仿真与DBSCAN算法融合的管输数据生成与验证方法

在油气管道系统中，受数据保密性高、数据采集技术不完善、异常工况发生频率低等因素制约，利用管输数据集进行机器学习模型训练，效果不理想。基于此，以某原油管道为例，分析管输能耗，利用Pipeline Studio TLNET软件对输油泵机组耗电量进行仿真，扩充训练数据集。针对管输仿真样本无真实值对照、特征关联、高维等特点，提出一种基于马氏距离的DBSCAN(Density-Based Spatial Clustering of Applications with Noise)算法，用于评价仿真样本的可靠度，识别异常仿真数据。基于仿真样本与现场数据样本的机器学习模型训练结果表明，剔除异常数据的仿真样本能够提升模型的拟合能力，由此为管输数据仿真样本的生成与验证提供了新的思路。（图5，表5，参25）     

基于声波的圈舍智能设备非接触式手势控制方法研究

【目的】研究基于声波的非接触式手势控制方法,实现对圈舍智能设备的非接触式手势控制,为减少畜牧业传染病的接触式传播风险提供技术支持。【方法】设计并实现了基于声波的手势识别系统,该系统由2套商用扬声器和麦克风组成声学雷达,采用功率谱密度对手势移动产生的多普勒效应进行提取,然后建立手势、位置与多普勒效应的映射关系,并提出一种融合规则和机器学习的手势识别方法,通过手势移动时产生的多普勒效应实现感知范围内任意位置对4种常见手势（前推、后移、左移、右移）的准确识别。【结果】采用奇异值分解算法进行特征提取,并对支持向量机模型、BP神经网络模型、K最邻近算法3种机器学习算法进行比较,可以得到支持向量机模型整体优于BP神经网络和K最邻近算法,且线性支持向量机的识别准确率最高,该系统对15位测试者在不同位置手势的平均识别准确率可以达到91.50%,且成功应用于照明设备的开关和亮度调节以及换气扇的开关和转速调节。【结论】综合考虑手势执行位置、手势移动速度和幅度等因素,采用奇异值分解算法进行特征提取,线性支持向量机算法进行分类,可达到较高的手势识别准确率,有望应用于圈舍智能设备的非接触式手势控制。     

机器学习在油气管道的应用研究进展及展望

机器学习作为实现人工智能的主要手段,通过探索数据规律、建立预测模型来指导决策支持。在目前油气管道系统设备繁多、结构复杂、技术庞杂等背景下,引入机器学习是为了采用人工智能技术解决单纯依靠数学模型难以应对的问题,代替人工从事一些枯燥繁琐、危险程度较高的工作。结合油气管道系统各生产环节,重点阐述了深度学习、强化学习及迁移学习3类机器学习方法的应用研究进展,包括油气管道泄漏、多相流型识别、设备故障诊断及储罐目标检测等应用场景,构建了人工智能技术在油气管道系统的应用框架,指出深度学习、强化学习及迁移学习在该领域拥有较强的应用前景。最后,对机器学习在油气管道领域的应用进行了展望,以期为油气管道系统的智能化研究与发展提供参考。     

河北省农业害虫图像识别系统建设

基于农业技术与信息化技术的不断发展与融合,针对当前河北省农作物害虫识别准确率和效率低等问题,提出了一种基于Asp.NET Core MVC架构的残差神经网络害虫图像识别系统。该系统首先通过移动采集终端和网络图片爬虫收集目标分类图片信息,再使用数据增强技术扩充样本库,得到神经网络训练模型的数据集;然后通过搭建机器学习框架,分别引入ResNet-50、ResNet-101、ResNet-152残差网络模型,对数据集执行训练并验证其准确度;最后将准确度最高的训练结果模型运用至农作物害虫分类服务系统。经验证,该识别模型具有良好的适用性和鲁棒性,可为河北省主要农作物虫害提供识别及诊断功能。     

基于MobileNetV3的马铃薯病害识别

针对传统卷积神经网络在马铃薯叶部病害识别中结构复杂、参数庞大,难以实现在移动设备上的良好应用的问题,提出一种基于轻量级卷积神经网络和迁移学习的马铃薯叶部病害识别方法。首先,采集马铃薯叶部病害图像样本,再运用GrabCut算法进行图像分割;再基于MobileNetV3构建病害识别基础模型,并通过调整模型结构及宽度系数α等方式对模型进行优化,最后运用迁移学习的方式将预训练参数迁移至优化模型进行训练。结果表明,该方法对马铃薯健康、晚疫病、早疫病、炭疽病及其他病害叶部图像识别准确率为98.00%,模型权重仅为0.68 MB,识别速率为0.014 s/幅。本研究结果可为马铃薯叶部病害识别在移动设备上应用的实现提供理论支持。     

