不同简化算法模型模拟都江堰灌区参考作物蒸散量

为找出适用于都江堰灌区参考作物蒸散量(ET_0)的简化计算模型,以灌区附近成都、都江堰、乐山、遂宁和雅安5个站点1961—2017年的逐日气象资料为基础,计算Penman-Monteith(PM)模型、极限学习机(ELM)模型、广义回归神经网络(GRNN)模型、Priestley-Taylor(PT)模型、Makkink(MK)模型、Ritchie(RC)模型的逐日ET_0数据,以相对均方根误差(RMSE)、决定系数(R~2)和模型效率系数(E_(ns))为评价指标体系比较不同模型计算精度,分析得出在仅有温度资料和辐射资料情况下适用于都江堰灌区的简化计算模型。结果表明:在计算ET_0时,GRNN模型和ELM模型表现出了较高的计算精度和一致性,ELM模型R~2,RMSE,E_(ns)分别为0.852 4～0.911 0,0.363～0.413 mm/d和0.856～0.903,GRNN模型R~2,RMSE,E_(ns)分别为0.835 7～0.886 3,0.366～0.497 mm/d和0.832～0.879,同时比较输入辐射前后2个模型的模拟精度可知,辐射是ET_0计算的关键因素。综上所述,ELM模型在计算ET_0日值和月值时的计算精度均较高,可作为都江堰灌区在气象资料缺失情况下的ET_0标准计算模型。     

基于改进YOLOv7的破壳鸡蛋在线实时检测系统

针对破壳鸡蛋（破口蛋和裂纹蛋）缺陷差异性大，在线检测要求实时，以及人工检测依靠主观经验且检测速度慢、检测精度不高等问题，该研究提出一种基于改进的YOLOv7（You Only Look Once v7）模型的破壳鸡蛋在线实时检测系统。即以YOLOv7网络为基础，将YOLOv7网络的损失函数CIoU（complete-IoU）替换为WIoUv2（wise-IoU），在骨干网络（backbone）中嵌入坐标注意力模块（coordinate attention，CA）和添加可变形卷积DCNv2（deformable convnet）模块，同时将YOLOv7网络中的检测头（IDetect）替换为具有隐式知识学习的解耦检测头(IDetect_Decoupled)模块。在PC端的试验结果表明，改进后的模型在测试集上平均精度均值（mean average precision，mAP）为94.0%，单张图片检测时间为13.1 ms，与模型改进之前相比，其mAP提高了2.9个百分点，检测时间仅延长1.0 ms；改进后模型的参数量为3.64×10⁷，较原始模型降低了2.1%。最后通过格式转换并利用ONNXRuntime深度学习框架把模型部署至设备端，在ONNXRuntime推理框架下进行在线检测验证。试验结果表明：该算法相较原始YOLOv7误检率降低了3.8个百分点，漏检率不变，并且在线检测平均帧率约为54帧/s，满足在线实时性检测需求。该研究可为破壳鸡蛋在线检测研究提供技术参考。     

基于多模型证据融合的苹果分类方法

水果内部品质是水果分类的重要依据之一,利用近红外光谱技术对苹果内部品质进行快速无损检测研究有着非常重要的意义。为提高近红外技术分类模型的预测精度,针对单一预测模型适用性差以及硬分割导致分类不确定性等问题,该研究以烟台红富士苹果为研究对象,利用自行研发的水果在线无损检测系统采集苹果近红外光谱以及可溶性固形物含量 (Soluble Solids Content, SSC),分别采用偏最小二乘（Partial Least Squares, PLS）和极限学习机（Extreme Learning Machine, ELM）法建立苹果预测分类模型,根据SSC的预测值与分类边界的距离提出三角形质量函数生成方法,通过证据理论的Dempster组合规则融合质量函数从而实现2种模型的融合,并探讨基于三角形质量函数的证据理论融合模型对预测精度的影响。研究结果表明：PLS分类模型的准确率为92.25%,ELM分类模型的准确率为 93.80%,而提出多模型融合方法的分类准确率达到了95.35%。而且,该研究提出的三角形质量函数生成法与硬分割生成的质量函数相比方法更符合实际,通过PLS、ELM模型和DS融合模型的混淆矩阵可以看出,融合模型实现了苹果SSC处于分类边界值时的准确分类,三类苹果被错误分类的个数均有减小。该研究提出的多模型证据融合方法不仅提高了模型的预测精度,而且更好地表达了关于类标预测的不确定性,为苹果的在线无损检测分类提供研究基础。     

