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%。     

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。     

基于Web的煤矿废弃地土地复垦决策支持系统设计与实现

为了克服现有煤矿废弃地土地复垦与植被恢复试验法费时费力的缺陷,根据土壤基质和气候相似性原理,采用模糊综合评价一灰色关联优势分析、基于距离的相似算法、基于规则的推理等多种数学方法,分别从植被恢复潜力评价、适生植物品种选择、土地复垦方案选择3个方面建立了相关数学模型,解决了煤矿废弃地恢复潜力的分级、先锋植物选种和土地复垦方案的确定等问题,从而为煤矿废弃地的植被恢复提供了一系列的决策支持.并使用ASENET 等编程语言结合MS Access数据库设计并开发了基于web的煤矿废弃地植被恢复的决策支持系统,该系统能为煤矿废弃地植被恢复工作提供新的研究模式和手段,并已经在辽宁省阜新矿区得到应用,结果表明系统所采用的方法科学、合理、可行.     

基于ARIMA和RBF神经网络模型的溶解氧预测分析

结合江苏省宜兴市蟹养殖实地采集的数据,采用ARIMA模型对溶解氧进行预测,反映溶解氧周期性变化趋势。采用RBF神经网络对非线性残差部分进行预测。结果表明,组合模型较单一模型而言,预测结果更加全面、准确,提高了溶解氧预测的精度,并通过预测结果找出溶解氧变化规律。     

一种低成本的农业现场视频/ 图像快速采集系统马翠

农业现场图像信息采集是农作物长势和病虫害分析的重要手段。结合嵌入式技术与B/S 架构,设计了1 个采用高清晰图像传感器罗技Pro9000摄像头的低成本农业现场视频/图像快速采集系统,并对系统的体系结构、通信子系统、采集、压缩与传输子系统进行了详细设计。系统采用大功率WiFi和快速ARM 平台S3C6410 处理器,基于V4L2 技术采集图像,采用JPEG 图像数据压缩技术能够大大地减少传输数据量,使得视频传输更加流畅。试验结果表明,本系统传输640伊480 大小的图像到远程服务器的图像传输成功率在300 m范围内可达到92%以上;在50 m内可达到视频20 帧/秒以上,在300 m的距离也能够达到6帧/秒以上的视频帧率,可以满足视频监控的需求。由于本方案基于ARM 平台设计,成本低,易于集成应用,非常适于大范围农业上开展应用。     

基于物联网的水产品质量安全过程控制方法与系统研究

针对水产品的质量问题,提出了水产品的生产过程质量安全控制点,即生产环节、加工环节、储藏环节、运输环节及零售环节,同时提出了水产品生产水平划分模式;运用射频识别技术、网络通信技术、传感器技术及无线传感网络等物联网技术,依据划分的水产用户的生产水平,构建相应的水产品质量安全控制方式;探讨了水产品质量安全信息化的过程控制系统构建,为实现可追溯的水产品质量安全的控制体系提供理论基础和技术手段.     

面向叶类蔬菜病害识别的温室监控视频采集系统

为满足温室叶类蔬菜病害准确识别的视频数据需求,结合温室叶类蔬菜病害发生的特点,采用物联网技术,基于传感器感知的环境信息与摄像机监控视频信息,构建了一种面向叶类蔬菜病害识别的温室监控视频采集系统。该系统将案例检索与模糊推理方法相结合,设计温室监控视频获取方法,将传感器实时采集的数据与知识库中的病害产生环境条件相匹配,以匹配结果作为视频采集的依据,实现了监控视频的智能采集;并利用模糊推理方法,弥补案例检索结果不够全面的问题,确保了数据的准确获取。同时,该系统还提供了实时数据显示、实时视频监控等功能。系统应用结果表明,该系统能够满足温室叶类蔬菜病害识别的视频数据需求。     

基于FTVGG16卷积神经网络的鱼类识别方法

针对大多数应用场景中,大多数鱼类呈不规则条状,鱼类目标小,受他物遮挡和光线干扰,且一些基于颜色、形状、纹理特征的传统鱼类识别方法在提取图像特征方面存在计算复杂、特征提取具有盲目和不确定性,最终导致识别准确率低、分类效果差等问题,本文在分析已有的VGG16卷积神经网络良好的图像特征提取器的基础上,使用Image Net大规模数据集上预训练的VGG16权重作为新模型的初始化权重,通过增加批规范层(Batch normalization,BN)、池化层、Dropout层、全连接层(Fully connected,FC)、softmax层,采用带有约束的正则权重项作为模型的损失函数,并使用Adam优化算法对模型的参数进行更新,汲取深度学习中迁移学习理论,构建了FTVGG16卷积神经网络(Fine-tuning VGG16 convolutional neural network,FTVGG16)。测试结果表明:FTVGG16模型在很大程度上能够克服训练的过拟合,收敛速度明显加快,训练时间明显减少,针对鱼类目标很小、背景干扰很强的图像,FTVGG16模型平均准确率为97. 66%,对部分鱼的平均识别准确率达到了99. 43%。     

海参育苗水质预测预警系统的研究

海参作为滋补保健品深受人们喜爱,其养殖业成为我国水产养殖的重要产业之一。养殖业的发展离不开健康的苗种,而海参苗种的生长发育受到水质环境的影响。为了海参育苗的健康养殖,拟采用支持向量机的方法建立溶解氧含量等关键水质因子的预测模型。该模型具有较好的预测性能,能够满足海参育苗养殖水质在线预测的实际需求,为水质预警控制提供数据支持,在此基础上,建立了水质预警模型。该系统取得了较好效果,可以满足海参育苗水质监控预测和水质预警的需求,从而促进海参育苗的生态养殖和健康养殖。     

面向视频呼叫中心的农业知识视频分割方法

为了推广农业知识,使农民能够通过智能手机有效地获取视频片段,该文面向视频呼叫中心设计了一种农业知识视频分割方法,可将科研机构录制的农业知识视频分割成小的完整的知识单元,并借助视频呼叫中心送达到农民手中。该文研究基于HSV(hue,saturation,value)颜色空间的视频镜头切分方法,通过对比镜头之间的颜色直方图,实现视频镜头切分;结合农业知识讲座类视频"音频为主,视频为辅"的特点,研究视频中音频镜头的切分方法,并在音频镜头的辅助下完成对于视频镜头的聚类,从而提取出视频语义单元,实现对于视频的分割,试验结果表明,该方法的查准率为88.9%,查全率为96.0%。该方法解决了现有镜头聚类方法不适用于农业知识讲座类视频的问题。