数字图像分析的椪柑可溶性固形物含量检测

为了探索建立基于数字图像处理技术的柑桔果实品质非损伤探测技术,采用多光谱照相机MS3100获取不同成熟度椪柑果实样品的数码图像R,G,B通道颜色信息,结合实验室果实可溶性固形物含量(SSC,Solublesolids content)化学分析值,进行了椪柑果实SSC与颜色信息相关性分析和检测模型研究。结果表明,椪柑果实图像的5个颜色参数R,G-R,B-R,G/R和(G-R)/(G+R)与果实SSC值之间具有较好的相关性,校正模型相关系数均在0.83以上;模型验证结果表明,B-R值与果实SSC值所建立的模型预测效果最佳,决定系数为R2=0.651,是椪柑果实SSC检测的最佳图像颜色参数,一元二次方程SSC=-0.0001(B-R)2-0.0219(B-R)+9.601为其最优检测模型;神经网络模型可以容纳更多的相关波段参与柑桔SSC含量的估算,实测值与预测值的相关系数高于其他模型,而均方根误差(RMSE,Root mean square error)低于其他模型,表明利用计算机图像技术进行柑桔果实SSC的检测是可行的。     

锦橙叶片叶绿素含量诊断模型——基于数字图像分析技术

以蓬安100号锦橙为试材,运用数字图像分析技术建立快速测定叶片叶绿素含量的方法.利用数码相机采集锦橙叶片图像,并运用Photoshop软件获取图像的颜色特征参数,对其进行数学变换和归一化处理后的颜色特征参数与锦橙叶片SPAD值做相关分析,建立回归模型.结果表明:颜色特征参数R/B,R/(G+B),B-R,(B-R)/(B+R),色度坐标r,r-b与SPAD值呈极显著非线性相关,并且颜色特征参数R/(G+B)和归一化坐标值r所建立的蓬安100号锦橙叶片SPAD值预测模型分别为别为DAD=-1077.936[R/(G+B)]<'2>+823.594[R/(G+B)]-74.432(R<'2>=0.840)和SPAD=7 883.574 r<'2>+4 715.912r-628.263(R<'2>=0.841),其预测误差相对最小(2.12%),因此可以利用颜色特征参数R/(G+B)和色度坐标r作为基于计算机视觉的锦橙叶片SPAD值的最佳预测指标.     

基于GA-BP神经网络的果园需水量预测

为解决果园需水量预测精度低、鲁棒性差等问题,提出了遗传算法(GA)优化BP神经网络的果园需水量预测模型.选取空气温度、土壤含水率、光照强度3个主要环境因子作为BP神经网络的输入量,利用遗传算法的全局搜索能力优化神经网络权值和阈值,建立GA-BP神经网络模型预测果园需水量.仿真结果表明:GA-BP预测模型的预测值比BP模型更加趋近期望需水量,模型评价指标平均绝对百分比误差(MAPE)、均方根误差(RMSE)和平均绝对误差(MAE),均优于单一BP神经网络模型.与传统的BP神经网络算法相比,GA-BP神经网络模型能较好的表达果园需水量与主要环境因子的非线性关系,具有较高的预测精度和适应性.     

基于遗传算法优化BP神经网络的数字图像土壤含水量反演研究

快速准确地测量土壤含水量在农业、水文、生态等领域的应用至关重要,数字图像技术测量土壤含水量因其具有廉价、快速和不破坏土体的优势成为研究的热点。基于手机相机获取的数字图像,提取了R、G、B、H、S、V和DN 7种图像特征参数,并利用与土壤含水量相关性较大的图像特征参数R、V和DN构建了BP神经网络和遗传算法优化的BP神经网络土壤含水量反演模型,来获取高精度的土壤含水量数值。结果显示：将BP神经网络和遗传算法用于数字图像技术,均可提高数字图像技术测量土壤含水量的精度,其中BP神经网络土壤含水量反演模型的决定系数(R²)可达到0.940～0.972,均方根误差(RMSE)为0.936%～1.694%;遗传算法优化的BP神经网络土壤含水量反演模型的R2可达到0.976～0.993,RMSE为0.559%～0.878%,遗传算法优化的BP神经网络模型用于数字图像技术反演土壤含水量的R²更接近1,RMSE更小,精度更高。同类型研究中提出的多元线性模型的R2介于0.60和0.96,RMSE介于1.11%和7.00%,与其相比,研究模型的预测精度和稳定性更高...     