基于K-means 聚类和ELM神经网络的养殖水质溶解氧预测

为解决养殖水质溶解氧预测传统方法引入不良样本、精度低等问题,该文以2014、2015年江苏常州养殖基地水质和气象数据为基础,提出了一种基于K-means聚类和ELM神经网络（extreme learning machine,ELM）的溶解氧预测模型。采用皮尔森相关系数法确定环境因素与溶解氧的相关系数,自定义相似日的统计量－相似度,通过K-means聚类方法将历史日样本划分为若干类,然后分类识别获得与预测日最相似的一类历史日样本集,将其与预测日的实测环境因素作为预测模型的输入样本建立ELM神经网络溶解氧预测模型。试验结果表明,该模型均具有较快的计算速度和较高的预测精度,在常规天气下,平均绝对百分误差和均方根误差分别达到1.4%、10.8%;在突变天气下,平均绝对百分误差和均方根误差分别达到2.6%和11.6%,有利于水产养殖水质精准调控。     

基于5种人工智能模型计算重庆地区参考作物蒸散量

为获得计算重庆地区参考作物蒸散量(Reference crop evapotranspiration,ET0)的最优模型,选用支持向量机模型(SVM)、高斯指数模型(GEM)、随机森林模型(RF)、极限学习机模型(ELM)和广义回归神经网络模型(GRNN)5种人工智能模型,以丰都、奉节、沙坪坝、万州、酉阳共5个站点19...     

基于改进SSD的柑橘实时分类检测

针对人工分拣柑橘过程中,检测表面缺陷费时费力的问题,该文提出了一种基于改进SSD深度学习模型的柑橘实时分类检测方法。在经改装的自制打蜡机试验台架下采集单幅图像含有多类多个柑橘的样本2 500张,随机选取其中2 000张为训练集,500张为测试集,在数据集中共有正常柑橘19 507个,表皮病变柑橘9 097个,机械损伤柑橘4 327个。该方法通过单阶段检测模型SSD-ResNet18对图片进行计算和预测,并返回图中柑橘的位置与类别,以此实现柑橘的分类检测。以平均精度AP(average precision)的均值m AP(mean average precision)作为精度指标,平均检测时间作为速度指标,在使用不同特征图、不同分辨率和ResNet18、MobileNetV3、ESPNetV2、VoVNet39等4种不同特征提取网络时,进行模型分类检测效果对比试验研究。研究表明,该模型使用C4、C5特征图,768×768像素的分辨率较为合适,特征提取网络ResNet18在检测速度上存在明显优势,最终该模型的m AP达到87.89%,比原SSD的87.55%高出0.34个百分点,平均检测时间为20.27 ms,相较于原SSD的108.83 ms,检测耗时降低了436.90%。该模型可以同时对多类多个柑橘进行实时分类检测,可为自动化生产线上分拣表面缺陷柑橘的识别方面提供技术借鉴。     

基于RGB-D的肉牛图像全卷积网络语义分割优化

基于卷积神经网络的深度学习模型已越来越多的应用于检测肉牛行为。利用卷积操作实现肉牛图像的像素级分割有助于实现远距离、无接触、自动化的检测肉牛行为,为肉牛异常行为早期发现提供必要手段。为了提高复杂背景下肉牛图像语义分割精度,降低上采样过程中的语义分割误差,该文提出基于RGB-D的肉牛图像全卷积网络(fully convolutionalnetworks,FCN)的语义分割优化方法,用深度密度值来量化深度图像中不同像素点是否属于相同类型的概率,并根据深度图像与彩色图像在内容上的互补关系,优化和提升FCN对肉牛图像的语义分割(像素密集预测)精度。通过试验验证,该方法与全卷积网络的最优分割结果相比,可以将统计像素准确率平均提高2.5%,类别平均准确率平均提升2.3%,平均区域重合度平均提升3.4%,频率加权区域重合度平均提升2.7%。试验证明,该方法可以提升全卷积网络模型在复杂背景下肉牛图像语义分割精度。     

