基于多分类器DS证据理论融合的水果识别研究

针对不同分类器对不同水果种类识别准确率的不均衡问题,提出一种基于多分类器DS证据理论融合的水果识别方法。该研究选择kaggle上fruits360数据集中的5种水果作为研究对象,首先对预处理后的5种水果图像的颜色、纹理、形状特征进行提取,分别选用BP神经网络、K均值、SVM三种分类器,结合被测图像在每种分类器上的识别结果和各个分类器对不同水果的分类准确率,构建基本概率函数(BPA函数),通过DS证据融合规则对分类器融合后对被测图像进行识别。试验结果表明:该方法对5种水果的识别平均准确率为95.2%,总体标准偏差为0.02993,在提高单分类器识别准确率的同时,解决了分类器对各种水果识别的不均衡问题。对10组测试集识别的平均准确率为93.5%,总体标准偏差为0.055,该方法对水果种类的识别更准确和稳定。     

带有时间窗的秸秆回收路径模型及其算法研究

以秸秆回收机械的综合成本问题为研究目标,综合考虑秸秆回收机械路径和作业冲突的情况,利用信息化技术精准指导秸秆回收,构建了多机械无重复的带有时间窗的秸秆回收路径模型,通过改进蚁群算法的转移概率公式得到带时间窗问题的最优化路径,避免回收农机路径重复冲突的问题。研究结果表明采用带时间窗的秸秆回收路径更加的精准,带时间窗秸秆回收机械优化路径模型相较于传统的路径模型指导下的作业路径会减少约12%,多台回收机械同时作业优化路径是可行的,对高效解决秸秆回收路径问题起到一定的指导作用。     

引入地形因子的无人机遥感精准管理分区研究

根据作物长势的空间差异对耕地进行精准管理分区,可以指导田间变量管理,漫川漫岗黑土区地形复杂,分区时应考虑微地形对作物的影响.以典型黑土区玉米田块为研究区,利用1.1m空间分辨率的无人机多光谱影像提取玉米大喇叭口期(播种后约45 d)归一化植被指数(Normalized difference vegetation index,NDVI),分别结合4种地形因子(高程、坡度、地形起伏度、地表粗糙度),通过面向对象分割方法进行分区,并利用产量数据对分区结果进行评价,对比无人机影像结合不同地形因子分区的精度.结果 表明:研究地块产量、土壤养分及植株生理参数均存在显著变异性,产量与地形存在相关性;相较使用单期NDVI分区,结合地形因子能够显著提高分区精度;结合不同地形因子后,无人机分区精度变化存在差异,NDVI同时结合4种地形因子的分区精度最高,其次分别为结合高程、地形起伏度、坡度、地表粗糙度.研究结果证明了NDVI与地形因子结合作为输入量提高分区精度的可行性,为精准施肥及其他田间变量管理提供了理论基础,为智慧农业的发展提供新思路.     

微型植物工厂LED多光谱补光系统的设计与应用

不同的光谱、光强和光照周期对植物的影响不同。为了深入研究植物与光照的关系,设计一种微型植物工厂LED多光谱补光系统的可控光源。基于嵌入式系统,对微型植物工厂所需补光进行分析,通过控制不同波长的LED产生不同光强,使其接近所需光谱。该补光系统可从365～940 nm的25种不同波段的光谱自由选择,实现大功率LED光谱自由拟合、光照强度连续可调、光照周期自由设定的功能,同时可根据不同植物种类的适宜光环境需求进行"量身定做",进而实现精确补光。该系统成本低、效率高、精确性高、针对性强,更利于对光与植物关系的研究。     

激光在土地保护、农作物生长及害虫防治领域应用研究进展

由于激光具有功率高、相干性好、光谱线宽窄、光谱范围广等特点,其在土地保护、农作物生长及害虫防治等领域应用广泛.文章综合国内外激光技术在农业领域的应用情况,介绍了已经获得应用的激光诱导击穿光谱仪、激光测距仪、激光雷达系统、激光补光灯等设备在土壤检测、土地平整、激光诱变育种、植物补光和虫害防治等领域发挥的作用,对激光技术对农业领域的推动作用,特别是激光技术在吉林省农业应用方面的情况进行了展望.     

基于边缘检测和BP神经网络的大豆杂草识别研究

为提高无人机喷洒除草剂的精准度,以阔叶型杂草、禾本科杂草作为研究对象,针对传统图像识别技术准确率低,边缘信息丢失严重等问题,提出基于改进Canny边缘检测算法和BP神经网络相结合的大豆杂草图像识别方法。首先采用改进后的Canny算法对图像进行特征提取,然后将提取到的结果转化为特征矩阵向量,作为BP神经网络的输入层,最后通过BP神经网络进行大豆杂草图像识别,区分出不同种类的杂草。试验结果表明,改进后的Canny算法同BP神经网络相结合的方法在阔叶型杂草和禾本科杂草识别上,准确率分别为95.67%和93.33%,较传统Canny算法同BP神经网络相结合的方法准确率分别提升5.83%和5.66%。     

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。     

农业院校计算机学科群建设模式

学科群建设是学科建设的一种新的发展趋势,顺应了时代科学的发展需求。本文旨在对建设农业特色学科群进行详细说明,阐述学科群的研究背景、发展现状以及未来的发展方向。     

基于压电薄膜的免耕播种机播种深度控制系统

为使免耕播种机在秸秆覆盖地作业时自动保证播种深度的一致性和稳定性,设计了一种主动作用式播种深度自动控制系统。采用聚偏二氟乙烯(Polyvinylidence fluoride,PVDF)压电薄膜传感器将免耕播种机限深轮的胎面形变量转换为电压信号,信号处理电路对传感器产生的信号放大滤波,提取信号峰值,系统根据峰值信号实时监测播种单体对地表的压力,控制信号形成电路在压力不足时发出控制信号,控制安装在播种机机架与播种单体四连杆间的空气弹簧产生推力,使播种单体能够产生对地表的压力,从而保证播种深度的一致性。试验结果表明,所设计的主动作用式播种深度自动控制系统能够精确控制开沟深度,仿形性能可靠,作业速度为5~8 km/h时,播深合格率达到90%,作业速度大于8 km/h时,播深合格率明显高于被动作用式播种深度控制装置。     

基于BAS-PID控制的精准变量施药系统仿真与试验

精准变量施药技术是精准农业的重要内容之一,为解决当前常用的变量施药方式存在的控制精度低、超调量大等不足,提出将天牛须搜索(Beetle Antennae Search,BAS)算法与常规PID控制结合形成BAS-PID控制算法,用于变量施药系统控制。首先建立施药控制系统机理模型并基于Matlab平台进行软件仿真,仿真试验结果表明,BAS-PID算法的超调量为0.024 1,绝对误差为1.14%,均低于常规PID和模糊PID,控制效果更好。在吉林农业大学试验田进行了田间施药试验,根据试验数据分析,BAS-PID、模糊PID以及常规PID的平均施药误差分别为0.016 L/min、0.020 L/min、0.238 L/min,平均超调量分别为0.006 L/min、0.016 L/min、0.238 L/min。BAS-PID控制算法的施药误差仅在0.01~0.02 L/min内,误差范围小,总体而言,该算法的施药误差和平均超调量都低于模糊PID和常规PID,系统应用效果好。试验结果表明:本文提出的BAS-PID算法提高了PID算法的参数适用性,施药控制精度高,超调量小,改善了变量施药系统的施药效果,可为推动精准变量施药技术的发展提供新的技术方案。