基于BP神经网络的葡萄病害诊断方法研究

根据葡萄病害的特点,采用改进的BP算法,建立了BP神经网络诊断模型,经测试其诊断结果正确率为100%,BP模型的诊断准确率为95.39%。研究结果表明BP神经网络技术适合应用于解决病害诊断这一复杂问题。     

基于病斑形状和神经网络的黄瓜病害识别

为了研究基于图像处理的黄瓜病害识别方法,试验中采集了黄瓜细菌性角斑病和黄瓜霜霉病叶片进行图像研究。在黄瓜病斑的图像分割方面,尝试了边缘检测法和最大类间方差法进行图像处理。边缘检测法提取出来的病态部位轮廓不是很完整,而利用最大类间方差法的图像分割效果较好。试验中提取了10个形状特征,选取黄瓜细菌性角斑病和黄瓜霜霉病叶片的各50个样本,其中每个病害的前30个样本,共计60个样本作为训练样本输入神经网络,对2种黄瓜病害叶片的后20个样本,共计40个样本进行测试,正确识别率达到了100%,说明通过病斑形状和神经网络进行黄瓜细菌性角斑病和黄瓜霜霉病的识别是可行的。     

基于改进卷积神经网络的多种植物叶片病害识别

针对训练收敛时间长,模型参数庞大的问题,该文将传统的卷积神经网络模型进行改进,提出一种批归一化与全局池化相结合的卷积神经网络识别模型.通过对卷积层的输入数据进行批归一化处理,以便加速网络收敛.进一步缩减特征图数目,并采用全局池化的方法减少特征数.通过设置不同尺寸的初始层卷积核和全局池化层类型,以及设置不同初始化类型和激活函数,得到8种改进模型,用于训练识别14种不同植物共26类病害并选出最优模型.改进后最优模型收敛时间小于传统卷积神经网络模型,仅经过3次训练迭代,就能达到90%以上的识别准确率;参数内存需求仅为2.6 MB,平均测试识别准确率达到99.56%,查全率和查准率的加权平均分数为99.41%.改进模型受叶片的空间位置的变换影响较小,能识别多种植物叶片的不同病害.该模型具有较高的识别准确率及较强的鲁棒性,该研究可为植物叶片病害的识别提供参考.     

基于BP神经网络的脱绒棉种品种识别

摘要：为了提高脱绒棉种品种识别的准确率,提出了基于BP神经网络的非线性识别方法。该文以新路早36、中棉50、惠远710等3个品种为研究对象,基于图像处理技术提取了脱绒棉种的颜色和形状特征参数,后又通过对特征参数进行单因素分析选取了差别较明显的9个特征参数参与网络的训练,提高了训练速度。经训练比较得出,当训练目标为0.02,训练次数为3 000,隐含层的结点数为12时,模型的训练误差最小。经过对测试集进行测试,得出综合测试准确率为90%,证明了该方法是可行的,提高了脱绒棉种的识别准确率。该研究可为其他粒状种子品种识别提供参考。     

基于卷积神经网络的温室黄瓜病害识别系统

基于图像处理和深度学习技术,该研究构建了一个基于卷积神经网络的温室黄瓜病害识别系统。针对温室现场采集的黄瓜病害图像中含有较多光照不均匀和复杂背景等噪声的情况,采用了一种复合颜色特征(combinations of color features,CCF)及其检测方法,通过将该颜色特征与传统区域生长算法结合,实现了温室黄瓜病斑图像的准确分割。基于温室黄瓜病斑图像,构建了温室黄瓜病害识别分类器的输入数据集,并采用数据增强方法将输入数据集的数据量扩充了12倍。基于扩充后的数据集,构建了基于卷积神经网络的病害识别分类器并利用梯度下降算法进行模型训练、验证与测试。系统试验结果表明,针对含有光照不均匀和复杂背景等噪声的黄瓜病害图像,该系统能够快速、准确的实现温室黄瓜病斑图像分割,分割准确率为97.29%;基于分割后的温室黄瓜病斑图像,该系统能够实现准确的病害识别,识别准确率为95.7%,其中,霜霉病识别准确率为93.1%,白粉病识别准确率为98.4%。     

粗糙集和神经网络理论在数据挖掘中的应用分析

本文对数据挖掘的两种重要新方法粗糙集理论和神经网络以及它们的应用进行了分析、比较,总结出每种算法的性能特征,以便于使用者了解掌握各种分类算法、更好地选择合适的算法。     

