡居民营养信息认知与使用水平均较低，并且城乡之间差距显著，表现为农村居民认知与使用明显弱于城镇居民。在考虑营养信息认知与使用相关性，以及潜在的样本自选择偏误后，营养信息认知与使用城乡差距仍然显著。城乡营养信息认知和使用差距在女性和高收入群体显著，但在男性和低收入群体不显著。营养信息认知和使用城乡差距构成均具有显著的“歧视效应”，占比分别为41.65%和51.05%，食品营养信息与农村居民的契合度较低，信息歧视明显。因此，应重视农村营养信息认知和使用短板，加强农村地区营养信息规范性审查、实施营养信息差异化设置、加强食品营养教育和培训，缩小城乡差距。     

含六杆组八杆机构曲柄存在域自动生成方法

对于含六杆组八杆机构的曲柄存在域问题，给出了一种自动生成的方法。该方法首先基于型转化法数值迭代计算出机构所有可能存在的初始位置；然后在每个初始位置的基础上，再次采取型转化法数值迭代进行运动分析，有效避免了高次非线性方程多解无法判断最优解的问题；最后用雅可比矩阵法筛选出无分支缺陷的回路。机构若满足原动件旋转整周均能够求出位置解，则该机构在此回路中存在曲柄。基于上述理论依据，采用VC++和OpenGL联合编程，能够在给定区域内自动生成该类八杆机构曲柄存在域。同时软件能够进行运动仿真，验证了方法的正确性，为含六杆组八杆机构曲柄存在域的自动生成方法奠定了理论基础。     

基于机器视觉的烤烟烟叶部位的智能识别

采集烤烟不同叶位烟叶图像并进行预处理，提取烟叶叶长、叶宽、面积、周长和最小外接矩形面积5个叶片绝对形态特征参数，计算狭长度、矩形度、圆形度、叶宽最大处占比、叶宽轴与质心夹角5个相对形态特征；通过主成分分析筛选出特征向量，构建基于K近邻算法(KNN)、逻辑回归(LR)、基于线性核函数和径向基核函数的支持向量机(SVM)和BP神经网络的烟叶部位识别模型，并对比5种模型的识别效果。结果表明：基于图像轮廓特征所提取的形态特征参数可以较为有效地反映烤烟部位特征；5种识别模型中，基于BP神经网络模型的识别效果最好，识别准确度为93.75%，训练集和测试集的模型决定系数均高于90%。     

Airborne multispectral imagery and deep learning for biosecurity surveillance of invasive forest pests in urban landscapes

Urban and peri-urban trees in major cities provide a gateway for exotic pests and diseases (hereafter “pests”) to establish and spread into new countries. Consequently, they can be used as sentinels for early detection of exotic pests that could threaten commercial, environmental and amenity forests. Biosecurity surveillance for exotic forest pests relies on monitoring of host trees — or sentinel trees — around high-risk sites, such as airports and seaports. There are few publicly available spatial databases of urban street and park trees, so locating and mapping host trees is conducted via ground surveys. This is time-consuming and resource-intensive, and generally does not provide complete coverage. Advances in remote sensing technologies and machine learning provide an opportunity for semi-automation of tree species mapping to assist in biosecurity surveillance. In this study, we obtained high resolution (≥12 cm), 10-band, multispectral imagery using the ArborCam™ system mounted to a fixed-wing aircraft over Sydney, Australia. We mapped 630 Pinus trees and 439 Platanus trees on-foot, validating their exact location on the airborne imagery using an in-field mapping app. Using a machine learning, convolutional neural network workflow, we were able to classify the two target genera with a high level of accuracy in a complex urban landscape. Overall accuracy was 92.1% for Pinus and 95.2% for Platanus, precision (user’s accuracy) ranged from 61.3% to 77.6%, sensitivity (producer’s accuracy) ranged from 92.7% to 95.2%, and F1-score ranged from 74.6% to 84.4%. Our study validates the potential for using multispectral imagery and machine learning to increase efficiencies in tree biosecurity surveillance. We encourage biosecurity agencies to consider greater use of this technology.     

基于深度学习网络实现番茄病虫害检测与识别

为利用计算机或人工智能技术协助番茄病虫害防治，以存在病虫害侵害问题的番茄植株图像为研究对象，针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络，用于精确定位图像中的病虫害目标，并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络，以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比，基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%，旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%；2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较，本研究的检测和分类方法也存在优势，病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之，本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络，有助于提升番茄病虫害的防治效果，对计算机视觉在农业领域的应用具有重要意义。