裂颖杂交水稻种子的发芽特性初探

种子裂颖是部分杂交水稻品种的固有特性,裂颖是导致种子发芽率降低的原因之一,提高有裂颖特性的水稻品种的播种品质可以充分发挥优质杂交水稻品种的高产、优质潜力,是保障农业生产用种安全的重要手段。本研究对裂颖杂交水稻种子的发芽特性及适宜的精选方式进行了初探,结果表明,裂颖杂交水稻种子可以通过精选达到国家质量标准,水选是比较适宜、有效的精选措施。     

基于神经网络的大麦病害识别研究

试验首先提取甘肃大麦病斑的颜色和纹理特征,以特征向量为输入向量来构造大麦病害神经网络分类器模型.然后利用神经网络对采集到的训练集病害图像进行分类模型训练,最后以随机选取的两组测试图像进行了分类试验.结果表明:大麦病害神经网络分类器模型对甘肃大麦病害的整体识别正确率达到86.7%以上.因而,基于神经网络的大麦病害图像识别研究为大麦田间病害归类诊治提供了新型技术,为西北特别是甘肃大麦病害的早期诊断与科学防治奠定了技术基础.     

基于特征数据的水稻种子分类识别方法

针对水稻种子相似度高、识别困难等问题,提出一种线性判别分析(Linear discriminant analysis,LDA)和贝叶斯分类(Bayes)相结合的分类识别方法,以提高水稻种子分类识别速度和识别准确率.通过对4类水稻种子(楚粳7号、马坝油粘、玉杨糯、玉针香)的图像进行裁剪和分割等预处理操作,提取出水稻种子图像的颜色特征、几何特征和纹理特征.利用线性判别分析、主成分分析、因子分析和局部线性嵌入对特征数据进行分析降维,并分别选择Bayes、K-邻近、支持向量机、多层感知机分类器对原始特征数据和降维数据进行分类识别研究.为提高模型泛化能力,通过图像增强技术对稻种原始数据集进行样本扩充,利用图像增强技术模拟多种环境对水稻种子图片数据集进行增强处理,结果显示,基于数据增强后的LDA Bayes模型运行时间为0.019 s,识别准确率为99.4％.与其他模型比较,该模型具有更强的鲁棒性和适用性,能高效地分类识别不同环境下的水稻种子,可为水稻种子分类识别提供一种新方法.     

高压静电场对水稻种子萌发的试验研究

 选用不同的高压静电场（200，300，400，500kV/m）和不同的处理时间（5，10，15，20min）处理水稻种子，对水稻种子的发芽率、发芽指数、幼苗生长高度、活力指数等项指标进行检测和统计分析，试验设置相应对照组。结果表明，不同的静电场和不同的处理时间，对水稻种子在萌发期间的各项生理指标，表现出极其显著效果。200kV/m和300kV/m各时间条件下处理的水稻种子在萌发期间的各项生理指标，均有促进作用；500kV/m各时间条件下处理的种子，均有抑制作用。     

基于BP神经网络的数字识别

介绍了字符识别的几种方法及神经网络的基本原理,并将BP神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP神经网络的数字识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。     

生物菌肥对水稻种子发芽的效应研究

[目的]了解生物菌肥不同浓度和使用方法对水稻种子发芽的影响.[方法]通过室内平板培养法研究了生物菌肥不同浓度浸种、拌种处理对芦苇杂交稻种子发芽、幼苗生长的影响.[结果]生物菌肥浸种可促进水稻种子发芽,使水稻幼苗的根长和苗高分别增加了3.43％～14.18％和14.70％～18.86％,同时可促进幼苗叶片叶绿素含量的积累,增加水稻幼苗干鲜重.1∶25～1∶100各浓度生物菌肥对水稻的促进效果相差不大,生物菌肥拌种的效果最显著,且与生物菌肥浸种处理差异显著.[结论]在水稻育苗阶段使用“中合牌”生物菌肥可促进芦苇杂交稻的发芽,提高幼苗秧苗质量.     

基于模糊神经网络的大米品种识别算法研究

基于机器视觉技术,针对实际大米图像中不可避免的存在籽粒连接的情况,采用模糊BP神经网络进行大米品种识别。应用形态学中腐蚀、膨胀算法提取单粒大米籽粒,去除碎米后,对单粒整精大米籽粒进行外观特征提取,采用模糊BP神经网络进行大米品种识别,仿真结果表明,其可达到较高的检测精度。     

不同检测条件对水稻种子发芽影响的研究

试验以杂交籼稻C两优513为材料,以发芽温度和发芽介质这两个发芽关键条件为变量,设置不同的检测条件组合进行试验比较。通过观察对水稻种子发芽率的影响,选取出最适宜种子发芽的检测条件组合。试验结果表明：在恒温30℃下使用纸床(TP）进行发芽是优选的发芽条件组合,可以获得更为准确的发芽检测数据。     

神经网络在梁的边界条件识别中的应用

针对常规的梁的边界条件识别方法的不足，本文提出了利用神经网络网络来实现梁的边界条件识别     

基于BP神经网络的成熟棉桃识别研究

在成熟棉桃识别过程中,提出一种采用BP神经网络实现棉桃识别的方法。利用图像处理的方法,分析并获得棉桃、棉叶的面积、主轴、长度和宽度4个变量,通过归一化处理,作为神经网络的输入变量,通过调节神经网络的参数值对神经网络进行优化训练,利用训练后的网络就可以对处理后的棉桃进行识别。实验结果表明,训练后的神经网络能够以较高精度进行棉桃的识别。     

