基于卷积神经网络与迁移学习的油茶病害图像识别

传统的植物病害图像识别准确率严重依赖于耗时费力的人工特征设计。该文利用深度卷积神经网络强大的特征学习和特征表达能力来自动学习油茶病害特征,并借助迁移学习方法将Alex Net模型在Image Net图像数据集上学习得到的知识迁移到油茶病害识别任务。对油茶叶片图像进行阈值分割、旋转对齐、尺度缩放等预处理后,按照病害特征由人工分为藻斑病、软腐病、煤污病、黄化病和健康叶5个类别。每个类别各选取750幅图像组成样本集,从样本集中随机选择80%的样本用作训练集,剩余20%用作测试集。利用随机裁剪、旋转变换和透视变换对训练集进行数据扩充,以模拟图像采集的不同视角和减少网络模型的过拟合。在Tensor Flow深度学习框架下,基于数据扩充前后的样本集,对Alex Net进行全新学习和迁移学习。试验结果表明,迁移学习能够明显提高模型的收敛速度和分类性能;数据扩充有助于增加数据的多样性,避免出现过拟合现象;在迁移学习和数据扩充方式下的分类准确率高达96.53%,对藻斑病、软腐病、煤污病、黄化病、健康叶5类病害的F1得分分别达到94.28%、94.67%、97.31%、98.34%和98.03%。该方法具有较高的识别准确率,对平移、旋转具有较强的鲁棒性,可为植物叶片病害智能诊断提供参考。     

息县稻米品质初探

一、息县稻米品质现状与分析(一)全县水稻生产基本情况息县位于河南省信阳市的东北部,常年种植水稻3万多公顷左右。水稻一般与小麦、大麦、油菜轮作,少数坡底低洼地每年仅种植一季春稻。稻田灌水有南湾水库放水渠灌、河灌、井灌、坑塘灌等形式,其中南湾水渠灌面积达1万6千公顷,     

“原位驱氟”设想的提出

在我国,地氟病是一种广泛分布的地球化学疾病。研究表明,发病人群与地下水中氟的分布紧密相关。该研究将以山东省高密市为典型研究区域,对比现有的除氟降氟方法,提出"原位驱氟"的设想,进行室内模拟试验,并且论证该设想的可行性。     

基于瞬时无功理论的检测方法中低通滤波器的优化设计

针对瞬时无功理论的检测方法中Butterworth低通滤波器存在动、静态特性难以兼顾的弱点,选用Butterworth滤波器和均值滤波器串联的形式作为优化低通滤波器,通过均值滤波器抑制Butterworth滤波器的输出纹波,选用2阶Butterworth滤波器以加快检测速度.实验表明,该优化低通滤波器既可以保证畸变电流的检测精度,又具有较快的响应速度.