基于深度卷积网络的育肥猪体重估测

为快速、无应激、准确地获取育肥猪体重数据,采用深度卷积网络对育肥猪体重进行了估测.结果表明:1)在改造后的Xception、MobileNetV2、DenseNet201和ResNet152V2 4种模型中,DenseNet201模型体重估测效果最好,在验证集上估测的相关系数为0.993 9,均方根误差为1.85 kg...     

二元杂种育肥猪体重估测公式的建立

猪的体长、胸围是家畜育种经常度量和研究的数量性状.它既可以反映猪的生长发育状况,又可以反映猪的体重和外貌,并与某些重要的经济性状有一定的相关.但采用体长和胸围估算猪的体重公式,即猪体重(kg)=体长×胸围/142或156或162(营养良好为142,营养中等为156,营养不良为162),估测误差很大.为此,我们利用本市江安区食品站收购二元杂种肥猪过程中实际测得的体长、胸围及体重数据,以建立较为理想的用于估测二元杂种猪的体重估算公式.     

用最小二乘法原理估测黄牛体重

应用最小二乘法原理选用黄牛的体长、胸围两项体尺 ,来估测黄牛的体重 ,不同的估测方法其估测的精度不同。采用体长和胸围两项体尺建立的二元二次回归方程估测的体重Y1 与实测的体重Y0 的相关系数最高 (r0 1 =0 .670 5 ) ,其次为用体长X1 和胸围X2 建立二元一次回归方程估测的体重Y4与实测的体重Y0 的相关系数 (r0 4=0 .63 62 ) ;用胸围X2 的单项体尺估测的体重Y3与实测体重Y0 的相关系数r0 3为 0 .62 6;用体长X1 的单项体尺估测的体重Y2 与实际体重Y0 相关系数最小 ,r0 1 、r0 2 、r0 3、r0 4均达到极显著水准。体长和胸围这两项单项体尺对估测体重的重要性不同 ,胸围对体重的贡献率较体长为大     

图像分割算法在肉鸡深度图集上的研究

【目的】针对在复杂环境背景中难以识别分割多只肉鸡的问题,探讨基于深度学习实现对多只肉鸡深度图像分割的方法。【方法】利用深度相机,通过不同的拍摄角度（俯视、正视、侧视）在自然环境下采集肉鸡不同姿势（站立、俯卧、抬头、低头等）形态的深度图像,并使用CVAT标注软件对深度图像进行精确标注,建立肉鸡深度图数据集（含4 058张深度图像）。利用FCN、U-Net、PSPNet、DeepLab和Mask R-CNN等5种神经网络实现肉鸡深度图像的识别与分割,根据测试集得到预测结果,比较与评估不同模型的性能,实现对肉鸡深度图像的识别与分割。【结果】基于Mask R-CNN神经网络模型的识别分割准确率为98.96%,召回率为97.78%,调和平均数为95.03%,交并比为94.69%,4个指标值均为5个模型中的最优值。【结论】基于Mask R-CNN神经网络的算法简单快速,且能准确实现肉鸡的自动识别与分割,对肉鸡遮挡有较佳的鲁棒性,基本可以满足养殖场鸡群均匀度预测的识别分割要求。促进了计算机视觉在现代农业的应用,可为鸡群计数、鸡群均匀度预测以及肉鸡福利饲养等鸡场作业提供理论和实践基础。     

尾叶桉各器官生物量估测模型的研究

以生物量与Ｄ、Ｈ的相关关系,用６种经验公式,通过计算机程序配置尾叶桉的地下部分、地土部分各器官生珠量的回归方程,并通过对回归方程的适合性检验和分析,得出Ｗ＝a bD cD^2、W=aD^b、W=aD^bH^c三种回归方程为尾叶桉各器官生物量的最佳估测模型,估测精度在９０％以上。     

基于土壤水分估测的鄂北岗地灌溉预报模型研究

鄂北岗地土壤水分具有明显的季节变化（蓄墒期、失墒期和振荡期）和垂直变化（活跃层、富水层和缓慢变化层）。透墒雨标准与土壤干湿程度有关,伏秋时节遭遇持续少雨天气或出现重度干旱时,透墒雨量级最高。透墒雨大小是灌溉预报模型的重要参数,结合土壤准耗散和有效降水可建立鄂北岗地旱地灌溉日期及灌溉量预报模型。     

苎麻单纤维强力估测模型的初步研究

苎麻单纤维强力与纤维细度之间存在着一元非线性回归相关，通过对１０７个品种的８１８对数据进行非线性回归运算，得到估测模型为ｙ＝３．４１＋７０４８６．１８／ｘ（其相关指数│ｒ│＝０．９５００）。利用模型，只需测出纤维细度，就可民认计算出单纤维强力，具有一定的实用性。     

基于深度残差网络的茶园杂草分类及模型压缩方法研究

为提高茶园杂草分类深度模型的准确性,减少深度模型的冗余参数问题.以茶园常见的10类杂草图像为数据样本,分别基于深度学习的ResNet50、VGGNet和AlexNet网络结构构建杂草分类模型;在此基础上,进一步利用剪枝算法压缩深度模型ResNet50.通过实验对比3个模型测试集的平均准确率分别为0.86、0.72和0.63;此外,通过对比ResNet50的茶园杂草模型在训练集和测试集上压缩前后效果,显示结果基本一致.研究表明ResNet50在这3个模型中是最优分类模型,且压缩后的深度模型ResNet50提升了模型的性能.因此,该研究也为移动端设备的分类提供了理论基础.     