Gram-Schmidt算法与GRNN融合的加工番茄早疫病高光谱预测

加工番茄早疫病的准确预测,有助于及时采取防治措施,降低产量损失.测定加工番茄早疫病冠层光谱,对380～760 nm进行连续统去除变换,提取波段深度、波段位置、波段宽度、斜率、面积等特征参数,并对原始光谱提取红谷、绿峰、红边及相应波段位置等特征参数.利用Gram-Schmidt算法对特征参数进行成分提取,作为广义回归神经网络(GRNN)的输入变量,对加工番茄早疫病病情严重度进行预测.研究结果表明,与多元线性回归和偏最小二乘法预测模型比较,Gram-Schmidt算法与GRNN融合模型的预测精度相对较高,R2为0.843,RMSE为0.136,该方法能够对加工番茄早疫病病情严重度进行快速、准确的预测.     

基于改进的轻量化卷积神经网络火龙果检测方法

在自然环境下对火龙果进行实时检测是实现火龙果自动化采摘的必要条件之一。该研究提出了一种轻量级卷积神经网络YOLOv4- LITE火龙果检测方法。YOLOv4集成了多种优化策略,YOLOv4的检测准确率比传统的YOLOv3高出10%。但是YOLOv4的骨干网络复杂,计算量大,模型体积较大,不适合部署在嵌入式设备中进行实时检测。将YOLOv4的骨干网络CSPDarknet-53替换为MobileNet-v3,MobileNet-v3提取特征可以显著提高YOLOv4的检测速度。为了提高小目标的检测精度,分别设置在网络第39层以及第46层进行上采样特征融合。使用2 513张不同遮挡环境下的火龙果图像作为数据集进行训练测试,试验结果表明,该研究提出的轻量级YOLOv4-LITE模型 Average Precision（AP）值为96.48%,F1值为95%,平均交并比为81.09%,模型大小仅为2.7 MB。同时对比分析不同骨干网络,MobileNet-v3检测速度大幅度提升,比YOLOv4的原CSPDarknet-53平均检测时间减少了132.33 ms。YOLOv4-LITE在GPU上检测一幅1 200×900的图像只需要2.28 ms,可以在自然环境下实时检测,具有较强的鲁棒性。相比现有的目标检测算法,YOLOv4-LITE的检测速度是SSD-300的9.5倍,是Faster-RCNN的14.3倍。进一步分析了多尺度预测对模型性能的影响,利用4个不同尺度特征图融合预测,相比YOLOv4-LITE平均检测精度提高了0.81%,但是平均检测时间增加了10.33 ms,模型大小增加了7.4 MB。因此,增加多尺度预测虽然提高了检测精度,但是检测时间也随之增加。总体结果表明,该研究提出的轻量级YOLOv4-LITE在检测速度、检测精度和模型大小方面具有显著优势,可应用于自然环境下火龙果检测。     

自然环境下多类水果采摘目标识别的通用改进SSD模型

为解决当前自然环境下水果识别率不高、泛化性不强等问题,该文以苹果、荔枝、脐橙、皇帝柑4种水果为研究对象,提出了一种改进的SSD(single shot multi-boxdetector)深度学习水果检测模型:将经典SSD深度学习模型中的VGG16输入模型替换为Res Net-101模型,并运用迁移学习方法和随机梯度下降算法优化SSD深度学习模型。该文基于Caffe深度学习框架,对自然环境下采集的水果图像进行不同网络模型、不同数据集大小和不同遮挡比例等多组水果识别检测效果对比试验。试验表明:改进的SSD深度学习水果检测模型对4种水果在各种环境下的平均检测精度达到88.4%,高于经典SSD深度学习模型中的86.38%,经过数据增强后平均检测精度可提升至89.53%,在遮挡面积低于50%的情况下F1值能达到96.12%,有较好的泛化性和鲁棒性,可以很好地实现自然环境下多类水果的精准检测,可为农业自动化采摘中的水果识别检测问题提供新的方案。     