基于BP神经网络和概率神经网络的水稻图像氮素营养诊断

【目的】实现图像氮素营养诊断需要关键指标的确定和建立快速处理海量图像数据的模型。本研究筛选了水稻氮素营养诊断的敏感时期和部位,优化了图像处理技术参数,并比较了BP神经网络和概率神经网络两种建模方法对养分诊断的可靠性,为利用计算机视觉虚拟技术快速精准判断作物生长营养状况、反演生长过程提供思路和方法。【方法】本研究以超级杂交稻‘两优培九’为试验对象进行了田间试验。设置4个施氮(N)水平:0、210、300、390 kg/hm^2。在水稻幼穗分化期及齐穗期,扫描获取水稻顶一叶、顶二叶、顶三叶叶片、叶鞘图像数据,共1920组。通过图像处理技术,获取19项水稻特征指标。分别应用BP神经网络和概率神经网络对19项水稻特征指标进行水稻氮素营养诊断识别,并对诊断指标进行了优化和标准化。比较了两个建模方法的灵敏性。【结果】1)幼穗分化期水稻的整体识别准确率均高于齐穗期水稻的整体识别准确率;三个部位叶片的图像数据,以顶三叶最为可靠;2) BP神经网络对幼穗分化期及齐穗期水稻19项特征指标进行氮素营养诊断的整体识别准确率均高于概率神经网络。其中BP神经网络对幼穗分化期顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达90%。概率神经网络对幼穗分化期顶二叶、顶三叶特征指标进行水稻氮素营养诊断识别的准确率最高达82%。【结论】幼穗分化期水稻顶3叶叶片特征最具区分度,易于进行氮素营养诊断识别,可作为氮素营养诊断的有效时期和部位。叶片的6项RGB、HSI颜色空间分量组合最能体现其氮素营养状况。识别效果以BP神经网络好于概率神经网络方法,其整体识别准确率达90%。     

基于监测数据和BP神经网络的食品安全预警模型

以中国实际食品安全监测数据为样本,研究基于BP神经网络的食品安全预警方法。首先对食品安全日常监测数据进行筛选简化,选择其中与食品安全最为密切的167种检测项目,以此检测项目为指标按月度划分建立数据样本。然后建立以167种检测项为输入层,包含2个隐层,以化学污染、农药残留、兽药残留、重金属、微生物致病菌5大类为输出层的食品安全预警神经网络模型,最后用所得数据样本进行训练和验证。结果表明,基于BP神经网络的食品安全预警方法能有效识别、记忆食品危险特征,能够对输入样本进行有效的预测,研究有助于丰富食品安全数据的处理方法,有助于完善相关预警技术手段。     

基于改进卷积神经网络模型的玉米叶部病害识别

准确识别玉米病害有助于对病害进行及时有效的防治.针对传统方法对于玉米叶片病害识别精度低和模型泛化能力弱等问题,该研究提出了一种基于改进卷积神经网络模型的玉米叶片病害识别方法.改进后的模型由大小为3×3的卷积层堆栈和Inception模块与ResNet模块组成的特征融合网络两部分组成,其中3×3卷积层的堆栈用于增加特征映...     

基于BP神经网络的济南市建设用地规模预测

随着经济的发展,城市建设用地面积呈迅速扩张的趋势。城市建设用地面积的增长受社会、经济、人口等多种因素的影响。运用主成分分析法对济南市建设用地变化的驱动力进行分析,人口和GDP是影响建设用地面积的主要的驱动因素,通过建设用地驱动因子的人工神经网络模型,预测出2010年和2020年济南市建设用地的面积需求状况。     

基于BP神经网络的皮棉杂质在线检测方法

为改进因皮棉含杂影响因素多，现有杂质含量数学统计模型不精确，测量精度不高的缺点，用人工神经网络方法建立了基于BP神经网络的皮棉杂质含量数学模型。用自行设计的皮棉杂质测量系统提取皮棉杂质图像特征参数并进行处理。针对BP神经网络收敛慢的特点，在实际算法中引入了动量项，从而提高了网络收敛速度。试验结果表明，BP神经网络模型拟合结果的相对剩余标准差为1.76%，拟合精度明显优于数理统计模型的拟合精度。     

粗集-神经网络在农业工程项目评估中的应用

该文提出一种基于粗集-神经网络项目评估新方法,该方法应用粗糙集理论对神经网络的输入数据进行预处理,提取其中的关键成分作为网络的输入,提高了神经网络的收敛速度和逼近精度,并以中国农业水利工程项目为背景进行了实例研究,结果表明,建立的模型不仅较公平、合理,而且提高了神经网络模型的学习效率。     

