基于改进型支持度函数的畜禽养殖物联网数据融合方法

物联网技术已广泛应用在畜禽养殖中,针对畜禽养殖物联网中数据异常实时检测以及多源感知数据融合的需求,该文提出了一种畜禽养殖物联网数据融合模型。首先对传感器采集到的原始数据进行一致性检测,确保数据准确性;其次针对来自同类型传感器的多源同构数据,采用基于改进型支持度函数的加权算法进行数据融合处理,提高融合数据准确度;最后根据畜禽养殖物联网编码规则和数据组织格式,对畜禽养殖过程中的异构感知数据进行统一描述并转换为标准数据格式,为数据分析和应用提供数据基础。该文采用实际生产中的生猪养殖物联网数据进行试验,结果表明:在数据一致性检测阶段,异常数据检测率为96.67%,保证了数据质量;在多源同构数据融合计算中,该文提出的改进型支持度函数与高斯型、新型2种支持度函数相比融合方差最小,为0.192 5,能够有效提高数据融合准确度,满足畜禽养殖物联网数据分析要求。     

基于头颈部轮廓拟合直线斜率特征的奶牛跛行检测方法

针对人工跛行检测不够及时,难以发现突发中、重度跛行及轻度跛行行为的问题,该文提出了一种基于正态分布背景统计模型(normal background statistical model,NBSM)与局部循环中心补偿跟踪模型(local circulation center compensation track,LCCCT)和线性斜率最近邻分类(distilling data of KNN,DSKNN)技术的奶牛跛行检测方法。首先利用NBSM模型对奶牛序列图像中的目标奶牛像素区域进行分割,然后对得到的奶牛像素区域利用LCCCT模型提取目标奶牛身体前部像素区域,用其区域通过DSKNN模型提取目标奶牛的头部、颈部以及与颈连接的背部轮廓线拟合直线斜率数据,基于大样本视频序列帧数据将视频集制成轻度跛行、中重度跛行及正常等3类标签的斜率数据集。为了验证算法的有效性,对随机选取的18段奶牛视频进行了验证,其中正常奶牛、轻度跛行奶牛及中重跛行奶牛视频段各6段,获得头部、颈部及背部连接处的拟合直线斜率数据集。在未清洗的数据集上,分别利用SVM、Naive Bayes以及KNN分类算法进行了奶牛跛行的分类检测试验,试验结果表明,SVM与Naive Bayes跛行分类检测正确率均为82.78%,KNN奶牛跛行检测正确率为81.67%。将未清洗的数据集进行清洗后,3类算法的结果表明,KNN分类算法的跛行检测正确率达93.89%,高于SVM分类算法的91.11%及Naive Bayes分类算法的86.11%。上述结果表明通过头部、颈部及背部连接处的拟合直线斜率特性可以正确检测奶牛跛行,未清洗的数据经数据清洗后,KNN分类算法可以取得更好的检测结果。该研究结果对于奶牛跛行疾病的预防、诊断具有重要意义。     

噪声扰动下低光照蚕蛹图像恢复算法与试验

在基于机器视觉雌雄蚕蛹智能识别与分拣系统中,蚕蛹图像本身质量是机器视觉能否准确识别的关键。低光照和噪声扰动是影响蚕蛹图像的主要原因,它会导致大量图像纹理结构信息丢失,这为蚕蛹智能识别带来极大挑战。针对噪声和低光照蚕蛹图像质量改善,该文提出了基于色阶映射(tone mapping)和Tikhonov正则化相结合的噪声扰动下低光照蚕蛹图像恢复方法。通过试验表明:该文方法不仅实现蚕蛹图像光照对比度改善,同时又可以较好地抑制噪声影响,保持蚕蛹图像的纹理结构特别是性腺信息,改善图像质量,有利于提高机器视觉雌雄蚕蛹智能识别正确率和准确性。试验还表明,该文建立的模型和算法对其他农作物低光照噪声图像处理也同样具有明显效果,为机器视觉在农业领域广泛应用奠定基础。     