基于计算机视觉的水稻叶部病害识别研究

【目的】文章重点分析了病健交界特征参数、病害识别流程对提高病害识别准确率的影响。实现水稻叶部15种主要病害的准确识别,尤其是相似病害的判断。【方法】（1）病斑图像获取：水稻叶部病害图像来源包括水稻大田、病害图册和病害数据库,文中选用改进的mean shift图像分割算法提取病叶图像中的病斑并根据相关方程获取病斑特征信息。（2）特征参数的选择与设计：首先选取一至三阶颜色矩和颜色直方图作为病害的颜色特征参数,选取球状性、偏心率和不变矩作为病斑的形状特征参数,选取角二阶矩、对比度和相关作为病斑的纹理特征参数;然后针对相似病斑误报率高的问题提出一种病健交界特征参数,通过病斑内部、边缘和外围颜色上的差异描述该特征,并根据3个区域相互间归一化颜色直方图的欧氏距离计算该项特征参数,该参数可以用于描述病斑与健康部分交界处的特征。（3）病害识别流程的设计：根据病害在颜色、形状、纹理、病健交界4个特征上差异的显著程度设计完成病害识别流程,流程中首先通过颜色特征识别病害,对于通过颜色特征无法识别的病害再通过形态特征识别,倘若形态特征依然无法识别则通过纹理和病健交界特征进行最终识别。（4）病害识别模型的建立：将病害数据分成两部分,一部分用于建立模型,另一部分用于模型的验证;利用LibSVM程序包完成建模,其中svmtrain函数用于建立支持向量机模型,Grid程序用于优化参数,svmpredict函数用于对模型进行验证。【结果】15种水稻叶部病斑可以从复杂的背景中分割出来,并可快速准确的被识别,平均识别准确率为92.67%,平均漏报率为7.00%,最大漏报率和误报率分别为15.00%和25.00%;病健交界特征参数引入后,识别准确率提高了14.00%,平均漏报率降低了7.50%,漏报率最大降幅为20.00%,误报率最大降幅为65.00%;与用所有特征参数直接进行病害识别相比,采用本文提出的识别流程进行病害识别的准确率提高了12.67%,漏报率降低了9.33%,一些病害的漏报率和误报率降幅达30.00%以上;在识别流程各步骤中,颜色特征识别环节的平均准确率为96.71%,漏报率和误报率均未超过10.00%;形态特征识别环节的平均准确率为94.17%,漏报率和误报率均未超过15.00%;纹理和病健交界特征识别环节的平均准确率为91.50%,漏报率和误报率均未超过25.00%。【结论】利用mean shift图像分割算法可以准确分割水稻叶部病斑;基于支持向量机模型的分类方法可以对15种水稻病斑准确分类;论文中提出的病健交界特征参数以及病斑识别流程均提高了病斑的识别准确率;病健交界特征参数对提高一些相似病害的识别精度效果显著;将这些方法相结合可以有效对水稻常见叶部病害进行识别,为水稻病害的田间智能诊断提供技术支撑。     

基于移动应用的油田安全自动化监控

通过搭建基于移动应用的油田安全自动化控制模型,介绍了WCF远程通信、设计模式、阿里云服务、研华ADAM-6017模拟量输入输出模块、索福达可燃气体变送器等技术应用和设备使用方法,其中包含了该模型的核心算法以及代码。自动化监控系统基于联合站现有安全监控识别设备,采用物联网和云服务技术,整合管理多类型气体监控设备和场站控制器,完成包括数据采集、信息识别、网络传输、自动化控制的功能,将报警信息通过生产数据网络传输至云服务,同时分发消息至场站监控室和用户移动客户端,通知用户险情信息,触发警报并控制单位门禁系统联动。     

基于运行工况的车辆系统工作模态分析

对运行工况下某一特种车辆系统的模态参数,基于计算模态分析方法进行了计算分析;推导了基于运行工况的该车辆系统随机子空间模态识别算法,得到了其工作模态参数的估算公式.同时,对该车辆系统进行了实际运行工况下的模态识别试验,用上述算法估算公式计算了其工作模态参数,并与计算模态分析结果作了比较.对比结果表明,该车辆系统需要考虑的前8阶工作模态的阻尼比和模态频率等参数的识别结果误差分别为:3.86％～11.61％和0.61％～8.32％,由此说明该识别方法具有较高的识别精度,分析方法可行、有效,能满足运行工况下车辆系统振动分析需要.     

