改进粒子群优化算法的果园割草机作业路径规划

为提高果园割草机的工作效率,降低作业成本,提出一种改进粒子群优化算法(Improved particle swarm optimization,IPSO)以解决矩形果园环境下的割草机作业路径规划问题。对苹果园割草场景下的作业路径特点进行分析,将路径规划问题转化为割草机作业行的调度排优问题,考虑多种转弯策略,以总转弯距离最小为优化目标,采用粒子群优化算法(Particle swarm optimization,PSO)求解最佳的作业行序列。为增强粒子群的寻优能力,使用随搜索进程非线性动态变化的算法参数及粒子扰动策略对PSO算法进行改进,通过仿真试验及实地试验进行验证。结果表明:1)6种不同作业行数下,与PSO算法相比,IPSO算法收敛速度减慢,算法耗时平均增加约1.0~2.5 s,但均能找到总转弯距离更少的作业路径,总转弯距离减少率为7.52%~32.72%;2)不同割草机参数(作业幅宽、最小转弯半径)下,与PSO算法相比,IPSO算法均能找到总转弯距离更少的作业路径;3)在果园环境与割草机机型确定的实际作业情况下,与传统方法和PSO算法相比,IPSO算法均能找到油耗更小的作业路径,节省油耗分别为 22.51%和1.57%。     

基于PSO-DNN的平养鸡舍冬季氨气浓度预测模型研究

[目的]氨气是鸡舍内影响肉鸡生长发育的主要有害气体,由于冬季鸡舍低通风量会导致氨气浓度超标,使肉鸡的免疫功能下降,导致呼吸系统疾病发生.针对鸡舍氨气预测精度不高、效率不理想等问题,提出基于粒子群算法(particle swarm optimization,PSO)优化深度神经网络(deep neural network...     

内陆地表水体水质遥感监测研究进展

【目的】 水质监测是水生态管理的一个重要环节。近年来内陆地表水体污染问题严重，及时、准确地获取内陆地表水质信息，可为水污染防治政策的制定提供科学依据，对合理调节城市生产生活污水排放以及保障内陆水域生态安全具有重要意义。【方法】 文章系统总结了国内外近年来内陆地表水体水质遥感监测的研究现状，介绍了内陆地表水体水质遥感监测常用的指标及其选择依据，归纳了内陆地表水体遥感监测中各种模型或方法的使用情况，指出了现有内陆地表水体水质遥感监测研究存在的问题。【结果】 当前内陆地表水体水质遥感监测存在以下问题：①实测数据获取成本高，亟需建立大规模共享平台，提高数据利用率；②绝大多数研究中的多种遥感数据源各自独立处理，需要进一步研究多元数据融合；③主要模型在实际研究中对实测数据依赖性较高，需要进一步优化算法模型，提高普适性；④已有研究中研究区多数为大面积湖泊或河流，需要增强对高分辨率卫星遥感和无人机遥感数据的利用，对细微水体水质进行监测研究。【结论】 该文分析了现有内陆地表水体水质遥感监测研究存在的问题，并提出了未来的发展趋势，旨在为实现内陆地表水体水质高效准确监测提供借鉴和参考。     

基于群智能算法分类模型的番茄病害识别

作物病害分类识别模型一直受被研究对象自身特性影响,为验证智能分类器在番茄常见病害中的识别效果,选择不同群智能分类器进行分类识别。采用主成分分析(principal component analysis,简称PCA)法对样本集的31个数据进行降维,筛选7个贡献率较高的主成分作为PCA-支持向量机(support vector machine,简称SVM)模型的输入;遗传算法(genetic algorithm,简称GA)具有全局寻优特点,正交变换可使变异率、交叉率、种群规模等参数之间快速最优化,构建GA-SVM智能分类器提高识别率;由于GA-SVM分类器增加了交叉变异计算,参数确定时间相对较长,而粒子群优化(particle swarm optimization,简称PSO)算法不存在交叉变异因子计算过程,因此选择PSO-SVM群智能分类器,把种群中具有最大适应度函数值的惩罚系数(r)和核函数参数(σ~2)作为支持向量机模型的最优参数,试验证明,PCA-SVM模型对3种病害类型中的分类效果总体较好。     