基于非凸惩罚融合套索模型的电机轴承复合故障诊断

针对非凸全变分去噪（non-convex total variation denoising，NCTVD）在提取电机轴承复合微弱故障时存在稀疏性能欠佳和无法准确识别故障的问题，该研究提出一种基于非凸惩罚融合套索模型（non-convex fused lasso model，NCFLM）的复合故障诊断方法。基于反正切惩罚因子的NCTVD模型引入广义极小极大凹函数（generalized minimax concave，GMC），将其拓展成融合套索模型的形式并得到NCFLM，利用前向后向算法(forward-backward algorithm，FBA)对该模型进行求解，再引入遍历方法寻找相关峭度最大时正则化参数的最优取值并将求解结果与其他非凸惩罚模型进行对比。最后，利用采集到的电机轴承复合故障信号进行NCFLM处理，提取复合故障特征，试验结果表明，NCFLM的原子压缩数目、收敛速度、重构准确度、稀疏度、L₀范数逼近程度分别比原始arctan-NCTVD模型提高了9.2%、6.6%、10%、46.2%和15%，可实现电机轴承复合故障的准确诊断。     

基于可见光红外成像辐射仪数据的地表温度反演

地表温度是农业旱灾和作物估产模型的重要参数。该文针对可见光红外成像辐射仪(visible infrared imager radiometer suite,VIIRS)传感器缺乏水汽通道的特点,联合Aqua卫星搭载的中分辨率成像光谱仪(moderate-resolution imaging spectroradiometer,MODIS)数据提出了基于分裂窗算法的VIIRS地表温度反演方法。对地表发射率和大气透过率这2个关键参数的获取进行了详细分析,选取了处于作物生长期的2013年6月4日VIIRS数据进行实例验证分析。结果表明,与全国气象数据比较该文算法在大尺度上能够较好地获取中国地表温度;与MODIS数据温度产品在高温产粮区比较,该文算法与MODIS温度产品精度较一致,两者差值小于1 K。使用MODTRAN(moderate resolution transmission)软件对算法的精度进行了模拟评价验证,分析表明:在一定的水汽和地表发射率条件下,算法反演精度一般保持在1 K内,平均误差为0.431 K,误差标准偏差为0.247 K。能够为农业干旱、作物长势等农情信息监测提供所需的地表温度数据。     

基于颈环采集节点的母羊产前行为识别方法

针对目前母羊产前行为监测费时费力、精准度较低、可识别行为类型单一等问题，以颈环采集节点获得的加速度数据为研究对象，提出了一种基于区间阈值与遗传算法优化支持向量机（Genetic Algorithm-Support Vector Machine, GA-SVM）分类模型的母羊产前行为识别方法。该方法首先对合加速度数据进行小波降噪和提取轮廓线预处理，再利用区间阈值分类法，识别出行走、趴卧2种行为。在此基础上，采用GA-SVM分类模型实现饮水、采食、反刍3种行为的准确识别。试验表明，颈环采集节点能够实时采集和传输产前母羊颈部的活动信息，并能有效区分5种产前行为活动。可识别行为类型增多，且在适用性方面有了较大提升，平均准确率达到97.88%，比传统的决策树算法、K最近邻（K-Nearest Neighbor, KNN）算法、支持向量机（Support Vector Machine, SVM）算法分别提高了31.26%、21.87%、21.9%。该研究对建立产前母羊运动量及健康评估模型、提高繁殖及工作效率、实现智能化管理等方面具有十分重要的意义。     

安徽省1990—2010年降雨侵蚀力分析

选取安徽省24个气象站点1990—2010年降雨量数据,依据章文波提出的利用日雨量计算降雨侵蚀力模型计算各站点降雨侵蚀力,采用普通克里格法(OK)和反距离加权法(IDW)进行空间插值分析,得到结论:安徽省降雨侵蚀力空间分布整体呈从南到北逐渐降低、东西变化幅度较小的状态;降雨侵蚀力时间分布与降雨量时间分布具有很强的相关性;安徽省降雨侵蚀力插值分析反距离加权法优于普通克里格法。     

基于超宽带无线定位的农业设施内移动平台路径跟踪研究

为实现农业设施内车辆自动导航,提出了一种基于超宽带(ultrawideband,UWB)无线定位的路径跟踪方法。运用4个基站组建UWB无线定位系统,采用加权最小二乘法(weighted least squares, WLS)法解超静定方程组,提高了移动标签的定位精度。重新定义前视距离,根据车体航向与前视直线的夹角界定车体偏差程度,并提出基于动态前视距离的改进型纯追踪模型。在MATLAB 2016a软件环境下的仿真说明该文算法优于采用固定视距的传统纯追踪算法,并进行实车试验。结果显示,在UWB定位系统的引导下,车体在不同初始状态下均能很好地收敛到期望直线,当速度为0.5 m/s时,在4种初始状态下进行直线跟踪,稳态偏差为5.4～8.4 cm,稳态偏差均值为6.3 cm。在矩形路径跟踪时,当横向偏差和航向偏差均为0的初始状态下,全程平均偏差为20.6 cm,跟踪偏差主要出现在90°转向处,最大偏差为85.5 cm,说明改进后的纯追踪算法的路径追踪质量均优于采用固定视距的传统纯追踪模型,能满足农业设施内移动平台自动导航的需求。该方法可为农业设施内车辆导航提供新思路。     

