基于VGGNet网络的雾霾无人车防碰撞研究

针对雾霾天气下无人车行驶容易出现视野受限，导致防碰撞能力下降的问题，提出了一种基于VGGNet网络的深度卷积神经网络模型，通过反向传播算法不断调整模型的权重和偏置，对收集雾霾天气下的图像和相关数据进行处理，实现模型的训练和优化。实验结果表明，所提出的方法可以有效地提高无人车在雾霾天气下的防碰撞能力，达到了良好的效果。研究结果可以为无人车行业在特殊气候条件下的防碰撞提供了一种新思路和实现方法，具有一定的参考价值和应用前景。     

洽洽食品成功的秘籍

无论是社畜煲剧,还是好友聚会,甚至是逢年过节、结婚宴请,瓜子不可或缺,它们大部分都来自同一家公司——洽洽食品股份有限公司(以下简称“洽洽食品”)。洽洽瓜子是行业内的“扛把子”,20年过去了,这个国货品牌越活越年轻,包装更好看,味道更好吃,还学会了悄悄讲情话,被一波又一波年轻人疯狂种草。数据显示,2020年前三季度,洽洽食品营收同比增长13.41%,净利润同比增长32.3%,在同业中傲然独立。     

基于大数据背景下智能农机应用分析

近些年来,我国的经济取得了巨大的进步,与此同时,农业领域也迎来了新的发展契机,农业朝着机械化、智能化的方向发展。农业与民生关系更为密切,而且在大数据背景下,智能农业呈现出良好的发展趋势,智能农机的应用提高了农业工作的效率,对此进行了分析和探讨。     

农机远程智能管理平台研发及其应用

本研究针对农机管理实时数据少、农机实时作业监管困难、服务信息不对称等问题，首先提出专业化远程管理平台设计时应具有五大原则：专业化、标准化、云平台、模块化以及开放性。基于这些原则，本研究设计了基于大田作业智能传感技术、物联网技术、定位技术、遥感技术和地理信息系统的可定制化的通用农机远程智能管理平台。平台分别为各级政府管理部门、农机合作社、农机手、农户设计并实现了基于WebGIS 的农机信息库及农机位置服务、农机作业实时监测与管理、农田基础信息管理、田间作物基本信息管理、农机调度管理、农机补贴管理、农机作业订单管理等多个实用模块。研究着重分析了在当前的技术背景下，平台部分关键技术的实现方法，包括采用低精度GNSS定位系统前提下的作业面积的计算方法、GNSS定位数据处理过程中的数据问题分析、农机调度算法、作业传感器信息的集成等，并提出了以地块为核心的管理平台建设思路；同时提出农机作业管理平台将逐步从简单作业管理转向大田农机综合管理。本平台对同类型管理平台的研发具有一定的参考与借鉴作用。     

基于物联网的现代农业病虫害图像识别云平台开发

随着互联网的发展,信息化技术广泛应用,推动了农业信息化平台的建设。在大数据背景下,结合物联网信息技术发展情况,分析信息技术应用。最后,基于农业发展与自身的观点,提出农业物联网信息化建设方法,为促进农业信息化的建设提供帮助,既提高了农业资源的利用率,又拓宽了农业发展的空间。设计了基于物联网的农业环境数据收集云平台系统,帮助预测有害病虫在农田的传播,有助于农作物管理人员更好地管理和预防病虫害蔓延。     

西班牙:安达卢西亚草莓出口超4・56亿欧元

根据西班牙安达卢西亚农牧渔业部和可持续发展部的最新数据,2019/2020年安达卢西亚省草莓出口总额超过了4.56亿欧元,比上季度下降近3.6%;同期草莓出口量233620 t,同比减少3%,占草莓总产量的89%。     

《猪业科学》投稿须知

《猪业科学》杂志为月刊,每月25日出版,面向全国发行。内容充实、实用,每期一个主题,充分挖掘、深度报道、全面分析,全面反映养猪产业的最新成果、发展动态和市场经济信息。全彩色印刷、图文并茂适应现代"读图时代"潮流。1内容本刊主要栏目有主题策划、国际瞭望、猪场兽医、营养与饲料、环境与设施、猪群保健、遗传改良、生产管理、地方猪种、猪场人才等。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。