基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于卷积神经网络马铃薯叶片病害识别和病斑检测*

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的mAP可达90.03%,以F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%,F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。     

叶面滞尘量对大叶黄杨光谱特征影响研究

  目的  叶面滞尘会影响植被光谱特征，削弱植被指数对植被的响应能力，影响反演评估的准确性。为探究叶面滞尘量对植被光谱响应特征及预测模型的影响，本文以北京市常见常绿绿化树种大叶黄杨为研究对象展开研究。  方法  从封闭区域、半封闭区域、开放区域，采集叶片样本，并收集环境灰尘。通过室内控制试验，利用ASD FildSpec Handheld光谱仪测量不同滞尘量叶片的高光谱数据，选取5个特征波段，通过光谱角的方法研究了叶面滞尘量对叶片光谱特征的影响，以及滞尘量对叶面滞尘量预测模型的精度和稳定性影响。  结果  随着叶面滞尘量的增加，植被光谱曲线特征逐渐减弱，灰尘的特征逐渐增强，但光谱曲线的总体变化趋势基本一致。当叶面滞尘量 > 120 g/m2时，光谱曲线的基本表现为灰尘的光谱特征。当叶面滞尘量较少时，预测模型的模拟精度相对较高，随着滞尘量的增加，所有模拟预测模型的决定系数均减小；当叶面滞尘量 > 120 g/m2时，预测模型对叶面滞尘量的模拟预测能力将更差，并且均方根误差（RMSE）随着叶片单位面积滞尘量的增加而增大，模拟预测模型的稳定性及预测精度逐渐降低。光谱角对滞尘叶片350 ~ 1 770 nm波段区间的光谱变化十分敏感，利用叶片光谱角检测滞尘程度不需要分区域讨论，只需与阈值做简单的比较，方法简便易行。  结论  本研究通过室内控制试验，研究叶面滞尘量对植被光谱响应特征，可为建立滞尘植被光谱反射物理模型提供参考与借鉴。      

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

基于VGGNet网络的雾霾无人车防碰撞研究

针对雾霾天气下无人车行驶容易出现视野受限，导致防碰撞能力下降的问题，提出了一种基于VGGNet网络的深度卷积神经网络模型，通过反向传播算法不断调整模型的权重和偏置，对收集雾霾天气下的图像和相关数据进行处理，实现模型的训练和优化。实验结果表明，所提出的方法可以有效地提高无人车在雾霾天气下的防碰撞能力，达到了良好的效果。研究结果可以为无人车行业在特殊气候条件下的防碰撞提供了一种新思路和实现方法，具有一定的参考价值和应用前景。     

基于径向基函数神经网络模型的桃江县森林碳储量估测

量化森林碳储量对森林经营者的正确决策至关重要。本文以湖南省桃江县为研究区,根据2013年森林资源一类调查数据和Landsat 8遥感影像,建立多元逐步回归、偏最小二乘回归和径向基函数神经网络模型,开展碳储量的估测方法比较。结果表明:三种方法中,径向基函数神经网络模型估测森林碳储量效果最好,决定系数达到0.645,相对均方根误差为15.582 t·hm~(-2);其次为偏最小二乘回归模型,决定系数和相对均方根误差分别为0.511和17.135 t·hm~(-2);多元逐步回归模型精度最低,决定系数和相对均方根误差分别为0.431和18.105 t·hm~(-2)。径向基函数神经网络模型反演的研究区森林碳储量分布图表明,海拔高的地方碳储量较大,城区碳储量较小,与实际植被分布情况一致。     

湖南省粮食产量波动的影响因素分析及预测

旨在维护国家稳定,为预判粮食生产前景、提高粮食生产效率、保障粮食安全提供理论依据。利用湖南省统计数据,运用灰色关联分析法筛选关联性较强的影响因素,并建立GM(1,N)预测模型预测粮食产量。2008—2017年与湖南省粮食产量关联度最大的影响因素是粮食作物播种面积和农业机械总动力;科技因素是影响2008—2017年湖南省粮食产量的主要因素,其次是自然因素,社会因素;2018—2027年湖南省粮食产量有较小波动,且农业机械总动力和财政农业支出影响较大;农业机械总动力在前后十年对粮食产量都有较重要的影响,越来越占据主导地位。粮食产量受国家政策的影响,受农业机械总动力影响最大,维持产量水平需高度重视农业机械化水平,稳步提高粮食作物播种面积。     

基于级联卷积神经网络的番茄花期识别检测方法

对作物花期状态的准确识别是温室作物执行授粉的前提。为提高花期状态识别的准确度，该研究以温室番茄为例提出了一种基于级联卷积神经网络的番茄花朵花期识别方法。首先采用改进的端到端的特征金字塔网络FS-FPN实现番茄花束的分割，然后采用Prim最小生成树对分割后的花束图片进行花期识别优先级排序，最后将已排序的分割花束图片输入改进的Yolov3网络，实现番茄花朵花期状态的精准识别。在由1600幅包含花蕾期、全开期、谢花期、初果期4类花期状态的番茄花束图像构成的数据集上，所提方法对番茄花朵花期平均检测时间为12.54 ms，平均检测精度分别比Mask R-CNN和SPP-Net提高了3.67%和2.39%，识别错误率比改进前的Yolov3网络降低了1.25%。最终将该方法部署到番茄授粉机器人上，并在大型玻璃温室内进行验证，结果表明，所提方法对番茄花朵各花期的检测精度分别为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%，该研究结果可为智能授粉机器人的精准作业提供重要依据。