基于机器学习结合植被指数阈值的水稻关键生育期识别

为建立不依赖时序数据的水稻生育期识别模型,基于四波段辐射计(SKYE)获取的水稻全生育期每日的冠层光谱反射率数据,利用K近邻(k-nearest neighbors, KNN)、决策树(Decision trees)、支持向量机(Support vector machines, SVM)、随机森林(Random forests, RF)和梯度提升决策树(Gradient boosted decision trees, GBDT)共5种机器学习算法开展水稻生育期识别研究。结果表明:RF算法的识别准确率最高,达93.00%,KNN算法的识别准确率也达到了91.92%,其他3种算法的准确率也都超过90%。在此基础上,将建立的水稻生育期识别模型应用至无人机(UAV)影像数据,KNN算法适用性最好,识别准确率为83.54%,RF算法的适用性一般,识别准确率为74.38%,SVM算法的适用性最差,识别准确率仅为62.92%,但5种机器学习算法都容易错误地将抽穗扬花期识别为拔节孕穗期;而新构建的KNN算法结合可见光大气修正指数(Visible atmospherically resistant index,VARI)的水稻生育期识别模型对无人机数据的识别准确率可达86.04%,与单独应用KNN算法相比,对水稻各个生育期的识别精度更加均衡。     

基于优化卷积神经网络的玉米螟虫害图像识别

【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。     

机器学习技术在风景园林中的应用进展与展望

随着风景园林数字化技术的应用发展,大数据技术和人工智能技术逐渐被应用到风景园林专业,解决了众多问题,机器学习技术同时作为大数据处理工具和人工智能核心技术之一也逐渐成为风景园林研究的热门话题。本文对近年来国内外的相关实践进行系统地总结和分析,先进行应用背景的介绍,分析机器学习在风景园林应用的适用性;再基于机器学习在风景园林中解决问题角度的不同,从场地信息提取,景观分析与评价和基于深度学习的方案自生成系统3个应用角度,对国内外已有实验的方法过程进行举例分析。最后基于对机器学习技术在风景园林应用的不同领域间的关系、同领域间的不同应用的关系的分析对未来的趋势进行了展望。从技术层面上,构建基于多种数据的综合性景观评价模型、景观分析模型是未来较有前景的研究方向;从应用层面上,随着多种智能化技术的整合和多源数据的整合,结合实际规划设计项目构建基于多种人工智能方法的数字化规划设计方法是机器学习在风景园林应用领域未来的重要趋势。     

面向猪舍环境的感知机器人系统和改进综合评价模型设计

文章针对目前中小型生猪养殖场人工管理存在疾病防控难、环境检测成本高等问题,结合中小型生猪养殖场实际生产需求,设计了一套基于猪舍环境监控的环境感知机器人系统,采用LoRa无线技术将生猪养殖场环境控制设备组成无线网络系统,实现猪舍无人化远程监控.为实现猪舍多区域环境参数准确检测,采用卡尔曼滤波融合算法采集猪舍环境参数.为优化猪舍环境突变造成的猪舍环境评定不准确问题,环境感知机器人系统基于熵值法的模糊综合算法模型评定猪舍环境优劣.结果表明,在25.6℃环境下,采用卡尔曼滤波融合算法时,温度数据检测误差为0.19％,满足猪舍多区域环境参数准确检测需求,并基于检测数据采用改进算法模型评价猪舍,可知,该算法模型可用于评价猪舍环境,预警环境突变.系统测试过程中运行稳定,可满足实际需求,实现节省人力成本,减少环境污染,无人化管理目的.     

基于物联网技术的仓储烟叶霉变状态智能监测方法研究

为对烟叶仓储中的霉变状态进行全方面的快速检测,解决传统霉变检测手段流程复杂需要人工判定的问题,基于物联网技术与BP神经网络算法搭建了一套烟叶仓储环境特定参数的监测平台,从而实现对仓储烟叶霉变状态的智能监测。首先,设计了烟叶仓储环境数据采集终端和手持无线中继器,手持无线中继器用于唤醒数据采集终端,并利用无线射频传输的方式获取终端采集的环境参数,同时通过GPRS将数据发送到服务器,服务器完成数据解析处理。之后,基于BP神经网络算法建立了烟叶状态识别模型,通过对所采集环境参数进行分析处理,得出烟叶状态,并通过仿真试验验证了模型的有效性。最后,开发并完成了烟叶仓储环境智能监测信息管理系统,实现烟叶环境参数和烟叶霉变状态的直观显示和报警。测试结果表明,利用物联网技术并结合BP神经网络算法,能够有效地完成仓储烟叶霉变状态的监测,具有一定的实际应用价值。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治,采用迁移学习技术与GoogLeNet模型相结合的方法,对6种果园作物的25类病虫害样本进行识别与危害程度分级研究;同时,探究不同数据集大小以及不同优化算法对模型性能的影响;基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型,对病虫害识别精度可达99.35%,危害程度分级精度可达92.78%;2)在相同训练参数下,本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%,并且收敛速度最快;3)本研究模型识别精度随着数据集的增大而提高;在3种优化算法中SGDM算法耗时最短且精度最高,更适合本研究模型。通过拍摄果树叶片病害区域图像,本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。     

