基于卷积神经网络的养殖鱼类品种识别模型

随着人工智能、大数据、机器学习、计算机视觉等技术的发展,卷积神经网络（CNN）越来越多地应用于图像识别领域,图像数据集的丰富性以及多样性对CNN模型的性能和表达能力至关重要,但现有的鱼类图像公共数据集资源较匮乏,严重缺少训练集以及测试集样本,难以满足深度CNN模型优化及性能提升的需要。实验以大黄鱼、鲤、鲢、秋刀鱼和鳙为对象,采用网络爬虫以及实验室人工拍照采集相结合的方式,构建了供鱼种分类的基础图片数据集,针对网络爬虫手段获取到的鱼类图像存在尺度不一、格式不定等问题,采用图像批处理的方式对所有获取到的图像进行了统一的数据预处理,并通过内容变换以及尺度变换对基础数据集做了数据增强处理,完成了7 993个样本的图像采集与归纳;在权值共享和局部连接的基础上,构建了一个用于鱼类识别的CNN模型,采用ReLU函数作为激活函数,通过dropout和正则化等方法避免过度拟合。结果显示,所构建的CNN鱼种识别模型具有良好的识别精度和泛化能力。随着迭代次数的增加,CNN模型的性能也逐步提高,迭代1 000次达到最佳,模型的准确率为96.56％。该模型采用监督学习的机器学习方式,基于CNN模型,实现了5种常见鱼类的鱼种分类,具有较高的识别精度和良好的稳定性,并且模型本身具有一定程度的鱼种推广可能性,为养殖鱼类的品种识别提供了一种新的理论计算模型。     

基于深度学习的害虫识别技术综述

在虫情监测和害虫防范治理过程中，准确识别害虫是有效解决农业领域虫害问题的重要前提。依靠专家知识和人工经验进行虫情诊断的方式效率较为低下，自动化和智能化水平较差，而采用深度学习、计算机视觉等智能化技术手段可以大幅度提升害虫识别过程的效率、准确度，并降低人工成本。概述了基于深度学习的害虫识别技术发展现状，分析深度学习技术在害虫图像识别领域的实现原理和优势，阐述国内外专家学者在基于深度学习的害虫识别技术领域的最新研究进展，提出该技术领域面临的挑战，并对发展方向进行预测。该文可为深入开展害虫识别和分类技术在智慧农业上的应用研究提供参考。      

温室设施环境中声频自适应校准研究

针对温室设施环境中采用声波促长技术时,由于环境设施对声音的来回反射、设施材料对不同声频的吸收作用等影响,使得实际声波信息失真,造成加载的声波与期望的声波相差较大,提出一种解决方案.通过及时修正声频发生系统传递函数特性参数,采用一种基于前馈补偿的闭环控制方法实现对设施环境中所加载声频的自适应校准.在一个内部长、宽、高分别为1.2m、0.53m、0.9m的人工气候箱内进行声波加载试验,结果表明,该方法提高了声波在设施环境中的加载精度,对纯音、组合声频、音乐声频等类型的声波均达到了良好的校准作用,输出精度都在98％以上.