基于GIS的新疆降水空间插值方法分析

随着空间降水信息需求的日益增加,降水的空间插值已被广泛应用,而不同的插值方法因不同的地区和研究目的产生不同的效果。采用新疆18个国家基本站点1957-2000年的日平均降水数据,应用地信软件ArcGIS中的地统计学模块进行空间降水插值实验,分别采用反距离加权法和克里格方法探讨了新疆降水的空间分布,分析发现:两种插值方法在分析区域降水空间分布方面各有优缺点,在整体分析上,克里格插值法要优于反距离加权法,但在局部地区的分析上,反距离加权法插值结果较为理想。     

畦田灌溉模拟中田面微地形空间分布插值方法改进

田面微地形是影响灌溉过程及灌溉性能的重要因素之一。针对灌溉模型中田面微地形的插值问题,该文在比较Kriging插值、三次样条插值和反距离加权插值的插值精度和程序运行时间的基础上,进一步分析了不同规格畦田下Kriging插值程序运行时间随插值网格数的变化趋势,提出了利用Kriging插值和三次样条插值及反距离加权插值进行组合插值的方法,并将不同中间插值网格数经组合插值所得田面高程数据用于灌溉模拟。结果表明,Kriging插值所得田面高程的精度最高,程序所需运行时间最长;而三次样条插值和反距离加权插值所需运行时间非常短,但精度较低。为了同时满足田面高程的插值精度和模型计算效率的要求,选用Kriging插值和三次样条插值组合的方式进行灌溉模型中田面高程的插值计算最为适宜。中间插值网格数为1/4及1/8灌溉模型剖分网格数经组合插值的田面高程及Kriging插值数据用于灌溉模型所得水流推进过程与实测水流推进过程基本一致。因此,在实际应用中,中间插值网格数的确定,可根据对插值精度和运行时间的不同要求在灌溉模型剖分网格数的1/4或1/8之间选取。该研究可为灌溉模型的应用提供依据。     

基于RGB图像光谱重建的鱼糜掺假定量检测研究

实现基于RGB图像的光谱重建对降低光谱的硬件要求、扩大其实际应用具有重大意义。该研究以鱼糜掺假检测为例,比较多元多项式最小二乘回归算法（polynomial multivariate least-squares regression,PMLR）与深度学习HRNet网络对光谱重建的性能,建立基于重建光谱多种掺假鱼糜检测模型并验证其实际应用的有效性。结果表明,2种方法的重建光谱误差较小,HRNet网络、PMLR算法重建光谱的均方根误差（root mean square error,RMSE）分别为0.010 4和0.012 6,大多数掺假检测模型有较高的预测准确性,其预测相关系数大于0.91,预测均方根误差小于9%。在基于重建光谱建立的掺假检测模型中,效果最佳的是基于PMLR算法重建光谱使用标准正态变量变换（standard normal variate,SNV）预处理的极限学习机回归模型,其预测均方根误差为3.954 4%、预测相关系数为0.983 0。因此,PMLR算法和HRNet网络均能较好的实现基于RGB图像的光谱重建,且重建光谱均能实现对鱼糜掺假样本的较好检测结果,为基于重建光谱的食品和农产品品质与安全检测提供了新思路。     

面向植物生理生化参数反演的光谱信息压缩感知重构

为建立一种对光谱数据进行有效压缩和重构的方法,在提高数据的储存、传输效率同时能够保持光谱信息对于植物生理生化参数的解译能力。该研究将压缩感知技术引入对植物光谱的压缩和重构,以含水量、类胡萝卜含量和叶绿素含量等植物关键生理生化参数为反演目标,分别采用不同采样率对植物光谱进行压缩重构的试验,在考察植物光谱的谱间数据相关性基础上,分别在原始光谱、光谱指数和反演模型3个层面讨论了信号压缩重构的效果和影响。试验结果表明,对光谱信号的压缩感知重构在3个层面的误差随信号采样率均呈现规律性变化。在原始光谱层面当采样率达到0.25时,原始光谱重构误差能够稳定在2%以内。在光谱指数层面,不同的光谱指数对采样率的敏感程度不同,在控制重构误差低于10%时,含水量、叶绿素和类胡萝卜素的采样率分别要高于0.25、0.15和0.1。在反演模型层面,通过偏最小二乘回归建模,各生理生化光谱指数模型在采样率达到0.25时,重构的归一化均方根误差降低到16.5%以内。因此,该研究提出的基于压缩传感理论的光谱压缩及重构方法在显著减少植物光谱的数据量的同时,可以保持植物光谱关键信息,能够有效支持植物高光谱数据的处理和分析。     