千岛湖地区马尾松树干重量估测模型的初步研究

随着木材价值和利用程度的提高,重量估测日显重要。本文利用淳安县新安江开发公司16个林场随机取得的56株样木,建立马尾松树干鲜重估测模型。经14个备选模型比较和筛选,得到W=1.0406D~(1.2953)H~(0.4513)为最优估测模型。模型W=20.7739 0.3841D~2能用于中小径阶的马尾松重量估测。     

基于机器视觉的黄花菜图像深度计算

黄花菜人工采摘存在劳动强度大、成本高、无法适应规模化生产需求、采摘设备缺乏等问题。该文针对智能采摘设备视觉系统开展了深度图像计算研究。基于田间黄花菜图像,分别采用SGBM算法、BM算法进行图像匹配、视差计算和深度计算。结果表明,SGBM算法计算结果的绝对误差范围为-1～1.6 mm,BM算法计算结果的绝对误差范围为-3.1～3.5 mm,SGBM算法计算结果优于BM算法,BM算法的运行效率高于SGBM算法。采用的两种方法深度计算绝对误差均小于5 mm,满足采摘设备使用需求,可为研发自动采摘设备提供技术支撑。     

基于神经网络和机器学习的白羽肉鸡体重估测算法

针对规模化肉鸡养殖生产中,传统肉鸡称重方法易造成应激问题,设计一种基于神经网络和机器视觉技术的非接触式肉鸡体重估测方法.应用深度相机采集白羽肉鸡的红外图像和深度信息,以目标识别算法YOLOv3和卷积网络分割算法FCN(Fully convolutional networks)为基础构建肉鸡区域提取模型,YOLOv3和F...     

基于混合效应模型的曲靖市云南松林地上生物量遥感估测

以曲靖市云南松林为研究对象,基于2016年曲靖市二类调查数据以及同时期Landsat 8 OLI遥感影像,利用随机选取的小班样地提取遥感因子统计值建立数据集,基于不同曲线拟合定量研究曲靖市云南松林生物量估测的光饱和值;并以线性逐步回归模型为基本模型,考虑区域和龄组随机效应建立云南松林生物量遥感估测模型,以期减小生物量遥感估测中光饱和引起的估测误差。结果表明：利用三次模型拟合研究区云南松生物量饱和值为167 t/ha;不同效应水平的混合模型的拟合精度均优于一般逐步回归模型。在独立性样本检验中混合效应模型的预估精度（91.556%）要高于一般逐步回归模型的预估精度（83.826%）;从生物量分段残差检验结果与研究区生物量反演结果上看,混合效应模型相较于一般逐步回归模型有着更大的估测范围,在一定程度上能够解决高值低估和低值高估问题,减小光学遥感影像数据存在数据饱和的影响。     

长白山林区14种幼树生物量估测模型

以长白山林区林下14种幼树为对象,采用收获法对胸径D1.3≤2.5cm的幼树植株进行随机取样,通过对不同树种各器官和全株生物量的统计,建立了幼树生物量的最优估测模型,并进行了实测验证。结果表明:以地径(D0)和地径平方与株高乘积(D20H)为自变量,拟合的14种幼树各器官和全株生物量最优模型为幂函数,并达到了极显著水平,而且都有较大的R2值(0.712～0.983)和较小的SEE值(0.217～1.122)。幼树器官和全株生物量最优回归方程的R2值,从大到小依次为全株生物量地上部分枝地下部分叶。验证结果表明:以地径(D0)为自变量时,建立的幼树器官和全株生物量模型,对生物量的估测结果均较为准确。自变量为地径平方与株高乘积(D20H)时,怀槐、东北槭等8种幼树器官和全株生物量模型对生物量预测效果较好;除红松、拧筋槭等6种幼树部分器官和全株生物量模型估测效果相对较差外,其他模型均可对生物量进行准确估测。     

大菱鲆养殖收益影响因素实证研究

简要介绍了我国大菱鲆产业的发展历程和现状,对收集到的23家大菱鲆养殖企业在2011年的成本收益数据进行实证分析,建立了多因素计量模型,得出目前影响我国大菱鲆养殖企业毛利润最显著的因素是饲料价格、电费、大菱鲆销售价格和销售量结论,并对这一结论进行解释和说明。在此基础上提出了相应的政策建议。     