基于注意力机制神经网络的荒漠区蒸散量模拟

该研究对基于注意力机制的长短期记忆（Attention-Based Long Short Term Memory，AT-LSTM）模型对蒸散量（Evapotranspiration，ET）模拟的可行性和有效性进行验证，以提高环境数据缺失情况下的蒸散量模拟精度。基于盐池县2012-2017年的每30 min环境数据，利用不同环境因子组合构建基于注意力机制的LSTM模型，并将其与极限学习机（Extreme Learning Machine，ELM）模型、支持向量机（Support Vector Machine，SVM）模型、长短期记忆（Long Short Term Memory，LSTM）模型在日尺度、月尺度和季节尺度上进行对比分析。结果表明：与其他3种模型相比，当输入环境因子变化时，AT-LSTM模型模拟精度变化很小，模拟效果均较好。当输入空气温度、净辐射、相对湿度、土壤温度、土壤含水率所有环境因子时，基于AT-LSTM模型的模拟效果最好，均方根误差（Root Mean Square Error，RMSE）为0.013 mm/30 min，平均绝对误差（Mean Absolute Error，MAE）为0.006 mm/30 min，相关系数（Correlation Coefficient，R）值为0.905。且无论是从小时尺度、日尺度和月尺度来看，AT-LSTM模型的模拟效果均优于其他3种模型。在环境因子缺失的情况下，净辐射对盐池县ET的模拟贡献程度最大，仅输入净辐射时，AT-LSTM模型模拟得到的RMSE和MAE分别为0.014、0.007 mm/30 min，R为0.892，模型模拟精度较高，AT-LSTM模型模拟精度高，模型稳定性强，对蒸散量模拟预测具有一定的适用性，仅输入净辐射的AT-LSTM模型可以作为环境数据缺失条件下的蒸散量预测模型。     

基于介电频谱技术的甜瓜品种无损检测

研究应用介电频谱技术实现对甜瓜的无损、快速及准确分类。以陕西杨凌某4家大棚外形相似的"红阎良"、"新早蜜"、"208"及"玛瑙"等4类成熟甜瓜为研究对象,采用矢量网络分析仪测量共246个样品在20 MHz~4 500 MHz的介电频谱。用Kennard-Stone方法划分校正集与验证集,分别建立支持向量机(support vector machine,SVM)和极限学习机(extremelearning machine,ELM)种类判别模型,并比较全频谱(full frequencies,FF)、连续投影算法(successive projectionalgorithm,SPA)和主成分分析(principal componentanalysis,PCA)等不同预处理方法对模型精度的影响。结果表明:1)所建6个判别模型验证集总正确率均大于96%,均可用于甜瓜种类的判别。2)对比3种预处理方法,FF完好地保留了样品的原始信息,2种判别模型的验证集总正确率都达到了100%,但由于存在干扰信息导致模型稳定性不好;PCA方法选择能代表原谱信息99.99%的前10个主成分信息用来建模,能有效简化模型,但验证集每个模型均有误判,两种判别模型总正确率分别为96.72%及98.36%;SPA从202个变量中提取17个特征变量参与建模,验证模型整体稳定性较其他两种好,总正确率分别达到96.72%和100%。3)综合考虑判别模型的验证集总正确率及模型稳定性,SPA-ELM模型判别效果最好,验证集总正确率达到100%,更适用于基于介电频谱的甜瓜种类判别。因此,基于甜瓜的介电频谱,通过支持向量机和极限学习机方法可以成功区分甜瓜种类,为甜瓜的无损检测及分类研究提供了一种新方法。     

