基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

基于颜色系数反向粒子群模型的田间作物分割方法

针对复杂多变的农田环境下,田间作物分割既要保留农田作物完整外部形态信息,又要满足农田作业速度的要求,该文提出一种基于反向变异粒子群优化(reverse mutation-particle swarm optimization,RM-PSO)算法提取最优颜色系数的田间作物分割方法。该分割方法分为离线和在线2个部分,离线部分采用反向变异策略提高了初始粒子群群体质量及算法的搜索效率,避免算法早熟收敛,陷入局部最优,引入满意度函数对最优颜色系数进行评价,提取全局最优颜色系数。在线部分采用离线提取的最优颜色系数对作物图像灰度化,进而对灰度化后图像进行阈值分割得到最终的分割结果。试验结果表明,该文方法平均错分率(error distinguish rate)仅为4.8%,低于HSI算法、EXG法以及Mean-shift神经网络分割算法的11.3%、19.5%、5.7%;标准差值为3.1%,相较于HSI算法的7.2%、EXG法的14.7%、及传统PSO方法的7.9%,该文算法具有更高的稳定性;平均处理时间为0.311 s,而HSI方法为0.908 s,Mean-shift神经网络分割算法为1.942 s。该方法不仅能够保证不同光照及不同景物干扰下作物外部形态信息完整,同时处理速度快,鲁棒性好,具有较高的实际应用价值。     

《电子测量技术》课程教学改革探索与实践

本文对《电子测量技术》课程的理论和实践教学进行了改革的一些尝试,在教学内容上突出技术和实用性,在教学手段上充分运用多媒体技术和开放的实验室,直观地展示具体仪器的结构,将理论教学与课程设计接轨。     

高等农业院校“双师型”教师队伍建设的研究与探索

从构建“双师型”教师队伍现状出发,分析其存在的问题,提出其培养模式与方法.以吉林农业大学信息技术类“双师型”教师队伍建设为例,给出具体的实施方案及取得的部分成果.本文对高等农业院校“双师型”教师队伍建设具有一定的指导意义.对应用型本科院校构建“双师型”教师队伍具有极其重要的作用.     

基于微波空间驻波法的叶类蔬菜含水率无损检测

蔬菜含水率是影响蔬菜品质的重要指标之一。针对传统含水率检测方法测量精度低、费时费力等问题,该研究提出了一种基于微波空间驻波法的蔬菜含水率预测方法,研发了行驻波雷达测量系统。装置包括微波振荡器、微波发射及接收天线、检波器、样品夹持器、滑轨及控制器。以常温贮存的绿叶白菜、生菜为研究对象,采用X波段微波,对测量过程中形成的空间行驻波进行分析,通过线性回归分析建立蔬菜含水率预测模型。测量结果表明,白菜、生菜含水率预测方程决定系数R2分别为0.992 0和0.991 9,预测结果与直接干燥法相比,均方根误差RMSE分别为1.188%和0.803%,性能标准误差SEP分别为1.071%和1.179%。该研究方法不受微波在空间中的多重反射影响,装置结构简单,单次测量时间小于10 s,能够实现对蔬菜含水率的快速、无损、高精度检测。研究结果为农产品检测相关应用提供参考。     

基于多喷头组合的变量喷药系统的设计与试验

为了克服传统压力式和脉宽调制（pulse width modulation）调节控制方式的缺点,以及目前变量喷药系统的“较复杂,实现成本较高”的不足,该文设计了基于多喷头组合的变量喷药系统,建立了变量喷药影响因素模型,设计了变量喷药系统的管路、上位机处理系统及变量喷药控制器,运用流体网络理论建立喷药网络的数学模型,分析了系统的流阻。在喷雾试验台上搭建了变量喷药系统,试验数据分析表明多喷头组合的变量喷药系统是可行的,每种方式下喷药量与理论值误差均小于10%,可调节喷药量范围宽,农药的施用量大幅度减少。     

基于MICS-CoTNet的黑木耳品质分类方法

针对传统黑木耳品质分类效率低,识别准确率不佳等问题,提出一种基于卷积神经网络和Transformer相结合的黑木耳图像品质分类方法。该研究以CoTNet模型为基础网络,设计了MICS-CoTNet黑木耳品质分类网络模型。首先,重新规划CoTNet模型主干特征提取模块的迭代次数,降低模型的计算冗余;其次,提出坐标归一化注意力机制以增强黑木耳图像局部关键特征权重,抑制主体特征干扰;最后,引入MobileNetV2模型中特征提取模块Inverted Block,并优化CoTNet模型核心模块CoT block,增强模型对黑木耳数据的特征提取能力。将MICS-CoTNet模型与EfficientNetV2、NfNet等12种模型进行对比,结果表明,综合模型准确性和轻量性等方面,MICS-CoTNet模型表现最佳。其中,MICS-CoTNet模型在干黑木耳数据中识别准确率可达98.45%,相较标准CoTNet提升5.22个百分点;在鲜黑木耳数据中识别准确率可达98.89%,相较标准CoTNet提升2.60个百分点。MICS-CoTNet模型占用内存为30.98M,相对于原CoTNet模型减少96...     

基于模糊顺序形态学的植物叶片脉络边缘提取

植物叶片是作物分类和识别的简单有效方法,叶片的脉络和边缘特征提取是识别叶片的基础步骤。植物叶片图像通常受噪声影响,提取清晰的脉络和边缘比较困难,该文提出了基于模糊顺序形态学的植物叶片脉络边缘特征提取方法。首先,根据像素邻域特性,利用植物叶片脉络边缘及内部区域的差异性,构造了隶属度函数;然后,依据Sugeno模糊模型,定义了能够增大叶片脉络边缘和内部区域差异的模糊规则,进行模糊推理;该文采用了抑制噪声特别有效的顺序形态学边缘检测算子,对图像进行脉络边缘提取,最终得到植物叶片脉络和边缘信息图像。试验结果表明,该文方法克服了自然环境中噪声的影响,提取的植物叶片脉络和边缘更加清晰、定位更加准确。     

基于物联网的粮食仓库远程监测系统设计

为了解决粮食仓库监测与预警系统存在的监测信息不足、预警不及时以及缺乏远程监测与管理问题,设计了基于物联网的粮食仓库远程监测预警系统。该系统以Zig Bee芯片CC2530作为核心处理器实现仓库环境温湿度、粮食内部温湿度等数据信息的采集,利用火焰传感器R2868作为仓库明火探测器,应用多组对射型光电传感器作为粮仓的粮位检测元件并采用"竖直—等间距—平行"安装方式实现粮仓储量的实时监测;同时,系统通过GPRS(General Packet Radio Service)技术的应用和远程监测软件的设计,实现粮食仓库数据信息的远程实时监测与预警报警功能。试验结果表明,在远程数据传输过程中,系统的丢包率小于5%;系统对明火的报警响应时间为1.8 s;远程监测软件满足设计要求,能够有效地实现粮食仓库的远程监测与预警功能。