多农机重复路径协同作业下的导航路径迭代学习控制

在农作物从种到收多个作业环节中,多农机大都按同一参考路径(存在实时干扰)协同作业。针对"重复路径行驶"特点和借鉴"迭代学习"思想,可以逐渐提高协同作业时的农机导航路径跟踪精度,因此提出一种基于迭代学习控制的农机导航路径跟踪方法。首先,建立了离散的车辆运动学非线性模型;然后,设计了开闭环迭代学习控制律,并进行了收敛性分析;最后,进行了直线和圆形路径跟踪仿真实验。结果表明:迭代学习控制能够实现农机导航路径的完全跟踪;相同迭代次数下,与开环、闭环控制仿真结果比较,开闭环迭代学习控制收敛速度更快,路径跟踪误差逐渐趋近于0。     

高校教学改革要处理好教与学的关系

教学是学校教育的根本任务,人才培养质量是高校的生命线。“教”与“学”的关系问题 是教育的基本问题。随着网络、信息、大数据等现代科学技术的迅速发展,高等教育资源、环境 进一步优化,为高校教学提供了许多便利,学生自主学习需求不断增强。教育理念变化,教育环 境、教育时空、学习场景、教育数据采集的变化,对课堂教学中的教与学从目的、内容、方法、模 式、效果评价等都提出了新的课题与挑战,加快教学改革,创新教与学的关系将是当前和今后一 个时期提高教学质量的核心问题和关键所在。     

基于CNN和迁移学习的农作物病害识别方法研究

互联网是一个巨大的资源库,也是一个丰富的知识库。针对农作物小样本引起的过拟合问题,本研究引入了知识迁移和深度学习的方法,采用互联网公开的ImageNet图像大数据集和PlantVillage植物病害公共数据集,以实验室的黄瓜和水稻病害数据集AES-IMAGE为对象开展相关的研究与试验。首先将批归一化算法应用于卷积神经网络CNN中的AlexNet和VGG模型,改善网络的过拟合问题;再利用PlantVillage植物病害数据集得到预训练模型,在改进的网络模型AlexNet和VGG模型上用AES-IMAGE对预训练模型参数调整后进行病害识别。最后,使用瓶颈层特征提取的迁移学习方法,利用ImageNet大数据集训练出的网络参数,将Inception-v3和Mobilenet模型作为特征提取器,进行黄瓜和水稻病害特征提取。本研究结合试验结果探讨了适用于农作物病害识别问题的最佳网络和对应的迁移策略,表明使用VGG网络参数微调的策略可获得的最高准确率为98.33%,使用Mobilenet瓶颈层特征提取的策略可获得96.8%的验证准确率。证明CNN结合迁移学习可以利用充分网络资源来克服大样本难以获取的问题,提高农作物病害识别效率。     

基于颜色和纹理特征的玉米干旱识别

探究以颜色和纹理为特征,以神经网络建模为方法,识别玉米干旱的效果。利用可见光成像方式采集不同干旱胁迫下的玉米图像,通过编程从玉米图像中自动提取颜色和纹理特征变量,以多个BP神经网络集成学习的方法构建玉米不同生长发育阶段的干旱识别模型,识别不同干旱程度的玉米植株。结果表明：玉米出苗—拔节阶段的模型在训练和验证时的平均识别准确率和平均识别精度均在90%以上,识别误差均值小于0.1;拔节—抽雄阶段的模型在训练和验证时识别干旱的平均准确率和平均识别精度均在85%以上,识别误差均值为0.1和0.14;抽雄—成熟阶段的模型在训练和验证时识别干旱的平均准确率分别为85.36%和84.27%,平均精度在均在80%以上,识别误差均值为0.15和0.16。玉米出苗—拔节、拔节—抽雄、抽雄—开花3个阶段的干旱识别模型对田间玉米干旱的平均识别准确率在75%左右,平均识别精度在80%以上,平均识别误差依次为0.22、0.21、0.29。总之,出苗—拔节阶段的玉米干旱识别模型识别干旱的能力最强,拔节—抽雄阶段的模型次之,抽雄—成熟阶段的模型较差,同一模型对同一干旱程度的识别,模型训练时的识别效果最好,验证时的识别效果次之,测试效果较差,同一模型对不同干旱程度的识别,总体表现为对中旱水平识别效果最不理想,对适宜和特旱水平的识别效果最好。研究结果为玉米干旱特征模式识别和利用表型特征实现玉米旱情自动监测预警提供参考。     

基于高光谱图像的龙眼叶片叶绿素含量分布模型

针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络(CNN)多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型。首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解(SVD)和独立成分分析(ICA)提取特征光谱,再对特征光谱图像提取灰度共生矩阵(GLCM)和CNN纹理特征,最后建立粒子群优化(PSO)支持向量回归(SVR)、深度神经网络(DNNs)分布模型。结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2。对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0。试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据。     