基于卷积神经网络的水稻虫害识别方法

为解决人工识别水稻虫害难度大、费时费力的问题,研究了一种自动识别水稻虫害的方法。选取2 500张红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟图片建立数据库,利用深度卷积神经网络提取水稻虫害数据集特征,采用随机梯度下降法训练,得到最优权重文件。测试训练好的模型,并对比Faster-RCNN、SSD和YOLOv3算法的效果。结果表明,YOLOv3算法的平均精度最高,其在红袖蜡蝉、稻绿蝽、稻螟蛉、点蜂缘蝽、大螟5种水稻虫害中分别为97.40%、88.76%、85.74%、92.96%、94.78%,五类水稻虫害mAP为91.93%。与Faster-RCNN算法相比,平均准确率高1.43个百分点,单张图像检测耗时减少853.68 ms;与SSD算法相比,平均准确率高5.56个百分点,单张图像检测耗时减少2.9 ms。选择5类比较具有代表性的水稻虫害图片进行测试,对于叶片遮挡目标和相似背景等情况,YOLOv3算法能够正确识别不会出现漏检错检,且识别准确率大于98%。将YOLOv3算法引入田间复杂情况下的水稻虫害识别是可行的,具有较高的平均准确率以及较快的检测速度,能够准确识别水稻虫害,这对于水稻虫害防治和田间喷药等方面具有重要意义。     

基于不变矩和神经网络的常用电气符号自动识别方法研究

工程图纸中电气符号的自动识别是实现电气工程图纸矢量化的基础。提出了提取工程图纸中电气符号的不变特征。把不变特征值输入神经网络进行训练，得到神经网络模型识别旋转、平移、缩放电气元件图元的方法。实验结果表明：所建立的网络模型具有较好的性能。将此方法用于工程图纸的矢量化处理过程，只需识别出电力工程图纸中各个符号的类型，避免了图纸矢量化过程中的跟踪和拟合的过程，因此优化了矢量化流程。     

粳米分级中基于面积特征的碎米识别算法

提出了一种新的粳米碎米识别算法,该算法使用面积特征代替长轴特征作为识别特征。试验结果表明,该算法取得了较好的粳米碎米识别效果。     

基于贝叶斯分类器的水稻病害识别处理的研究

研究应用逐步判别分析方法,对三种寒地水稻常见病害组合成4个不同的参数集,将参数进行筛选,剔除多余参数,最后使用贝叶斯差别法进行分类识别。实验结果表明,使用逐步判别分析方法能有效的保留识别参数的准确性,为后续的识别奠定了良好的基础,识别的准确率提高至97．5％,该方法可以应用于对寒地水稻病害的识别。     

基于图像分割与卷积神经网络的水稻病害识别

为了提高水稻病害计算机视觉识别的准确性,研究提出针对水稻白叶枯病、赤枯病、胡麻斑病和纹枯病4种病害进行分类识别的模型。利用计算机视觉和机器学习软件库opencv对病斑图像进行随机旋转、随机翻转、随机亮度变换及随机对比度等处理方式扩充样本,应用区域生长、基于水平集的CV模型、显著性检测3种算法对图像进行分割。通过Tensorflow深度学习平台,构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5、3×3）的卷积神经网络,将图像分割后得到的3组数据,均以8∶2的比例分别作为卷积神经网络的训练数据和测试数据,训练后得到6个模型,并结合召回率、F1评价指标对模型进行评估。结果表明,6个模型中训练识别准确率最低为97.66%,测试识别准确率最低为95.31%,其中以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,相较于端到端的卷积神经网络水稻病害识别结果也有所提升。     

基于正交基函数对向传播过程神经网络的语音识别方法

针对特定人孤立词识别任务,传统的语音识别系统中构造的神经网络模型主要采用BP神经网络和径向基函数网络,为了解决这两种神经网络构造下的语音识别系统对训练样本需求量较大和识别率较低问题,提出了一种基于正交基函数展开的混合学习算法,并应用于语音识别中,同时与传统的BP神经网络、径向基函数网络进行了比较.仿真结果表明,采用对向...     

杂交稻种子带菌及保活剂处理与生活力的关系

为了解杂交水稻种子带菌情况及保活剂处理后贮存2年对种子发芽的影响，收集了湖南长沙、沅江、常德、临澧等地的杂交水稻种子，保活剂处理前后通过组织分离了解种子带菌情况，同时测定了种子水分含量与发芽率。结果表明：不同来源杂交稻种子携带的真菌主要为曲霉、毛锥孢、链格孢与镰刀菌。不同地区不同组合携带的真菌种类有很大的差异。1999年收获的杂交稻种用保活剂处理后保存2年，携带真菌数量减少，发芽率比对照高1．8％－15．9％；2000年用保活剂处理的杂交稻种保存1年后，发芽率比对照高0．3％－11％。     

基于多重分形和LVQ神经网络的小麦病害智能识别

针对不同小麦病害有不同的形状特征,利用多重分形分析提取小麦病害图像的8个多重分形谱值作为小麦病害的形状特征参数,并利用这8个特征参数来索引图像数据库作为学习向量量化(LVQ)神经网络的输入,进行样本训练、分类识别.试验结果表明,该算法对小麦病害的识别率可达90.0％以上.