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。     

基于GF-1和Sentinel-2时序数据的茶园识别

由于茶园大多分布在地形复杂的山区,地块破碎,分布零散,形状差异大、植被混杂且茶园所处环境长期受到云雨的影响,增加了茶园遥感识别的难度与不确定性,针对这一问题,该研究提出了利用高分1号(GF-1)和哨兵2号(Sentinel-2)时序数据提取茶园的方法,以浙江省武义县王宅镇为研究区,采用GF-1号为主要数据源,并利用MODIS地表反射率产品和Sentinel-2反射率数据,基于时空融合算法得到时间分辨率5 d的10 m Sentinel-2完整的时序数据。综合利用GF-1在空间细节方面的优势和重建的Sentinel-2高观测频率时序数据在反映茶树生长过程方面的优势,分别基于GF-1的光谱和纹理特征及GF-1的光谱、纹理特征和Sentinel-2时序特征两种特征组合方式,采用随机森林算法提取茶园。结果表明,GF-1光谱、纹理信息结合Sentinel-2时序信息分类结果的准确率、错误率、精确率、召回率和F1分数分别为96.91%、3.09%、89.00%、83.09%和0.86,仅基于GF-1光谱和纹理信息的分类准确率、错误率、精确率、召回率和F1分数分别为94.72%、5.28%、73.09%、84.61%和0.78,添加时序信息分类结果总体优于未添加时序信息的分类结果。表明高空间分辨率结合高频率时序遥感数据是提高茶园分类精度的有效手段。     

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。     

“四念四化”构建校企合作育人模式的探索与实践——以内蒙古商贸职业学院食品加工技术专业为例

食品加工技术专业是典型的应用型专业,人才培养目标是应用型高技能人才,其培养目标的关键是强化实践教学,搭建好校企合作平台,从而达到实践育人、协同育人的目的。内蒙古商贸职业学院食品加工技术专业以选择具有管理水平一流、生产工艺先进、研发能力领先的食品制造类高端企业,通过引企入校、工学交替、理实一体教学提高了学生的培养质量,同时创新形成了“四念四化”的教育教学模式。     

我国稻米加工工艺的沿革与展望

我国稻米加工起步于大规模采集野生稻的时期,最初是采用稻谷直接制成米的“稻出白”工艺,后来采用稻谷先制成糙米、糙米再制成米的“糙出白”工艺,两者构成了沿用几千年的古代稻米加工工艺;19世纪60年代开始,增加稻谷清理、白米整理等工段,构成了近代稻米加工工艺;到20世纪末,增加稻谷分级、下脚整理、稻壳整理、副产品整理、糙米精选、白米精选、白米色选、白米抛光等工序,构成现代稻米加工工艺;进入21世纪以来,新增了回砻谷净化、糙米净化、刷米与抛光组合、多道色选、留胚粒分选等工序,构成了当代稻米加工工艺;今后通过增加多等级大米联产、多等级大米与留胚米联产等专利加工工艺,将构成加工过程更加精准且智能化、低破碎、低能耗和环境友好的未来稻米加工工艺。     

“试验设计与数据处理”教学改革探讨——基于本科生毕业论文常见问题的分析

“试验设计与数据处理”是食品类专业的一门重要课程。在分析毕业论文存在问题的基础上,找出这些问题存在的原因并寻求解决办法,为提高“试验设计与数据处理”课程的教学质量和教学效果提供参考和依据。     

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。     

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。     

木材湿—热—力改性技术研究进展

从木材细胞壁主要化学组分角度，归纳了木材湿热软化机理；总结了以木材密实化技术（整体密实化与表层密实化）、木材大变形加工技术（实木弯曲）和木材焊接（无胶胶合）技术为典型代表的木材湿—热—力改性技术的特点和应用情况，并对今后湿—热—力改性技术的研究与应用提出几点建议。     

香蕉茎秆挤压脱水技术装备研究进展及改进方向

香蕉茎秆挤压脱水工艺是香蕉茎秆资源化利用的关键步骤,可以有效地降低运输成本,减轻蕉农的劳动强度,有利于提高香蕉茎秆的综合利用率。该文从介绍香蕉茎秆原料结构形态,化学成分以及蕉秆水分的存在形态出发,详细论述了国内外对高含水量的香蕉茎秆采取的脱水技术的研究现状和最新进展,指出了各种典型设备的结构特点。讨论了各种机械挤压脱水设备的实用性、优缺点及商业推广价值。指出平板压榨为间歇生产,压榨周期长;螺旋挤压脱水要求原料为粉碎性物料,物料的适应性差;轧辊式挤压脱水为连续生产,效率较高。针对香蕉茎秆体形高大质地软,纤维长的特点,确定香蕉茎秆挤压脱水技术应采取轧辊式挤压脱水工艺,提出轧辊式挤压脱水设备的开发改进建议,认为设备体积小,操作简单安全,处理量大,可靠性高是主要的研究方向。