基于RSM和GA的温室风送式弥雾机喷雾效果优化分析

为了研究不同喷雾参数优化方法对温室风送式弥雾机喷雾效果的影响,在试验的基础上,分别运用二次多项式回归和BP神经网络,建立了温室风送式弥雾机喷雾分布均匀性响应面模型.结果表明: BP神经网络响应面模型的相关系数、均方根误差分别为0.987 1,0.134 0,而二次多项式响应面模型的相关系数、均方根误差分别为0.928 2,0.215 9,BP神经网络模型较高的相关系数和较低的均方根误差说明其拟合精度较高;对二次多项式回归模型寻优,预测的雾滴分布变异系数最小值为1.47%,实际值为1.58%;采用BP神经网络协同遗传算法寻优,雾滴分布变异系数预测值和实际值分别为1.21%,1.28%;表明在喷雾参数优化中,基于BP神经网络的遗传算法比二次多项式响应面法具有更好的准确性.      

基于无人机数码影像的大豆育种材料叶面积指数估测

利用低成本的无人机(Unmanned aerial vehicle,UAV)高清数码影像获取系统,于2016年7—9月在山东省济宁市嘉祥县圣丰大豆育种基地,获取大豆育种材料试验区的R1-R2、R3、R5-R6共3个关键生育期的高清数码影像,首先利用高清数码影像中的黑白定标布,对数码影像的DN(Digital number,DN)值进行归一化标定,并构建标定的18个数码影像变量,然后基于900个育种小区的叶面积指数实测数据构建大豆育种材料叶面积指数的一元线性回归、逐步回归、全子集回归、偏最小二乘回归、支持向量机回归和随机森林回归模型,最后基于模型建立和验证的决定系数(R~2)、均方根误差(RMSE)和归一化的均方根误差(nRMSE)3个指标,筛选估测叶面积指数的最佳模型。研究表明,全子集回归模型中采用4个数码影像变量B、RGBVI、GLA和B/(R+G+B)的多元线性回归模型对大豆育种材料叶面积指数的解析精度最优,模型建立的R~2、RMSE和nRMSE分别为0.69、0.99和17.90%,验证模型的R~2、RMSE和nRMSE分别为0.68、1.00和18.10%。结果表明,以无人机为遥感平台,搭载低成本的高清数码相机,利用高清数码影像进行大豆育种材料LAI估测是可行的,可以快速、有效、无损地获取大豆育种材料的长势信息,为筛选高产大豆品种提供一种低成本的可行方法。     

基于机器学习的拖拉机发动机扭矩的预测模型

拖拉机发动机扭矩实时测量需要进行大量的工作与昂贵的传感器，在农业生产中投入成本较高，不易进行广泛的推广使用。基于以上问题，采用了径向基函数（RBF）神经网络进行拖拉机发动机扭矩的预测，通过13种训练算法训练RBF神经网络模型，明确RBF神经网络模型基本结构与参数设置，并通过误差分析模型的预测性能。研究结果表明：RBF神经网络中R²=0.99,RMSE=0.5,EF=0.99,预测值与试验值之间的拟合程度价高，可用于估算发动机扭矩。研究结果对于提高拖拉机发动机扭矩的预测和分析提供理论支撑与科学依据。     

油菜氮素光谱定量分析中水分胁迫与光照影响及修

研究了油菜氮素和水分胁迫在光谱检测中的相互作用,以及光照的变化对作物光谱检测的影响.为了克服光照因素对光谱检测的影响,针对氮素和水分的特征波长分别建立了基于光谱反射率变化率的光照修正模型;为了实现对氮素和水分相互作用的解耦,针对不同含水率水平的植株分别建立了全氮含量光谱特征的主成分回归模型.利用氮素光谱组合分析模型对植株全氮含量进行预测,结果表明,实测值与预测值的相关系数R为0.92,均方根误差(RMSE)为0.53,优于前期采用6特征波长变量和主成分回归法所建立的预测模型.     

