基于判别映射分析的植物叶片分类方法

流形学习的一个目标是寻找一个映射,使得邻域内不同类数据点之间的边界最大化.观察数据点映射后在子空间内使得同类数据点更聚集,而不同类数据点更分类.基于这个目标,提出了一种判别映射分析的算法,并将其应用于叶片分类中,该算法能够得到数据较优的判别分类特征,适用于样本分类.在瑞典植物叶片数据库上进行了试验验证,结果表明该方法是有效可行的.     

基于环境信息和深度自编码网络的农作物病害预测模型

为了有效预测农作物病害,基于深度自编码网络,提出一种农作物病害预测模型。该模型能够自动从农作物环境信息中学习到主要的非线性组合特征,提高病害的预测精度。首先利用与农作物病害发生相关的环境信息构建病害预测的特征向量,并确定病害的4种预测状态,然后通过深度自编码网络从大量无标签的特征向量集中自动学习到可预测病害发生的深层特征的隐层参数,生成新特征向量集,再对有标签的新特征向量集进行学习,生成病害预测分类器,由此预测病害发生的等级。对黄瓜3种常见病害进行预测试验,平均预测准确率高达86%以上。试验结果表明,该模型是有效可行的,且具有较好的自学习更新能力。     

基于叶片图像和监督正交最大差异伸展的植物识别方法

无论对于农业信息化还是对于生态保护,研究植物识别都是非常必要的.基于植物叶片的植物识别方法一直是植物学中的一个重要研究方向.植物叶片的颜色、形状、纹理等特征都可以用来作为识别依据(杜吉祥,2005;纪寿文等,2002;王晓峰等,2006;张宁等,2011;徐贵力等,2002;Wang et al.,2008).叶片的形状特征主要表现在它的大小和外形上,不同植物的叶片各有特点,叶片在形态上的多变性是植物识别的重要依据.叶片的纹理特征指其叶脉中所蕴涵的特征信息,对于同一种植物,其叶片的脉络结构是比较稳定的;而对于不同种植物,叶片的脉络结构差异较大.目前已有许多基于叶片图像的植物识别方法和技术.     

草莓病虫害的发生与防治技术探讨

草莓是一种经济价值较高的草本植物,果实柔软多汁、酸甜适度,营养极其丰富,被广大消费者赞誉为“水果皇后”。现在菏泽地区草莓栽培规模日益扩大,随之而来病虫害的发生对其构成了较大威胁。通过对草莓主要病虫害危害特点的分析,针对性地提出了相应的防治措施,希望给种植草莓的果农朋友们提供技术指导和参考。     

城市雨水补给地下水的相关问题研究

在城市化快速发展的地区,雨水资源浪费与地下水超采这一矛盾日益突出.结合国内外在土壤对污染物的净化规律的部分研究成果,探讨了中国城市雨水利用工作中存在的问题以及对策.     

城市雨水补给地下水的相关问题研究

在城市化快速发展的地区，雨水资源浪费与地下水超采这一矛盾日益突出。结合国内外在土壤对污染物的净化规律的部分研究成果，探讨了中国城市雨水利用工作中存在的问题以及对策。     

基于局部判别映射算法的玉米病害识别方法

如何快速准确检测到作物病害信息是作物病害防治中的一个首要问题,根据作物叶片症状识别作物病害是作物病害检测的一个基本方法。由于病害叶片颜色、形状和纹理之间的差异很大,使得很多经典的模式识别方法不能有效地应用于作物病害识别中,为此提出了一种基于局部判别映射(local discriminant projects,LDP)的作物病害识别方法。首先,利用区域增长分割算法分割病害叶片中的病斑图像;然后,将病斑图像重组为一维向量,再由LDP对一维向量进行维数约简;最后,利用最近邻分类器识别作物病害类别。利用LDP算法将高维空间的一维向量样本点映射到低维子空间时,能够使得类内样本点更加紧凑,而类间样本点更加分离,从而得到最佳的低维分类特征。利用该方法在5种常见玉米病害叶片图像数据库上进行了病害识别试验,识别精度高达94.4%。与其他作物病害识别方法(如基于神经网络、主分量分析+概率神经网络和贝叶斯方法)和监督子空间学习算法(如算法局部判别嵌入和判别邻域嵌入)进行了比较。试验结果表明,该方法对作物病害叶片图像识别是有效可行的,为实现基于叶片图像处理技术的作物病害的田间实时在线检测奠定了基础。     

基于自适应判别深度置信网络的棉花病虫害预测

作物病虫害预测是病虫害防治的前提,利用深度学习预测作物病虫害是一个有效且具有挑战性的研究课题。该文针对深度置信网络(deep belief network,DBN)在作物病虫害预测中的训练耗时长和容易收敛于局部最优解等问题,将自适应DBN和判别限制玻尔兹曼机(restricted boltzmann machine,RBM)相结合,利用棉花生长的环境信息,提出一种基于自适应判别DBN的棉花病虫害预测模型。该模型由3层RBM网络和一个判别RBM(discriminative restricted boltzmann machine,DRBM)网络组成,通过3层RBM网络将棉花生长的环境信息数据转换到与病虫害发生相关的特征空间,通过自动学习得到层次化的特征表示,再由DRBM预测棉花病虫害的发生概率。该模型将自适应学习率引入到对比差度算法中,通过自动调整学习步长,解决了在传统DBN模型训练时学习率选择难的问题;在学习过程中通过在DRBM中引入样本的类别信息,使得训练具有类别针对性,弱化传统RBM无监督训练时易出现特征同质化问题,提高了模型的预测准确率。对实际棉花的"棉铃虫、棉蚜虫、红蜘蛛"虫害和"黄萎病、枯萎病"病害的平均预测准确率为82.840%,与传统BP神经网络模型(BPNN)、强模糊支持向量机模型(SFSVM)和RBF神经网络模型(RBFNN)分别提高19.248%,24.916%和27.774%。     

基于监督正交局部保持映射的植物叶片图像分类方法

针对传统的线性分类方法不能有效处理复杂、多变和非线性的植物叶片图像,在局部保持映射算法的基础上,提出了一种监督正交局部保持映射算法,并应用于基于植物叶片图像分类中。该算法首先利用Warshall算法计算样本的类别矩阵,在此基础上充分利用样本的局部信息和类别信息构造类间散度矩阵和类内散度矩阵,使得维数约简后,在低维子空间同类样本之间的距离变小,而不同类样本之间的距离增大,由此提高了该算法的分类能力。最后,利用K-最近邻分类器进行植物分类。与经典的监督子空间维数约简方法相比,该方法在构建类内和类间散度矩阵时不需要判别数据的类别信息,能够提高算法的分类性能。在公开植物叶片图像数据库上进行了一系列植物叶片分类试验,平均正确识别率高达95.92%。试验结果表明了该算法在植物分类中的可行性。