基于图像和光谱信息融合的红茶萎凋程度量化判别

为了实现对红茶萎凋程度量化判别,该研究提出了一种将图像和光谱信息融合后分别与线性判别分析法和偏最小二乘法结合的技术,进行工夫红茶萎凋程度定性判别及儿茶素与氨基酸比值定量预测研究。通过对图像进行主成分分析,筛选出5个特征波长和对应的光谱特征值,基于灰度共生矩阵提取5个特征波长图像的纹理特征值,并采用连续投影算法优选出14个纹理特征值,然后分别以光谱和纹理特征值融合数据建立红茶萎凋程度的线性判别模型和儿茶素与氨基酸比值的偏最小二乘预测模型。结果表明:采用所研究的方法和建立的模型对工夫红茶萎凋程度判别准确率达到94.64%,儿茶素与氨基酸比值预测相关系数为0.8765,预测均方根误差为0.434,预测结果较好。证明应用这两种方法能实现对红茶萎凋程度量化判别。     

冻结状态下盐渍化土壤中水溶性盐基离子含量高光谱反演

为探究采用高光谱技术反演冻结状态土壤水溶性盐基离子含量的可行性,该研究针对河套灌区盐渍化土壤,测定土壤在冻结与未冻结状态下的光谱和主要水溶性盐基离子含量(HCO₃^-、Cl^-、CO₃^2-、SO₄^2-、K⁺、Na⁺、Ca²⁺、Mg²⁺),光谱经标准正态变量变换(standard normal variable,SNV)和变量投影重要性法(variable importance in projection,VIP)筛选出敏感波段后,采用偏最小二乘回归法(partial least squares regression,PLSR)、支持向量机回归法(support vector regression,SVR)和极限学习机法(extreme learning machine,ELM)构建基于特征光谱的土壤离子含量高光谱反演模型,并对比冻结与未冻结状态反演模型...     

基于RGB-D图像的葡萄复芽识别定位方法

为解决复杂背景下复芽精确识别与定位的问题,该研究提出一种基于远近组合视觉法的并生芽与副芽视觉识别方法,通过在视觉映射平面应用欧几里得距离算法,于远景实现并生芽的检测,在近景并生芽映射区域内实现副芽的识别,提高了田间小目标物体的识别准确率。对60个复芽样本的测试结果表明,该方法的总体平均置信度为0.905,平均检测时间为18.1 ms;其次,提出一种田间复芽的在线检测定位法,通过对同一复芽进行连续5帧在线检测与定位,实时删除和更新初始帧与最新帧图像数据,直到连续5帧定位坐标相对误差小于误差阈值,取得复芽的平均定位坐标,提高自然背景下复芽的定位精度与复杂光环境下的抗干扰能力,测试结果表明,该方法对并生芽与副芽的定位精度为±0.916和±0.654 mm,其重复性和精度满足副芽抹除需求,整个系统可靠有效,能够为抹芽机器人在线定位并生芽和副芽以进行抹芽作业提供高质量的技术支持,为果园自动化抹芽的实现奠定了基础。     

基于流形学习算法的马铃薯机械损伤机器视觉检测方法

针对马铃薯表面芽眼和凹凸不平的影响,使之马铃薯机械损伤难以检测的问题,该文提出了一种基于流形学习算法的马铃薯机械损伤检测方法。首先利用马铃薯图像的显著图分割出马铃薯区域,然后利用主成分分析(principal component analysis,PCA)、等距映射(isometric mapping,Isomap)和局部线性嵌入(locally-linear embedding,LLE)3种流形学习方法提取马铃薯区域图像特征参数,然后分别建立基于3种流形特征的支持向量机(support vector machine,SVM)分类模型PCA-SVM、Isomap-SVM和LLE-SVM,利用网格搜索法(grid search)、遗传算法(genetic algorithm,GA)以及粒子群算法(particle swarm optimization,PSO)3种模型参数优化方法,优化支持向量机模型的惩罚参数c和RBF核参数g,以建立最优分类模型,最后比较3种分类模型的识别效果,确定最优分类模型。研究结果表明,PCA-SVM分类模型对训练集识别率为100%,测试集识别率为100%;Isomap-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%;LLE-SVM分类模型对训练集识别率为100%,测试集识别率为91.7%,表明PCA、Isomap和LLE 3种流形学习方法用于马铃薯机械损伤检测是可行的,其中PCA-SVM分类模型检测效果最优。     

