面向大规模多类别的病虫害识别模型

早期病虫害精准识别是预警和防控的关键,但是病虫害种类繁多数量巨大,外部形态存在类间相似度较高而类内差异性较大等性状特征,导致病虫害识别仍然是一项极具挑战的工作。为实现病虫害识别分类任务中差异化特征的提取和表示,该研究提出一种大规模多类别精细病虫害识别网络模型（a large-scale multi-category fine-grained pest and disease network,PD-Net）。首先通过在基准网络模型中引入卷积块注意力模型,通过混合跨特征通道域和特征空间域实现模型在通道和空间两个维度上对关键特征提取和表示,用以增强网络对差异化特征的提取和表示能力。其次引入跨层非局部模块,提升模型在多个特征提取层之间对于多尺度特征的融合。在61类病害数据集和102类虫害数据集上的试验结果表明,对比AlexNet、VGG16、GoogleNet、Inception-v3、DenseNet121和ResNet50模型,该研究提出的面向大规模多类别病虫害识别模型,Top1识别准确率在病害和虫害集上分别达到88.617%和74.668%,精确率分别达到了0.875和0.745,召回率分别达到0.874和0.738,F1值达到0.874和0.732,试验结果对比其他模型均有一定幅度的提升,验证了PD-Net模型在大规模多类别病虫害识别上的有效性。     

高等农业院校优秀教学团队建设

高等农业院校建设优秀的教学团队对于教师的专业发展和人才培养的提高具有十分重要的意义。吉林农业大学数据结构教学团队依托各级各类教学改革项目,通过深入的研究与实践形成了较系统的课程建设理念和教学实施方案,注重师德与团队的文化建设,营造了一种教学相长的团队文化氛围。在教学实践中,专业教师参与专业基础教学,一线教师参与实验室建设,使理论教学与实验教学队伍相互融合,提高了实验教学队伍的整体素质。     

高等农业院校优秀教学团队建设

高等农业院校建设优秀的教学团队对于教师的专业发展和人才培养的提高具有十分重要的意义。吉林农业大学数据结构教学团队依托各级各类教学改革项目,通过深入的研究与实践形成了较系统的课程建设理念和教学实施方案,注重师德与团队的文化建设,营造了一种教学相长的团队文化氛围。在教学实践中,专业教师参与专业基础教学,一线教师参与实验室建设,使理论教学与实验教学队伍相互融合,提高了实验教学队伍的整体素质。     

熵权系数法在土壤环境质量评价中的应用

根据信息论中熵的概念,分析土壤环境评价中各因素提供的信息,计算出各评价指标的权值,得到土壤环境评价的综合指标值,最终确定土壤环境评价的等级。熵的引入避免了主观因素的干扰,可看出与标准等级的接近程度;在同等条件下,与其他土壤环境评价方法相比,可看出熵权系数法的评定结果准确度较高。实例分析表明,该评价方法简单易行,评价结果符合实际情况。     

基于熵权系数土壤肥力评价方法的研究

为了减少主观因素的干扰,利用熵权系数法建立土壤肥力的评价模型;综合考虑土壤肥力中各因素提供的信息,通过熵的理论,计算各评价指标的权值,得到肥力评价的综合指标值;将得到的综合指标值进行对比排序,不仅得到土壤肥力的等级,也可以看出与标准等级的接近程度大小;在同等条件下与其他土壤肥力评价方法相比较,用98个地块土样测试数据进行验证,其中94个地块的肥力评定是一致的,可以看出熵权系数法的评定结果准确度较高,由于引入了熵,可以避免主观因素的干扰.实例分析表明,该评价方法简单易行,评价结果符合实际情况.     

组合预测方法在玉米施肥预测中的应用

为提高玉米施肥量预测的精度,利用拉格朗日乘数法,基于预测误差平方和最小这一目标,对肥料效应函数、神经网络施肥预测方法这2种单一施肥量预测模型进行加权组合,建立了玉米施肥组合预测模型。预测结果显示:肥料效应函数、神经网络施肥预测方法和组合预测模型的预测误差平方和分别为2789.40,653.79,421.72,说明玉米施肥组合预测模型优于单一施肥预测模型;采用组合预测方法对玉米施肥量进行预测,能够显著提高预测精度。     

玉米生长动态模拟仿真系统的研究（英文）

为了加快提高玉米生产精准化作业的水平,利用玉米生理生态模型、形态结构模型、计算机和虚拟现实技术,研制开发了玉米生长动态模拟仿真系统,将计算机图形学算法、虚拟现实技术、动画设计技术以及信息集成技术应用到玉米生产领域。建立的生长动态模拟仿真系统有利于玉米精准化作业水平的提高,能够协助相关的生产研究和试验,达到降低成本、提高效率的目的。     

玉米生长动态模拟仿真系统的研究

为了加快提高玉米生产精准化作业的水平,利用玉米生理生态模型、形态结构模型、计算机和虚拟现实技术,研制开发了玉米生长动态模拟仿真系统,将计算机图形学算法、虚拟现实技术、动画设计技术以及信息集成技术应用到玉米生产领域。建立的生长动态模拟仿真系统有利于玉米精准化作业水平的提高,能够协助相关的生产研究和试验,达到降低成本、提高效率的目的。     

基于改进蜂群算法优化神经网络的玉米病害图像分割

更加细致的体现病害外部形态特征和较为完好的保留病害区域颜色纹理信息,是玉米等作物病害分割的关键性研究问题之一。该文提出一种基于改进人工蜂群算法的脉冲耦合神经网络图像分割算法,该算法以最大香农熵和最小交叉熵加权线性组合作为蜂群算法收益度评价函数,通过引入尺度因子调整引领蜂和跟随蜂的解搜索策略,改进后人工蜂群算法与脉冲耦合神经网络相结合,实现网络参数的自动优化调节。在RGB色彩子空间上将该算法用于一组玉米常见病害彩色图像分割,并借鉴利用彩色图像合并策略得到最终病害分割结果。试验表明,该文算法较为细致的体现病害外部形态特征,较为完好的保留了颜色纹理信息;利用分割区域色度误分度V(I)值作为评判标准,该文算法V(I)幅值顺次降低2.03%、7.05%、10.15%和11.2%,综合降低了7.32% 也优于对比算法。因此,该文算法为病害彩色图像分割提供了一种较为有效的方法。     

基于HED网络的奶牛边缘图像特征提取

对奶牛的图像进行高精度边缘特征提取,为奶牛的个体识别或者奶牛的线性评定提供重要的评判依据,可以更好的实现奶牛保险业的自动化管理。采用基于FCN和VGG改进的边缘检测HED(Holistically-Nested Edge Detection)网络,在caffe框架下通过MATLAB实现对奶牛原始图像的边缘特征提取。将HED网络检测出的边缘特征图像与传统优化过的Canny算子作比较,无论从直观的边缘图像对比,还是数据的对比,HED网络的效果远远优于传统算法。用500张奶牛图片在BSDS500上进行性能评估,其中200张为训练图片,200张为测试图片,100张为检验图片。HED网络的奶牛边缘检测效果比Canny算法提高18.6%,大大提高奶牛边缘图像的处理精度、去噪声能力。将HED网络检测出的奶牛边缘图像为奶牛的识别提供重要依据,实现奶牛保险业高效的自动化管理。