基于核磁共振成像的农产品几何模型重构

为了提高农产品数值模拟的精度,需要为其提供精确的农产品几何模型。该研究以具有不规则几何特征的农产品芒果、香蕉和苹果为试验对象,利用核磁共振成像仪获取的断层切片图像,借助于计算机图形学技术和视觉化工具函数库Visualization Toolkit5.4(VTK),实现了其几何模型的重构。结果表明,3种农产品几何模型的体积值与其真实值之间的误差均小于3%,与标准方法测得结果具有很好的一致性。该研究为农产品几何模型获取提供了一种新的方法,能为农产品数值模拟、有限元分析以及品质检测等提供直接的几何模型支持。     

具有高价值密度的农业物联网数据区块链压缩存储方案

针对现有区块链物联网体系主要采用链上存储摘要链下保留原始数据的存储方式中链上无法直接获得真实数据的问题,提出了一种具有高价值密度的农业物联网数据区块链压缩存储方案。首先,边缘服务器将收集的同一批数据聚合到同一批事务中;其次,设计离群值可处理的自适应有损压缩方法,在满足用户保真度要求的前提下降低数据冗余;最后,压缩数据上链,实现区块链上物联网数据的高价值密度存储。与现有方案相比,该方案能提高链上存储真实物联网数据的效率。试验结果表明,在使用自适应压缩方法压缩数据时,针对不同的数据集会自适应选取k值,在满足用户重建精度的前提下,获得良好压缩效果,减少链上存储空间,提高了数据价值密度;相对于风速之类频率较高的数据,温湿度、二氧化碳等变化频率较低的数据可以获得较高的压缩比;当假设正常数据压缩比为10:1时,该方案可节省约85%的链上存储空间,相应的价值密度提高了约85%。该研究可为农产品溯源过程中的物联网数据高效存储提供解决方案,为实现分布式农业物联网数据压缩存储提供技术支持。     

基于压缩感知的资源节约型音频信号采集方法

针对基于无线传感器网络构建的环境监测系统,为减少多媒体信号采样、处理、传输过程所消耗的计算、存储、电能、带宽资源,该文分析了现有信号处理理论和随机采样方法存在的局限性,结合压缩感知理论,提出了一种改进的加性随机采样方法,设计了一种新型的资源节约型音频信号采集算法。该算法依靠传感器节点和汇聚节点的共同协作完成音频信号采集,其中,传感器节点对具有稀疏性的音频信号进行低频随机采样,汇聚节点可从随机采样数据中高概率重构原始信号。将所提出的信号采集方法用于采集粮仓内的赤拟谷盗成虫爬行声,并与已有数据压缩方法进行性能对比。初步试验结果表明：在随机采样频率为196Hz且最大数据重构误差小于0.5%情况下,可实现13个采集节点所获取的78路声信号的远程、无线、实时采集,特别适用于资源有限的无线传感器网络。     

基于改进Huffman编码的农机作业数据传输压缩方法

为解决通讯环境较差的农业机械作业状态数据的传输难题,该文提出了基于改进Huffman编码技术的数据压缩方法实现数据的压缩、传输、解析与解压。数据压缩与解压测试的结果表明,数据采集周期为5 s、数据长度为918.38 kb时,基于改进Huffman算法压缩的数据长度为412.56 kb,同样条件下对比传统Huffman算法压缩的数据长度498.56 kb小86 kb,压缩率从传统Huffman算法的45.71%提升至改进Huffman算法的55.08%;传统Huffman算法中数据传输出错率和数据传输丢包率为2.47%和4.18%,而在同样传输要求下的筛选压缩传输中数据传输出错率和数据传输丢包率降至2.06%和0.78%。该方法能满足农业机械作业状态数据压缩传输要求,在单个数据包数据较少、传输时间短的压缩传输方式下能够获得较低的传输出错率和丢包率,且该方法具有计算量少、压缩效率较高特点,适合在农业机械作业区域进行数据传输。     