基于工况识别的HEV自适应能量管理算法

提出了自适应能量管理算法,通过简化的神经网络对实时车速进行采集、分析和比较,在运行一段时间后,自动寻找出与之相近的标准循环工况,控制参数也相应转换为标准工况的已优化参数.基于CRUISE软件进行建模实现,选取城市客车循环工况进行仿真,分析结果表明,多工况自适应整车管理算法能够较好地根据车速对工况进行分类识别,并达到在保证混合动力汽车(HEV)电量平衡基础上节约燃油的目的.     

基于WebGL的开放BIM跨平台可视化方案研究

当前工程中应用的基于C/S(Client/Server)架构的本地BIM可视化系统依赖于软件平台且网络负载大,无法通过浏览器实现资源共享。本文通过模型转化、数据轻量化、数据渲染、模型交互,设计了一种基于B/S(Browser/Server)架构的在线BIM可视化方案。针对基于IFC的BIM设计模型,将Revit几何体转化为参数化几何体,对参数化几何体进行三角化、轻量化处理,并对转换后以JSON格式存储的数据进行WebGL数据渲染,开发了一种基于WebGL的在线BIM可视化系统。该系统解决了BIM数据的轻量化和跨平台问题,实现了模型和建筑图的在线浏览和信息交互。最后通过实例验证了该系统的可行性和有效性。     

基于遥感技术的森林树种识别研究进展

基于遥感手段的森林类型/树种（组）的精准识别是森林参数提取和计算的前提,是林业遥感领域的研究前沿,可为宏观尺度快速获取森林资源信息提供重要途径。对多源遥感数据在森林树种识别中的应用研究进行总结分析发现,当前基于遥感数据的树种识别已成为林业遥感的研究热点。利用卫星遥感数据和近地低空遥感数据结合随机森林、支持向量机等分类方法进行树种识别已相对成熟。近年来,无人机技术不断发展,以其灵活性强的特点在林业中有较强的应用潜力,在计算机技术、数字图像处理技术和机器学习领域不断发展成熟背景下,低空遥感数据结合深度学习技术应用于森林树种的精确识别是值得深入研究的科学问题。     

基于机器学习的农作物产量预测研究综述

人口的持续增长对农业系统的压力越来越大,产量预测能够为农作物的合理规划与种植提供指导.随着数据科学与计算机软硬件的发展,机器学习凭借其对复杂性、非线性问题的处理能力,在数据分析、农业病虫害识别、模式识别中表现良好,被逐渐应用于农作物产量预测中.该文以当前农作物产量预测为背景,概述了机器学习的主要算法,在归纳国内外研究进展的基础上,综合分析当前基于机器学习的农作物产量预测方法,并讨论了不同方法特点和精度.     

直接搜索-模拟退火算法在水质模型参数识别中的应用

在研究新近发展起来的模拟退火算法及其各种改进算法的基础上,提出并构造了一种能识别水质模型参数的、以记忆为基础的直接搜索—模拟退火算法,并在O connor水质模型参数识别的实例应用中,得到了更优的全局最优解,为水质模型参数识别提供了一条新途径。     

基于区域卷积神经网络模型的广西柑橘病虫害识别方法研究

【目的】研究基于区域卷积神经网络(R-CNN)模型的广西柑橘病虫害识别方法,为提高柑橘重要病症分类和病理检测效率提供参考依据。【方法】设计专用R-CNN模型,采用多层神经网络,通过机器学习算法和神经网络对柑橘黄龙病、红蜘蛛感染和溃疡病等广西柑橘主要病症特征图像进行识别,分析其准确率和空间复杂度。【结果】R-CNN模型对广西柑橘黄龙病的平均识别准确率为95.30%,对红蜘蛛感染的平均识别准确率为90.30%,对溃疡病的平均识别准确率为99.10%,均优于传统机器学习方法中支持向量机算法(SVM)的平均识别准确率(分别为93.20%、88.20%和95.20%),分类效果也优于小型神经网络模型如视觉几何组网络(VGG-19)模型,平均识别准确率分别提高4.25%、4.62%和2.55%。R-CNN模型在较少神经元参数(33层卷积网络)情况下,空间复杂度比SVM和VGG-19模型低,能获得更佳的柑橘黄龙病、红蜘蛛感染和溃疡病识别效果。【结论】R-CNN模型识别是一种对柑橘黄龙病、红蜘蛛感染和溃疡病行之有效的鉴别方法,可在广西柑橘果园大量部署和应用。