基于多特征提取和选择的木材分类与识别

木材与人们的生活息息相关,不同品种木材的用途各不相同。如何快速并正确地识别不同种类的木材是目前亟须解决的问题。纹理是木材表面重要的天然属性,也是区分木材的重要依据,因而如何准确地提取木材的纹理特征是本文研究的重点。本文设计了一种木材自动识别系统,其基本工作流程如下:首先,使用K-means聚类算法,根据图像的纹理采用SPPD(导管分布的统计特性)及BGLAM(基本灰度级氛围矩阵)特征对木材进行预分类,实现对木材数据库的降维,为提高识别效率做好准备;其次,使用GA(遗传算法)挑选出对木材纹理具有较强区分度的LBP(局部二值模式)特征;最后,用KNN(K最近邻)分类器根据挑选出的LBP特征对木材图像进行最终的分类识别。试验结果表明,木材样本类别个数为20时,识别率较高,可以达到98.13%以上;当木材样本类别个数增加为30时,识别率也在95%以上。     

基于WebGIS 的农田土壤推荐施肥信息系统的初步设计与应用

为了满足提高农业经济效益和生态效益的要求,研究开发了基于WebGIS的农田土壤推荐施肥信息系统.该系统将因特网和GIS技术相结合,应用于农田土壤推荐施肥服务,具有很强的数据采集、施肥信息查询、专题分析、施肥决策、后期预测等功能;人机界面十分友好,可视化程度高,操作简便;通用性好,适用于不同地区的农田土壤推荐施肥服务.     

“数据结构”双语教学实践及探讨

社会对具备一定专业知识和较高外语水平的复合人才的需求量越来越大,这就加快了高校双语教学课程改革的步伐。结合双语教学课程建设及实践经验,就数据结构双语教学,从教学目标设定、教材选择、教学手段及方法、中英两种语言的结合以及教学材料组织及利用等5方面提出了自己的看法。     

陕西省耕种收综合机械化水平预测研究

研究采用BP网络改进算法、RBF网络和遗传神经网络,构建了机耕、机播与机收水平预测模型。应用所构建的模型对陕西省机耕、机播、机收水平进行预测,着重对3种预测模型进行比较和分析,为有关部门制定政策、方针和路线提供科学依据。用测试样本对预测精度进行检验,3种机耕水平预测模型(基于BP改进算法的BP模型、GA-BP模型和RBF模型)的平均相对误差都在10%以内;3种机播水平预测模型的平均相对误差分别为5.17%,9.0%和13.86%;3种机收水平预测模型的平均相对误差分别为12.11%,7.22%和16.75%。对于机耕水平预测问题,综合考虑预测精度、构建网络的复杂度和稳定性,采用RBF模型较好;机播水平预测采用预测精度最高的基于改进BP算法的BP模型;机收水平预测可采用GA-BP模型。     

基于PSA-YOLO网络的苹果叶片病斑检测

为提高YOLOv4目标检测算法对苹果叶片小型病斑的检测性能，提出了一种PSA（金字塔压缩注意力）-YOLO算法。在CSPDarknet53的基础上融合了Focus结构和PSA机制，并采用网络深度减小策略，构建了参数量小、精确度高的PSA-CSPDarknet-1轻量化主干网络。其次在网络颈部，搭建了空间金字塔卷积池化模块，用极小的计算代价增强了对深层特征图的空间信息提取能力，并采用α-CIoU损失函数作为边界框损失函数，提高网络对高IoU阈值下目标的检测精度。根据实验结果，PSA-YOLO网络在苹果叶片病斑识别任务中的AP50达到88.2%。COCO AP@[0.5∶0.05∶0.95]达到49.8%，比YOLOv4提升3.5个百分点。网络对于小型病斑的特征提取能力提升幅度更大，小型病斑检测AP比YOLOv4提升3.9个百分点。在单张NVIDIA GTX TITAN V显卡上的实时检测速度达到69帧/s，相较于YOLOv4网络提升13帧/s。