基于BP神经网络的人机联合率定SWMM研究

为解决雨洪管理模型(SWMM)在率定过程中参数复杂、过程繁琐等问题。以西宁市某地块为例建立SWMM模型,利用Morris筛选法进行参数灵敏度分析,并根据灵敏度分析的结果进行人工率定;另外利用BP神经网络对模型进行率定,并结合参数灵敏度对其进行优化。对3种率定方案进行分析,结果表明:水文水力模块参数的相对灵敏度基本一致,其中灵敏度较大的参数为子汇水区面积(Area)、不透水率(Imperv)和不透水区洼地蓄积量(Destore-Imperv),并且不同降雨条件下模型参数的灵敏度存在差异。经过优化后的BP神经网络参数率定方法的模型模拟效果最好,纳什系数最大。结合灵敏度优化BP神经网络的人机联合率定方法一方面能提高BP神经网络率定的准确性,另一方面又能提高传统人工率定的效率。     

面向移动端的植物病害图像识别方法及其应用

针对传统卷积神经网络(CNN)在病害图像识别时需要较高的存储空间和计算资源问题，提出一种基于轻量级CNN植物病害图像识别网络CSP-ShuffleNet V2来降低识别成本。CSP-ShuffleNet V2模型基于ShuffleNet V2网络，首先，将卷积核大小由3×3改为5×5扩大病斑图像全局感受野；其次，采用CSPNet结构来改进网络特征层；最后，再引入通道注意力(ECA)模块用于增强图像病斑通道特征信息。采用AI Challenger平台提供的公共植物病害数据集进行训练和测试。试验结果表明，CSP-ShuffleNet V2网络模型识别准确率为90.34%,比原始ShuffleNet V2网络模型提高2.23%,参数量也减少29.6%,权重大小仅为13.5 MB。与ResNet50、MobileNet V2、GoogleNet、DenseNet121网络相比，CSP-ShuffleNet V2网络不仅降低了网络计算量和参数量，而且收敛速度更快、分类效果更好。最终将模型离线部署在Android平台实现了植物病害移动端智能检测，为植物病害防治和诊断提供参考依据。     

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WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一，具有时序性、不稳定性和非线性等特点，且其影响因子过多、存在复杂的耦合关系，难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据，且在训练过长序列时会出现梯度消失现象，从而不能捕捉因子间长期的依赖性问题，提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先，使用WT降低数据噪声；然后，使用CNN深度挖掘各变量之间的潜在关系；最后，利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明，本文提出的WT-CNN-LSTM模型预测效果良好，其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954，比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

关于时花种植栽培技术及养护管理探讨

时花,即当季的时令花卉,色彩丰富、表现形式多样化、亲民化,在园林景观绿化及节日庆典中具有非常重要的美化环境及观赏作用。其花卉品种、功能及配植方式值得我们认真研究。     

基于BP神经网络对薇甘菊预处理方法的选取

以入侵植物薇甘菊高光谱图像为研究对象,基于4种预处理方法对薇甘菊高光谱图像进行降低噪声处理,分别研究了基于主成分分析的特征提取方法和基于BP神经网络的分类模型,筛选出薇甘菊高光谱识别的最优预处理方法,以实现薇甘菊的快速准确识别。结果显示,预处理方法为一阶、二阶微分的识别率分别为81.2%和76.92%;标准正态变量变换(SNV)和一阶微分+SG平滑的识别率分别为89.74%和87.18%。多次试验得到基于SNV预处理方法的识别率最稳定,即得到最优预处理方法为SNV。     

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%。     

基于帧间路径搜索和E-CNN的红枣定位与缺陷检测

针对红枣自动分级视频图像中红枣定位、缺陷检测难问题,提出一种基于帧间最短路径搜索的目标定位方法和集成卷积神经网络模型(Ensemble-convolution neural network,E-CNN)。通过建立图像坐标系及图像预处理,获得图像中单个红枣目标的位置坐标,并将其映射至空间坐标系中,结合帧间最短路径判定规则,实现目标位置坐标随视频时间序列更新、传递,并且运用此方法快速、有效地构建数据集。基于"Bagging"集成学习方式,采用E-CNN通过训练集构建基础卷积神经网络树模型,再根据每棵基础树模型输出结果,通过"投票"方式得出模型最终结果。试验结果表明,利用帧间最短路径搜索的目标定位方法,定位准确率达100%。同时,使用E-CNN,模型的识别正确率和召回率分别达到98. 48%和98. 39%,分类精度大于颜色特征分类模型(86. 62%)、纹理特征分类模型(86. 40%)和基础卷积神经网络模型(95. 82%)。E-CNN模型具有较高的识别正确率及较强的鲁棒性,可为其他农产品分选、检测提供参考。