基于HSV与形状特征融合的花椒图像识别

光照条件变化会对花椒目标识别率产生影响,关系到机器视觉技术能否有效应用于生产现场的花椒采摘。通过对HSV特性图像识别技术的分析,提出HSV和形状特征融合的花椒识别算法。该算法采用同态滤波方法对光照进行补偿,解决因为光照不均匀而导致的花椒识别率低的问题,最后利用花椒圆度特征,排除树枝及树叶等的干扰,实现花椒的准确识别。利用同态滤波方法对光照进行补偿,对于光照不强或者发生遮挡的花椒图像有较大改善,通过试验得出其平均识别率达到94.0%,比单独采用HSV特性识别时,在顺光,背光和遮阴条件下,识别率分别提高4%,13%和21%,此外在遮阴条件下运行时间缩短14.6%。为遮阴条件下提高花椒识别率提供一种方法。     

移动互联网环境下农机企业危机沟通的思考*

从危机沟通的渠道、危机沟通的具体策略、危机沟通的后续行动三个方面,为中国农机企业的危机沟通提供可行建议。以形象修护理论为基础,结合移动互联网环境传播特点以及中国农业机械化发展的实际情况,分析新浪新闻手机客户端、今日头条手机客户端上的两条农机质量纠纷视频。推荐农机企业使用的8条具体策略包括:否认事件不实部分;表明事件的意外属性;阐明自身出发点;阐明自己的贡献及所做出的努力;提出物质补偿;提出改进措施;承担有错部分;主动向用户征询意见。提出危机沟通应在线上、线下两种渠道进行,危机沟通应与具体行动相结合。     

商品化猪丹毒疫苗分类及特点

文章介绍了5种商品化猪丹毒疫苗的种类、毒株组成、抗原含量及相应免疫程序,为了解各种类型的猪丹毒商品化疫苗提供参考。     

湖北省杉木人工林立地类型划分及评价

以湖北省杉木人工林为研究对象,选择166块具有代表性的杉木人工林标准地,并测定样地的常规立地因子。利用数量化理论Ⅰ的方法建立了杉木优势高与立地因子之间的关系模型,对研究区杉木人工林进行立地类型划分及立地质量评价。结果表明,所选择的5个立地因子与优势高数量化拟合的复相关系数为0.639;海拔、腐殖层厚度和坡位这3个立地因子对优势高的贡献率达84.99%,且影响均达到极显著水平;采用海拔、腐殖层厚度和坡位3个因子构建研究区杉木人工林立地类型,共划分为22类;按照优、良、中、差4个评价等级对166块样地所属的立地类型进行立地质量评价,得出湖北省杉木人工林在中海拔、土壤湿润、土壤养分含量较高的立地条件下生产力较高,研究区立地质量整体处于中等偏上水平的结论。     

中国杜鹃花品种分类问题与思考

杜鹃花具有极高的观赏价值，是世界级名花。经过数百年的人工选育，全球杜鹃花品种已超过3万个。我国虽然拥有丰富的杜鹃花资源，但园艺化程度与国外差距明显，其中一个重要原因就是国内杜鹃花品种分类及品种名称较为混乱，阻碍了其进一步应用和发展。文中综述了近年来中国杜鹃花品种分类研究的成果与存在的不足，并展望了研究方向。分析认为，综合植物系统分类学研究及品种亲本来源信息是建立科学品种分类体系的基础，同时运用分子生物学技术和形态性状数量分析等方法进行归类将是重要的研究方向。     

基于极化分解和集成学习的PolSAR影像分类

为实现Pol SAR数据极化信息的充分利用,以进一步改善分类效果,该研究提出了一种基于极化分解和集成学习的Pol SAR影像分类方法。该方法首先利用多种极化分解方法从Pol SAR影像中提取极化参数;将提取的极化参数组合成一幅多通道影像;然后对多通道影像进行分割和特征提取,分别提取出各目标极化分解方法所对应的特征;并进行特征选择和分类,得到各目标极化分解方法的分类结果;最后利用集成学习技术对各分类结果进行集成。该研究以吉林省长春市部分区域为研究区,Radarsat2影像为数据源,将提出的方法应用于土地覆被分类中,取得了较好的分类效果,总体精度和Kappa系数分别达到了92.49%和0.90。此外,该研究还将提出方法与其他基于多种极化分解的分类方法进行比较,对比方法的总体精度和Kappa系数分别为90.74%和0.88,比提出方法分别低1.75%和0.02,对比结果进一步证明了提出方法的优越性。     

A novel approach to estimating the competitive ability of Cirsium arvense in cereals using unmanned aerial vehicle imagery

Eight experiments were carried out in Denmark to determine the yield loss of spring barley due to Cirsium arvense in farmers' fields and to suggest and evaluate a novel approach for quantifying C. arvense infestation in large plots. Literature about the competitive ability of C. arvense is old, scattered and inconclusive, and existing models for estimating crop yield loss are based on data from North America. This study showed that C. arvense coverage could be quantified from unmanned aerial vehicle imagery using a manual image analysis procedure. This gave similar results as scoring the coverage. Yield loss of spring barley due to C. arvense infestation assessed at harvest was given by Y = 100·(1−exp(−0.00170·X)) where Y is the percentage of crop yield loss and X is the percentage of C. arvense coverage. The yield loss was much lower than estimates from models that have been developed in North America. It is speculated that the main reason for this is the later emergence of C. arvense than the crop due to lower soil temperatures in spring. Grain moisture increased linearly with C. arvense coverage: M = 0.0310·X where M is the proportional (%) increase in grain moisture and X is the proportion (%) of C. arvense coverage. Automated image analysis procedures are needed to estimate C. arvense coverage on field scales, and further experiments are needed to reveal whether the low competitive ability of C. arvense found in this study is representative for Northern Europe.     

食用菌品牌形象的视觉艺术价值

从视觉艺术的角度研究食用菌品牌形象的设计。通过讨论品牌名称、标志物和文字等食用菌品牌视觉要素,提出了食用菌品牌形象的视觉艺术价值设计原则。食用菌品牌形象的视觉艺术价值体现在品牌设计的多个方面,创新的视觉艺术能让食用菌品牌形象真正体现艺术的价值。     

基于CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。