基于VSURF-CA的小麦条锈病高光谱病情指数估测模型

【目的】条锈病对小麦生长和产量造成严重威胁,为确保有效防控,精准监测尤为关键。利用遥感技术构建小麦条锈病估测模型,能快速、准确地估测病情指数(DI),为精准防控提供技术支持。【方法】利用ASD光谱仪获取小麦不同生育期(抽穗期、灌浆期和成熟期)高光谱数据,采用随机森林变量选择(VSURF)方法结合相关性分析(CA)对原始光谱(OR)和一阶微分光谱(FD)进行特征波段筛选。使用随机森林(RF)对比不同数据集的特征波段建模结果,确定模型效果最佳的特征集。随后借助偏最小二乘回归(PLSR)、极致梯度提升(XGBoost)以及反向传播神经网络(BPNN),对比特征集在不同算法中的建模效果。通过对比建模效果,确定针对全生育期小麦条锈病病情指数的最佳估测模型。为了验证特征集在不同生育期中的效果,利用特征集在3个生育期重新构建模型,并对比模型效果。【结果】对不同数据集进行特征筛选,并使用RF构建条锈病DI估测模型,通过比较模型效果,确定VSURF-CA-FD特征集(绿光范围的537 nm以及近红外范围的821和846nm)在RF模型中的估测效果最好。采用RF算法构建的模型表现出优异的精度,R     

基于深度强化学习的木材缺陷图像重构及质量评价模型研究

针对典型仿生智能算法处理木材缺陷图像感知及质量决策问题时存在的多维退化因素作用下的缺陷图像失真严重、缺陷图像先验特征提取方差波动频繁、质地不均匀缺陷图像灰度分割失效、异种木材自身纹理泛化能力与学习能力失衡、最优收敛速度随缺陷维度呈迟滞变化等先天不足,提出了一种基于深度强化学习的木材缺陷图像重构及质量评价模型。引入深度学习机制,通过利用深度残差网络进行迭代训练,实现差异性木材多维缺陷图像实时高效重构,构建面向差异性木材多维缺陷精细分割与特征提取的全景自主感知模型,构建大数据量级木材缺陷特征共享资源池;引入强化学习机制,利用深度确定性策略梯度算法建立缺陷特征迭代更新、自主决策、全景可视、深度预测与木材质量评价之间的高维度决策映射,实现多维差异性木材缺陷图像重构及质量评价的横向共享集成。基于Tensorflow开源框架,在Gym Torcs环境下进行模型效能仿真验证,较好解决了典型仿生智能算法处理木材缺陷图像感知及质量决策问题时存在的若干固有缺陷,实现木材缺陷图像自主感知重构及质量评价自主决策,具有缺陷特征感知全面、抗干扰性强、自主决策性高等优势。以浙江省湖州市南湖林场辖区内某经济林木为效能...     

基于深度学习的病害识别方法研究

当前在大面积生产中,主要病害的发生严重威胁农作物健康持续发展,亟须高效的病害识别方法来解决人工识别耗时、误判及效率低等问题。通过SONY@6300数码相机和开源数据库获取3种病害图像各150张,利用Labelme标注图片病斑,经过图像增强得到2 250张图片并构成数据集,按照8∶1∶1的比例划分为训练集、验证集和测试集。训练Deeplabv3+、 U-Net、 U-Net++等3种神经网络模型,对3种病害的图片进行预测并评价,比较在相同迭代次数下的损失曲线;根据对测试集进行预测的混淆矩阵,计算其精准度、召回率和F1得分。综合对比这3种模型的性能,结果表明U-Net++效果最好,3个评价指标均在97%以上,对病害的分割性能也优于Deeplabv3+和U-Net模型。研究结果可为生产上病害防治提供科学指导,也可为其他作物的病害识别提供技术参考。     

福建烟区烤烟产值估测模型与分区

基于福建南平、三明和龙岩三大烟区代表性样点烤烟产值及相关调查资料,借助神经网络和双重筛选逐步回归2种数学模型筛选福建烟区主要烤烟品种K326、云烟87(85)的产值估测模型;并借助GIS与烤烟产值最佳估测模型集成技术,开展福建烟区烤烟产值分区.结果表明:神经网络模型对品种K326、云烟87(85)产值的模拟精度分别高达99.74%和99.72%,表明该模型可作为福建烟区烤烟产值较理想的估测模型;福建烟区烤烟K326的高产值和低产值区面积分别占全省烟区烤烟生态适宜用地总面积的26.36%和54.43%;云烟87(85)高产值和低产值区面积分别占全省烟区烤烟生态适宜用地总面积的48.77%和30.25%,表明福建烟区云烟87(85)高产值区面积明显大于K326.