基于神经网络的树叶识别系统研究

在林业系统注册树木种类时,通常采用大量树叶上的可见外形特点来辨别数目繁多的树木种类。针对此问题,本文提出了基于神经网络的树叶识别方法,该方法建立并管理一个分等级的树叶图像体系,通过对不同种类树叶的边缘提取来识别每种树叶的特征点,从而得到树叶的外部轮廓来区分树木种类:给出了相应的改进型神经网络算法,并给出详细的论述过程:最后,通过Java语言给出了系统实现并做了大量的数值仿真。结果证明本文方法是可行有效的。图4表1参8。     

林业企业电网实现最佳无功补偿的技术方法

本文对林业企业电网实现最佳无功补偿问题进行了探讨,并提出了确定电网实现最佳无功补偿容量的计算公式及具体方法,为提高电网功率,缓解林区供电紧张的问题提供了依据。     

Dough and bread made from high- and low-protein flours by vacuum mixing: Part 1: Gluten network formation

The effects of reduced headspace pressure on the development of gluten network in doughs made from both high-protein flour (HPF) and low-protein flour (LPF) were investigated. The effect of vacuum mixing was found to be dependent on both flour-type and mixing-time. A significant increase in dough extensibility was observed when the HPF dough was mixed under moderate vacuum of −0.04 MPa for 3 min as compared to the one mixed under atmospheric pressure for the same duration. This was attributed to the formation of a more extensive gluten network associated with an increased disulphide bond density and a significantly higher β-sheet to β-turn ratio. On the other hand, over-mixing was observed in the LPF dough that was mixed for 5 min under atmospheric pressure. Applying moderate vacuum of −0.04 MPa allowed the LPF dough to withstand longer mixing time, as indicated by its increased disulphide bond density and biaxial extensibility compared to the control dough mixed under atmospheric pressure. Results of this study suggest the potential of applying vacuum to reduce the mixing time required for high protein flour and to prevent the over-mixing of low protein flour.     

网络对农业高校大学生学习的影响及对策

网络现已成为大学生日常生活中不可或缺的一部分。网络所具有的资源丰富、快速便捷等特点给大学生带来了很多积极影响,但是网络所带来的消极影响也不容小觑。通过对农业院校大学生学习情况的调查,研究并总结了网络对大学生学习的积极和消极影响。针对网络对大学生学习的负面影响提出了几点应对之策。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

基于产品空间理论的中国林业产业升级特征分析

林业产业如何进行转型升级是实现林业现代化与高质量发展中的重要一环。本文基于产品空间理论，使用聚类热图和复杂网络方法，构建1962—2017年中国林业产业产品空间，从产品复杂度和优势林产品变化两个角度分析林业产业升级特征。结果表明，新获得优势林产品复杂度高，为0.31，传统失势林产品较低，为-0.21，表征林业产业已朝附加值更高的有利方向升级，但传统优势林产品复杂度较低，说明林业产业已有优势产品竞争激烈不利于升级。产品复杂度较高的潜在优势林产品是林业机械、机械零件和林化产品，优势林产品在产品空间中的变化存在一定路径依赖，先扩散后收敛于产品空间的中心位置，政府制定的林业产业政策与全球化背景可能促进了优势林产品升级。因此，政府制定产业政策时，应对不同优势类型林产品采取差异化策略，应完善产品复杂度低的传统优势林产品市场退出机制；减少与优势林产品距离较近的潜在优势林产品政策干预，对距离较远的复杂度高的潜在优势林产品使用补贴等方式引导升级。     

一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。     

改进RBF神经网络在我国大豆价格预测中的应用研究

我国大豆价格受国内外多种因素共同影响,具有非线性、随机性和高噪音等特点,采用传统数学模型进行预测,不仅分析难度大,预测误差也很大。RBF神经网络以其优良的逼近性能而被广泛应用于非线性时间序列预测之中。本文提出一种基于遗传算法优化RBF神经网络的我国大豆价格预测模型,该模型为多维输入单维输出的多变量预测模型,模型的初始输入由大豆价格的历史数据和相关影响因素数据组成。采用遗传算法对RBF神经网络输入层节点数、基函数中心、扩展常数和输出层权值进行优化,模型可以从初始输入变量中自主选择最合适的输入变量组合作为模型的输入。采用2009-2014年的大豆价格数据进行预测研究,用2009-2013年的数据作为训练集,2014年的数据作为测试集,改进RBF神经网络通过自主识别和选取中国大豆进口量、中国消费者信心指数和进口大豆到港分销价格3个因素作为相关影响因素的输入。结果表明:模型预测精度较高、泛化能力较强,能够很好捕捉大豆价格变化规律,可为大豆市场价格的准确预报提供参考借鉴。     

高校心理健康教育网络课程模式的构建与实例分析

计算机多媒体技术和网络技术日新月异的发展,教育信息化的推进,为努力实现高校心理健康教育课程教学内容、教学手段和教学方法的全面创新,本文以《心理健康教育》网络课程为例,尝试剖析其在模式构建、教学设计、交互安排、教学应用等方面的特征,以期为开辟高校心理健康教育课程的新模式提供思路。