高光谱技术在常规水稻种子活力检测中的应用

[目的]实现常规水稻种子活力的快速自动化检测。[方法]采用高光谱成像技术(波长范围874~1 734 nm),提取甬籼69和中早39 2种常规水稻种子未老化、老化48 h和老化72 h的光谱反射率,在提取样本光谱时采用小波变换(WT)剔除像素点光谱噪声部分,并基于全波段光谱建立了支持向量机(SVM)判别分析模型。[结果]未老化种子与老化种子可以准确识别,而老化48 h种子与老化72 h种子之间无法准确识别,与基于种子活力参数的测量结果相符,且不同水稻品种对老化的反应存在差异。[结论]高光谱成像技术结合化学计量学方法用于种子活力的快速自动化无损检测是可行的。     

基于无人机数字图像与高光谱数据融合的小麦全蚀病等级的快速分类技术

小麦全蚀病是检疫性的土传病害,对小麦生产危害极大,对其发生的监测是治理的根本。遥感技术可实时、宏观地监测病害发生发展,尤其是将光谱信息与高分辨率数字图像进行融合,可直观、精准地对病害识别和分类。本文基于计算机视觉技术,通过光谱数据与高分辨率数字图像结合的方法,对小麦全蚀病等级进行快速分类。首先,通过ASD非成像光谱仪获取小麦全蚀病的光谱信息,提取全蚀病特征光谱,建立光谱比。其次,利用无人机获取的实时田间数码图像,对其颜色特征进行重量化。最后,利用基于支持向量机的决策树分类对图像视场中的不同全蚀病等级进行分类。结果表明,4个全蚀病等级的分类精度均大于86%(Kappa0.81),平均运算时间小于30s。通过与实地调查的小麦全蚀病的白穗率等级做比对,验证分类结果的准确性,结果表明该方法基本可以实现对小麦全蚀病等级的实时监测。     

基于声信号特征加权的设施养殖羊行为分类识别

中国西部地区正在发展集约化和规模化的设施养羊业，通过监测羊舍内的声信号可以判别羊只的行为状态，从而为设施养羊的福利化水平评估提取基础依据。梅尔频率倒谱系数（mel frequency cepstrum coefficient，MFCC）模拟了人耳对语音的处理特点且抗噪音性强，被广泛用于畜禽发声信号的特征提取，但其没有考虑各个特征分量表征声信号的能力。该研究构建羊舍无线声音数据采集系统，采集20只羊在设施羊舍内的打斗、饥饿、咳嗽、啃咬和寻伴共5种行为下的声信号，并通过Audacity音频处理软件选出720个清晰且不重叠的声音样本数据。根据MFCC各分量对羊舍声信号表征能力，特征参数提取采用一种熵值加权的MFCC参数，再求其一、二阶差分并进行主成分分析降维，得到优化的19维特征参数。通过对羊舍声信号的声谱图分析，设计了支持向量机二叉树识别模型，并对模型内的4个分类器参数进行网格化寻优测试，该识别模型对羊只5种行为下的声信号进行分类识别，用改进的特征参数与传统MFCC和线性预测倒谱系数（linear predictive cepstrum coefficient，LPCC）进行对比分析。结果表明，该特征参数对5种行为的识别率平均可达83.6%，分别高于MFCC和LPCC参数14.1%和26.8%，羊只打斗和咳嗽行为的声信号属于相似的短时爆发类声音，其识别率分别仅为80.6%和79.5%，啃咬声特征显著不易混淆，其查全率可达到为92.5%，改进特征参数更好的表征了羊舍声信号的特征，提高了羊只不同行为的识别率，为羊只健康和福利状况的监测提供理论依据。     