基于深度学习的大棚及地膜农田无人机航拍监测方法

随着精准农业技术的发展,快速获取大棚和地膜农田面积及地理分布的需求越来越大,但沿用面向卫星遥感影像的解译方法处理无人机航拍影像,存在特征选择复杂、识别精度较低、处理时间长等问题。基于此,本文提出一种基于深度学习的大棚及地膜农田无人机航拍监测方法,即采用六旋翼无人机搭载索尼NEX-5k相机进行航拍作业,对采集到的558幅赤峰市王爷府镇地区的无人机航片进行正射校正与拼接,构建全卷积神经网络(Fully convolutional network,FCN),通过多尺度融合的方法实现了FCN的5个变种模型:FCN-32s、FCN-16s、FCN-8s、FCN-4s、FCN-2s,使用带动量的随机梯度下降算法端到端训练模型,自动提取并分类影像特征。FCN模型与ENVI商用遥感软件的基于像素的分类方法、e Cognition软件的面向对象的分类方法对比后表明:FCN-4s模型为识别大棚和地膜农田的最佳模型,对于测试区域的平均整体正确率为97%,而基于像素的分类方法平均整体正确率为74.1%,面向对象的分类方法平均整体正确率为81.78%。FCN-4s模型平均运行时间为16.85 s,是基于像素的分类方法运行时间的0.06%,是面向对象的分类方法运行时间的5.62%。本方法可快速准确获取大棚和地膜农田的地理分布及面积,满足设施农业对无人机航拍监测的需求。     

基于深度学习的诱捕器内红脂大小蠹检测模型

红脂大小蠹是危害我国北方地区松杉类针叶树种的重大林业入侵害虫,其虫情监测是森林虫害防治的重要环节。传统的人工计数方法已经无法满足现代化红脂大小蠹监测的需求。为自动化识别并统计信息素诱捕器捕获的红脂大小蠹,在传统信息素诱捕器中集成摄像头,自动采集收集杯内图像,建立蠹虫数据集。使用K-means聚类算法优化Faster R-CNN深度学习目标检测模型的默认框,并使用GPU服务器端到端地训练该模型,实现了诱捕器内任意姿态红脂大小蠹的目标检测。采用面向个体的定量评价和面向诱捕器的定性评价两种评价方式。实验结果表明：较原始Faster R-CNN模型,该模型在困难测试集上面向个体和诱捕器的精确率-召回率曲线下面积（Area under the curve,AUC）提升了4.33%和3.28%。在整体测试集上个体和诱捕器AUC分别达0.9350、0.9722。该模型的检测速率为1.6s/幅,准确度优于SSD、Faster R-CNN等目标检测模型,对姿态变化、杂物干扰、酒精蒸发等有较好的鲁棒性。改进后的模型可从被诱芯吸引的6种小蠹科昆虫中区分出危害最大的红脂大小蠹,自动化地统计诱捕器内红脂大小蠹数量。     

基于K-SVD基的林区监测站数据采集方法研究

基于K-SVD字典学习算法（K-singular value decomposition, K-SVD）的压缩感知技术应用在林区微环境监测站中,可极大地减少数据传输数量,从而降低监测站的使用能耗,延长监测站的使用寿命。本文选用空气温度作为实验对象,验证算法的可行性,并与前人提出的基于离散傅里叶变换基（Discrete fourier transform, DFT）的压缩感知方法进行对比实验。实验结果表明,当稀疏度k相同时,K-SVD算法的平均稀疏化误差始终小于DFT算法,且误差分布范围更加集中;当稀疏度和压缩率均相同时,K-SVD算法的平均重构误差也始终小于DFT算法,且误差分布范围更加集中。在林区微环境监测站中,K-SVD算法具有更好的稀疏表示性能以及重构性能,在降低相同系统能耗的同时,也降低了数据传输的误差。     

基于卷积神经网络的菊花花型和品种识别

菊花作为国内十大名花之一,具有极为重要的观赏价值和经济价值,表现为种类丰富、花样瓣形繁多的特点,这些特征对其智能识别和高效的管理带来很大挑战。目前菊花的识别和管理主要靠人工方式,效率不高。本文基于端到端的卷积神经网络技术,直接作用于菊花的原始图像数据,通过逐层进行特征学习,进而利用多层网络获取菊花的特征信息,从而避免了人工提取特征的困难和问题,在此基础上使用优化目标函数实现菊花花型的高效、智能识别。针对菊花花型之间差别细微的特点,在细粒度上实现区分相同花型和不同花型的目标函数,系统不仅能够识别菊花花型,还能给出菊花所属的概率值和该花型涵盖的菊花品种。系统的实现分为离线训练和在线识别2个阶段,训练处的模型可以离线托管在云端以便在移动环境下使用。为了训练网络模型,采集了大量的菊花图像样本,并手工标注了相关的花型和类别信息,在此数据集上,与现有的典型系统进行了对比试验,试验表明:系统平均识别率可以达到0.95左右,部分达到0.98,系统识别精度得到明显提升,除此之外系统还能提供更加详细的菊花种类信息,实现了的菊花花型和品种智能识别和高效管理,具有重要的理论和应用价值,为菊花的自动化管理提供了有力的手段。     

自然环境下多类水果采摘目标识别的通用改进SSD模型

为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。