基于BP神经网络自动提取沟谷研究

 提出将提取沟谷的过程转化为根据地形因子综合判定地貌类型的思路。以陕西绥德黄土丘陵沟壑区域1∶1万地形图制作的分辨率为5 m的DEM为研究对象,运用BP神经网络分析6种地形因子与沟谷地形的相互关联关系,认为降水累积量是判定沟谷地形的最重要因子。在试验样区建立BP神经网络,利用4种地形因子自动提取沟谷,并在检验样区通过了检验。     

应用集成BP神经网络进行田间土壤空间变异研究

以英国北爱尔兰Hayes的一块牧草地为研究区，将所有样点分为独立的训练和检验数据集，并在训练样点集的基础上设计了其他4种样点布局方案，以研究神经网络集成技术应用于田间土壤性质空间变异性的可能性。与广泛应用的克里格法的试验结果相比，集成BP神经网络的插值结果精度与之基本相当，尤其是在样点分布较稀疏和样点数较少的情况下，集成BP网络表现出明显的优势；由于神经网络集成方法对样本数据的分布没有任何要求，因此具有较广泛的应用前景和潜力，并在不符合克里格法对样本数据分布要求的情况下是一种可行的替代方法。     

混沌理论与BP网络融合的稻瘟病预测模型

为了能更有效地预测稻瘟病的发生,将混沌理论（G-P算法）与BP人工神经网络融合建立了稻瘟病预测模型,并运用QPSO算法优化BP神经网络,避免了BP算法易陷入局部极小值的缺陷。运用G-P算法对云南省凤庆县历年稻瘟病发病情况的历史数据进行了研究。研究发现最小嵌入空间维及K熵都为正数,故稻瘟病的发生具有一定的混沌特性,从而确定了模型输入层的个数。应用该模型对2001－2009年稻瘟病发生程度进行预测,并与其他预测模型进行比较。结果表明：该模型预测的准确率和收敛速度明显高于其他预测模型,且预测结果有效可行,为解决预测、分类及模式识别等问题提供了新的解决途径。     

采用局部点云和BP神经网络的苹果树剪枝决策系统构建

针对当前果树智能化剪枝决策研究尚不完善的问题,以树形分析和人工智能剪枝决策为基础,建立苹果树剪枝决策系统。提出基于局部点云的树枝三维骨骼提取方法,该方法采用Harris角点检测、凝聚层次、深度层次分析算法提取三维骨骼关键点,并基于线覆盖法建立树枝的空间向量,获取苹果树枝的三维空间形态特征数据,从而生成树枝的三维骨骼图,实现真实树枝的数字化模拟;提出基于BP神经网络的剪枝决策方法,以三维骨骼图为特征,实现根据输入的果树数据自动分析并生成剪枝方案。结果表明,剪枝决策方案对于背上枝和向心枝的辨别程度较好,准确率均达到90%以上,对干扰枝的总检出率85.71%,整体符合要求。该系统实现了苹果树剪枝环节的数字化处理和智能化剪枝,为果树科学剪枝提供可靠的工具。     

基于机械特性BP神经网络的苹果贮藏品质预测

应用L－M优化算法BP神经网络，通过用苹果机械特性指标(压缩时的最大力、屈服力、弹性模量)预测苹果贮藏品质(硬度、水分、可溶性固形物、总酸)的方法，建立贮藏品质的人工神经网络模型。用试验所测的机械特性指标为输入，苹果贮藏品质为输出来确定网络的拓扑结构，训练建立的BP神经网络。仿真结果表明：该神经网络模型用机械特性指标能预测苹果贮藏品质，同时通过5组非样本数据来验证该神经网络，模型的预测值与实测值的相对误差在5%以下，能够满足工程应用中预测苹果贮藏品质的精度要求。     

基于4种不变矩和BP神经网络的稻飞虱分类

针对稻飞虱远程实时识别采集图像质量不高的问题,研究了基于不变矩提取形状特征值对稻飞虱进行分类。采用自行设计的拍摄装置采集稻飞虱图像,进行灰度化后用大津法二值化,再用数学形态学滤波;对二值图像采用Hu矩、改进Hu矩、Zernike矩和Krawtchouk矩4种不变矩分别提取特征值,再用BP神经网络进行训练和测试,以此检测4种矩的提取效果。试验用Matlab2008验证算法,对白背飞虱、褐飞虱和灰飞虱共300个样本进行了训练和测试,结果表明Krawtchouk矩提取稻飞虱图像形状特征值的识别率最高,总体达到了91.7%。该文可为大田中现场识别稻飞虱提供参考。