吉林省西部新开发水田遥感动态监测研究

为了响应土地整理开发项目的政策,吉林省西部地区开发了大面积的水田。为掌握新开发水田的动态变化,有必要对吉林省地区进行土地利用分类。以吉林省前郭县为例,利用2010年环境卫星数据进行不同土地利用分类方法的比较,进而对另外3景图像进行信息提取,分析4个年份新开发水田的分布及变化情况。结果表明,支持向量机法比最大似然法的耕地分类精度高约5%,其产品和用户精度分别为95%和84%。加入纹理信息没有显著提高分类精度。2009~2012年水田面积分别增加-67.7 km2,111.7 km2和265.01 km2。     

基于PSO-SVM的高光谱数据降维的可靠性研究

PSO结合SVM算法对高光谱数据波段进行优化，每次搜索结果不一定相同，因此很多学者对此类算法的可靠性存在疑问。为了证明PSO-SVM降维算法的可靠性，利用PSO-SVM算法对杉木和马尾松的幼中成熟林的高光谱原始数据、一阶微分变换数据、对数变换数据及归一化变换数据进行降维运算，对降维后选择的波段分别利用支持向量机（SVM）、BP神经网络、Mahalanobis距离分类法、Fisher分类法及贝叶斯分类法进行分类，分类结果中，Fisher分类法的结果最好，所有的分类结果均在90%以上，SVM和BP神经网络的分类结果都保持在80%以上，贝叶斯分类法分类精度最差，所有分类结果均未超过90%，最差结果为43.75%。同时，将PSO-SVM与PCA算法进行对比分析，发现在马尾松和杉木的分类过程中PSO-SVM算法优于PCA算法。最后得出结论，PSO-SVM算法提取的特征对Fisher、SVM及BP神经网络分类法有效；当光谱数据差异非常微小时，PSO-SVM比PCA对特征的提取更有效。     

基于支持向量机的农机装备水平差异分类研究

针对黑龙江垦区各农场农机装备水平不平衡差异问题,采用支持向量机多类分类和主成分分析相结合的方法进行研究。将农机装备水平分为3个等级水平,从总量、速度和均量3方面选取10个评价指标;采用主成分分析法确定5个主要合成指标;建立多类分类支持向量机新模型,把新模型转化成一个互补问题,利用Lagrangian隐函数进一步转化成一个强凸的无约束优化问题,采取快速牛顿算法进行求解;利用实证调研数据,从发展差异度的角度对黑龙江垦区98个农场农机装备水平的差异进行多指标分析,在分类的准确度和训练速度方面都有很好的表现。     

农业区地下水位动态变化预测的支

当观测资料的数据量少而又存在多个相互影响或关联的变量时，常用的回归预测模型不能全面考虑多个变量。在地下水位动态变化预测中应用了一种新的方法——支持向量机方法(SVM ) , 该方法属于机器学习理论发展的最新阶段, 具有专门针对有限样本、算法复杂度与样本维数无关等优点。针对一些农区井灌水稻规模扩大而引起地下水资源紧缺的情况，以某井灌水稻地区地下水动态观测资料为研究对象，运用支持向量回归模型，描述其地下水动态变化趋势。     

基于偏好免疫网络和SVM算法的油茶果多特征识别

针对油茶果采摘脱壳后存在的果壳籽粒分选效率较低的问题，该研究提出了一种结合人工免疫网络（aiNet）与支持向量机（Support Vector Machine）的多特征智能分选算法。该方法利用了免疫算法的多特征聚类特点与支持向量机的二分性特点，对油茶果壳与籽粒的延伸率、圆形度、圆满度、色差分量等6个特征进行分选。试验结果表明，该研究提出的方法在分选效率上达到了97.4%，时间平均值为600 ms，证明了这种方法在油茶果壳籽粒分选作业中的实时性与有效性。通过与其他智能分选算法的效率对比分析证明，该研究提出的方法在效率上更优，更加适合油茶脱壳生产线的实时性要求。     

支持向量机在粮食产量预测中的应用

将支持向量机算法应用于粮食产量预测，结果表明，支持向量机的径向基核函数模型预测粮食产量的精度优于其他预测方法。