基于农机空间轨迹的作业面积的缓冲区算法

农机规模化管理与市场化作业服务需要准确、实时、便捷的农机作业面积测量方法。该研究基于农机空间运行轨迹,设计了作业面积测量的矢量缓冲区算法和栅格缓冲区算法,并通过农机满幅作业和重叠作业对比试验,检验了上述2种缓冲区算法与距离测量算法分别在R1K(real time kinematic,实时动态差分)、亚米级和单点定位3种不同GNSS(global navigation satellite system,全球导航卫星系统)定位精度条件下的测量相对误差。试验结果表明:当农机具备自动导航满幅作业条件时,距离测量算法在任何定位精度下均能获得较高精度测量结果;缓冲区算法仅在差分定位时测量精度较高。当农机无导航重叠作业时,距离测量算法的误差会随着作业重叠率的增加而显著增大,而缓冲区算法不受作业重叠的影响,测量精度稳定。目前国内仍普遍采用人工操控的农机作业方式,重叠作业不可避免,缓冲区测量算法能够提供更加准确的作业面积测量结果。     

改进圆形Hough变换的田间红提葡萄果穗成熟度判别

针对田间环境下红提葡萄果穗成熟度人眼判断效率低且易误判的问题,该研究采用K近邻(K-nearest neighbor,KNN)算法和最大类间方差(Otsu)法分别对葡萄果穗图像背景分割以找到最佳分割效果,采用圆形Hough变换识别葡萄果粒,并开发了可判别葡萄果穗成熟度的算法。研究结果表明,不论顺光、逆光或者与田间背景相似的绿色果穗,KNN法可实现良好的背景分割,然后圆形Hough变换法在边缘阈值和灵敏度分别取0.15和0.942时,识别葡萄果粒的准确率可达96.56%。在此研究基础上,采用该研究开发的葡萄果穗成熟度判断算法,可根据颜色将果粒划分不同成熟度等级,并实现对果穗成熟度判别,判别准确率为91.14%。该研究结果可为果农适宜期收获葡萄及自动化采摘提供重要指导。     

基于近红外光谱和深度学习数据增强的大米品种检测

近红外光谱和深度学习结合的思路是大米品种检测的重要研究方向，其准确检测模型的建立依赖大规模的样本数据，然而采集和预处理样本耗时巨大，对准确性的提升造成限制。为解决上述不足，便于深入探究近红外光谱结合深度学习方法在大米品种检测领域应用的可行性，该研究提出基于近红外光谱结合改进型深度卷积生成式对抗神经网络（deep convolutional generative adversarial network，DCGAN）数据增强的大米品种检测方法。首先，在相同环境下采集4种大米品种的近红外光谱并对原始光谱数据进行预处理，使用去趋势校正（detrend correction，DC）和无信息变量消除算法（uninformative variable elimination，UVE）消除无用光谱特征点。然后，建立改进型DCGAN模型对预处理后的光谱数据进行数据增强，对比试验结果表明，改进型DCGAN相比与传统数据增强方法，改进型DCGAN生成数据的结构相似度指标更优。最后，研究不同数据增强方法结合不同分类方法建立大米品种分类模型的性能，对比试验结果表明，改进型DCGAN数据增强结合一维卷积神经网络（one-dimensional convolution neural network，1D-CNN）分类算法所建模型面向测试集的准确率最高，为98.21%，为简便准确的大米品种检测方案提供了新思路。     

基于TOF深度传感的植物三维点云数据获取与去噪方法

为提高植物三维重建的精度,更好地实现植物数字化研究,提出了基于TOF(time of flight)深度传感的植物三维点云数据获取与去噪方法。首先通过TOF深度传感来获取植物点云数据,采用直通滤波器对点云数据进行预处理,减少背景噪声;其次采用改进密度分析的离群点去噪算法,该算法通过结合邻近点平均距离和邻域点数数量2个特征参数,对点云数据中的离群点噪声进行检测和去除;最后采用双边滤波算法对点云内部的小尺寸噪声进行检测和去除。以番茄植株进行相关试验,试验结果表明:与传统双边滤波算法比较,该文算法最大误差降低了11.2%,平均误差降低了23.2%;与拉普拉斯滤波算法比较,最大误差降低了20.6%,平均误差降低了39.2%,表明该文提出的算法在保持点云特征的情况下,能简单高效地去除植物三维点云数据中的不同尺度噪声。