基于多光谱视觉的油菜叶片氮素营养检测方法研究

应用多光谱视觉技术对油菜叶片氮含量百分率进行了定量分析.在RGB颜色模型下,对采集的油菜叶片图像的颜色特征进行分析.分析结果表明:G/R-G/B和G/R与叶片氮含量百分率呈高度相关,相关系数分别为0.89和0.88,而其它图像特征同含氮量百分率之间相关性都比较弱.为此,使用G/R-G/B与G/R分别与叶片氮含量百分率建立线性回归模型,经验证G/R-G/B建立的回归模型预测值平均相对误差在9%以内,这表明此特征可用于多光谱视觉快速诊断油菜叶片氮素营养的特征.     

基于无人机多光谱遥感的玉米FPAR估算

为了探究无人机多光谱遥感影像估算作物光合有效辐射吸收比例（Fraction of absorbed photosynthetically active radiation,FPAR）的潜力,以无人机多光谱影像提取的植被指数、纹理指数、叶面积指数为模型输入参数,在分析不同参数与FPAR相关性的基础上优选植被指数与纹理指数,并分别以一元线性模型、多元逐步回归模型、岭回归模型、BP神经网络模型等方法估算玉米FPAR。结果表明：植被指数、纹理指数、叶面积指数 3种参数与FPAR都具有较强的相关性,其中植被指数相关系数最大;在不同类型的FPAR估算模型中,BP神经网络模型的估算效果最优,FPAR估算模型决定系数R2、均方根误差（RMSE）分别为0.857、0.173,验证模型R2、RMSE分别为0.868、0.186,模型估算值与田间实测值间相对误差（RE）为8.71%;在不同形式的模型参数组合中,均以植被指数、纹理指数、叶面积指数 3种参数融合的FPAR模型的估算与验证效果最优,说明多特征参数融合能有效改善FPAR估算效果。该研究为基于无人机多光谱遥感数据精准估算玉米FPAR及生产潜力提供了科学依据。     

基于MEA-BP神经网络的土壤养分评价模型

针对BP神经网络在解决复杂非线性问题时,存在初始权值和阈值随机赋值,网络学习速度慢,局部极小的问题,运用群体搜索能力强的思维进化算法(MEA),寻找出最优的初始权值和阈值,优化BP神经网络的网络结构,建立MEA-BP神经网络的土壤养分等级评价模型。以敦化市黑土的土壤养分数据作为测试集,评价指标选用土壤的有机质、全氮、速效氮、速效磷和速效钾。对比MEA-BP网络预测模型、遗传算法(GA)优化BP网络预测模型和单一的BP网络预测模型,结果表明MEA-BP网络预测模型的均方误差(MSE)最小、决定系数(R^2)最接近1和误差波动最小,可以更准确地反映土壤养分分级特性。     

基于GA-BP神经网络的池塘养殖水温短期预测系统

为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。     

基于BP神经网络的粮食产量与化肥用量相关性研究

针对太湖流域化肥用量和粮食产量数据,利用BP神经网络算法,建立了粮食产量与化肥用量之间的关系模型,以指导化肥减施增效。共收集了1980—2014年共35a太湖流域16个县市每个县市的单位面积化肥用量和单位面积粮食产量数据。通过自回归滑动平均模型（ARMA）,对两类数据进行时间序列分析,对数据中存在的缺项进行了填补。实验表明,对于单位面积粮食产量数据,用ARMA(2,6)模型能够达到较佳的填补效果,均方误差小于0.2,R2＞0.85。对于单位面积化肥用量数据,用ARMA(3,7)模型较优,均方误差小于0.02,R2>0.80。说明ARMA模型数据填补效果较好。将填补后的不同县的数据通过BP神经网络建立模型,描述了各县市单位面积化肥用量和粮食产量的关联关系。实验表明,该方法拟合的均方误差小于0.12,R2＞0.80,说明BP神经网络是一种准确度较高的拟合方法。通过分析各县拟合结果,表明化肥用量有阈值,化肥用量低于该阈值,粮食产量将会较快速增长,高于该阈值,粮食产量将不再增长,过多的施用化肥并不能取得高产。     