利用近红外高光谱图像技术快速鉴别西瓜种子品种

为了研究采用近红外高光谱图像技术对西瓜种子品种快速无损鉴别的可行性,该文采用近红外高光谱图像技术,通过提取西瓜种子的光谱反射率,结合Savitzky-Golay (SG)平滑算法,经验模态分解算法（empirical mode decomposition,EMD）和小波分析（wavelet transform,WT）对提取出的光谱数据进行去除噪声处理,采用连续投影算法（successive projections algorithm,SPA）和遗传-偏最小二乘法（genetic algorithm-partial least squares, GA-PLS）进行特征波长选择。基于全波段光谱建立了偏最小二乘判别分析（partial least squares-discriminant analysis,PLS-DA）,基于特征波长建立了反向传播神经网络（back-propagation neural network,BP NN)判别模型和极限学习机（extreme learning machine,ELM）判别模型。试验结果表明,基于特征波长的BPNN模型和ELM模型的结果优于基于全部波长的PLS-DA模型,基于SG预处理光谱提取的特征波长建立的ELM模型取得最优的判别效果,建模集和预测集的判别正确率均为100%。结果表明应用近红外高光谱成像技术对西瓜种子品种鉴别是可行的,为西瓜种子的品种快速鉴别提供了一种新方法。     

基于近红外光谱和支持向量机的土壤参数预测

应用支持向量机算法对实时土壤光谱数据进行处理,获得了土壤全氮和有机质的回归模型并研究了模型随参数变化的规律。从中国农业大学试验田采集了150个土样,用光谱仪获取了原始土壤样本的近红外光谱,用实验室分析法获取了各样本的全氮和有机质含量。以近红外光谱数据为自变量对2个土壤参数进行了回归建模并评价了算法各参数对模型的影响。研究表明土壤参数适合于全谱支持向量回归。对于土壤全氮,基于小波降噪NIR光谱的SVM回归模型的标定R2为0.9224,验证R2为0.3667;对于土壤有机质,基于原始NIR光谱的SVM回归模型     

基于TPH-YOLO的无人机图像麦穗计数方法

在无人机上安装光学传感器捕捉农作物图像是一种经济高效的方法，它有助于产量预测、田间管理等。该研究以无人机小麦作物图像为研究对象，针对图像中麦穗分布稠密、重叠现象严重、背景信息复杂等特点，设计了一种基于TPH-YOLO(YOLO with transformer prediction heads)的麦穗检测模型，提高无人机图像麦穗计数的精度。首先，为了减小光照不均匀对无人机图像质量造成的影响，该研究采用Retinex算法进行图像增强处理。其次，在YOLOv5的骨干网络中添加坐标注意力机制（coordinateattention,CA），使模型细化特征，更加关注麦穗信息，抑制麦秆、麦叶等一些背景因素的干扰。再次，将YOLOv5中原始的预测头转换为Transformer预测头（transformer prediction heads,TPH），该预测头具有多头注意力机制的预测潜力，可以在高密度场景下准确定位到麦穗。最后，为了提高模型的泛化能力和检测精度，采用了迁移学习的训练策略，先使用田间采集的小麦图像数据集对模型进行预训练，接着再使用无人机采集的小麦图像数据集对模型进行参数更新和优化训练，...     

基于图像特征融合的苹果在线分级方法

苹果在线分级是提升苹果商品化价值的重要环节,需要同时满足分级准确度和速度要求。为进一步提高苹果在线分级效率,该文借助机器视觉技术动态采集苹果传输过程中的实时图像,提出改进的三层Canny边缘检测算法来提取苹果轮廓以克服采集图像中的光线噪声影响,通过分析苹果分级指标,采用判别树对苹果的果径、缺陷面积、色泽等特征进行初步分级判断,并采用粒子群参数优化的支持向量机对果形、果面纹理、颜色分布等特征进行模型构建与分级,最后,通过将两种分级判断结果进行决策融合来实现样本精确分级。同时,采取图像压缩和特征降维方法提高实时性。试验结果表明,基于图像特征决策融合的苹果分级准确率可达到95%,平均分级速率可达到4个/s。研究结果为水果的在线分级提供参考。