基于改进BP神经网络的农业机械数据预测研究

为提高河南省农业机械数据预测的精度,获得更可靠的预测结果,提出基于自适应粒子群算法(APSO)优化的误差方向传播(BP)神经网络预测方法,利用APSO算法优越的全局搜索能力更新BP神经网络的权值和阈值,有效结合两种算法的优势,并引用河南省1986-2017年农业机械数据进行测试。仿真结果表明,本文提出的APSO-BP算法比同等条件下BP神经网络算法和PSO-BP算法预测误差平均可降低2.4%和1.35%,可以有效提高预测的速度和精度。     

基于改进BP神网络的离心泵性能预测

采用改进神经网络(贝叶斯正则化算法)对IB型单级离心泵水力模型的性能进行了预测,通过工程实践中得到的100组离心泵最优几何尺寸来训练网络,并用训练好的网络对需生产的水泵进行工况预测。结果显示,用改进神经网络来预测单级离心泵的性能,预测误差不超过6%。     

基于PSO-BP优化PID模型的水肥控制系统研究

针对传统灌溉施肥方式无法切实满足作物生长需求和水肥资源浪费严重的问题,设计一种基于PSO和BP神经网络优化PID模型的水肥控制系统。系统通过结合作物种植环境水肥浓度信息,利用PSO和BP神经网络算法优化PID控制参数,以解决水肥施灌过程中系统的非线性、时变性和滞后性等问题。综合MATLAB/simulink仿真试验结果可知,利用PSO和BP神经网络优化的PID控制模型较传统PID控制模型系统响应速度提高9.33%,调节时间缩短72.24%,超调量仅为PID控制的11.78%,优化效果较好。系统试验结果表明,施灌过程中系统控制稳定,在一定程度上达到水肥浓度精准控制的效果,具有实际应用价值。     

基于MEA优化BP神经网络的农机滚动轴承故障诊断

为了解决农机滚动轴承的故障诊断问题,提出了一种基于思维进化算法(MEA)优化BP神经网络的故障诊断新方法。该方法利用思维进化算法的趋同和异化操作,通过竞争获取优胜种群,在迭代过程中不断优化BP神经网路的初始权值和阈值,建立MEA-BP网络农机滚动轴承故障诊断模型。以滚动轴承试验实测数据为例,通过Mat Lab软件进行仿真,结果证实:该方法不但克服了常规BP网络学习速度慢和局部极小的缺点,而且提高了故障诊断准确度,为其他农业机械设备的故障诊断提供了一种试验方法。     

基于双分支卷积网络的玉米叶片叶绿素含量高光谱和多光谱协同反演

针对智慧农业中叶绿素的精准预测问题,本文提出了基于双分支网络的玉米叶片叶绿素含量高光谱与多光谱协同反演的方法。使用欠完备自编码器进行数据降维,捕捉数据中最为显著的特征,使降维后的数据可以代替原始数据进行训练,从而加快训练效率,使用双分支卷积网络将多光谱数据用于填充高光谱数据信息,充分利用高光谱数据的空间细节信息,再结合1DCNN建立玉米叶片叶绿素含量预测模型。结果表明,与传统降维算法相比较,欠完备自编码器处理后预测结果最佳,决定系数R2为0.988,均方根误差（RMSE）为0.273,表明使用欠完备自编码器进行降维可以有效提高数据反演精度;与单一的高光谱数据反演模型和多光谱数据反演模型相比,双分支卷积网络预测模型均取得较优的预测结果,R2在0.932以上,RMSE均在1.765以下,表明基于双分支卷积网络的高光谱与多光谱图像协同反演模型可以有效地利用数据的特征;对于其他数据结合本文提及的双分支卷积网络模型进行反演,其R2均在0.905以上,RMSE均在2.149以下,表明该预测模型具有一定的普适性。