基于无人机低空遥感的水稻田间杂草分布图研究

目的 获取水稻田的低空遥感图像并分析得到杂草分布图,为田间杂草精准施药提供参考。方法 使用支持向量机(SVM)、K最近邻算法(KNN)和AdaBoost 3种机器学习算法,对经过颜色特征提取和主成分分析(PCA)降维后的无人机拍摄的水稻田杂草可见光图像进行分类比较;引入一种无需提取特征和降维、可自动获取图像特征的卷积神经网络(CNN),对水稻田杂草图像进行分类以提升分类精度。结果 SVM、KNN和AdaBoost对测试集的测试运行时间分别为0.500 4、2.209 2和0.411 1 s,分类精度分别达到89.75%、85.58%和90.25%,CNN对图像的分类精度达到92.41%,高于上述3种机器学习算法的分类精度。机器学习算法及CNN均能有效识别水稻和杂草,获取杂草的分布信息,生成水稻田间的杂草分布图。结论 CNN对水稻田杂草的分类精度最高,生成的水稻田杂草分布图效果最好。     

基于LoRa无线通信的水产养殖监测系统设计及应用

目的 针对大面积水产养殖环境覆盖面积广、多种水体环境监测因素综合影响的特点,设计一种可同时监测水体溶解氧、盐度、pH、氨氮和温度5种参数的设备。设备可通过远距离无线通信技术实现水质数据远距离无线传输,并在上位机端可视化平台动态显示监测环境因素。方法 数据采集终端的控制核心采用TI公司具有16位总线的MSP430F149型微控制器。水质信息通过各传感器采集获取,氨氮采集终端采用量程为0~10 mg/L的NHN-202A型氨氮传感器;溶解氧与温度采集终端采用溶解氧量程为0~20 mg/L、温度量程为0~40 ℃的RDO-206型传感器;pH采集终端采用量程为0~14的PHG-200型传感器;盐度采集终端采用量程为0~0.5%的DDM-202I/C型传感器。服务器端采用Linux系统搭建,通过JetBrains下的IntelliJ IDEA开发工具搭建,使用的编程语言为Java。线上平台采用SpringMVC框架,数据库连接通过HiBernate对象关系映射框架连接操作。监测平台通过Tomcat部署在Linux系统上,数据展示界面通过调用可视化库Echarts实现。结果 系统实际所测水体溶解氧含量绝对误差为0.12 mg/L,盐度的绝对误差为0.001%,pH的绝对误差为0.017,温度的绝对误差为0.05 ℃。单一采集设备功耗测试中,5 200 mA电池可持续为终端设备供电28.5 h,且线上系统运行稳定。结论 本研究设备LoRa无线通信技术与上位机端数据可视化平台相结合的设计增强了远距离水质监测数据采集的可靠性,解决了动态实时测量中监测数据长距离传输问题及数据同步上位机端平台展示问题。     

基于无人机高光谱遥感的柑橘患病植株分类与特征波段提取

目的 结合传统与现代农业病虫害监测的优缺点,探索通过无人机高光谱遥感技术检测出患病的柑橘植株、通过人工田间调查方式判断其患病种类及患病程度的病虫害监测方法。方法 使用无人机获取原始高光谱图像,经过光谱预处理和特征工程后,采用连续投影算法提取对柑橘患病植株分类贡献值最大的特征波长组合,基于全波段使用BP神经网络和XgBoost算法、基于特征波段使用逻辑回归和支持向量机算法,建立分类模型。结果 基于全波段的BP神经网络和XgBoost算法的ROC曲线下面积(Area under curve,AUC)分别为0.883 0和0.912 0,分类准确率均超过95%;提取出698和762 nm的特征波长组合,基于特征波长使用逻辑回归和支持向量机算法建立的分类模型召回率分别达到了93.00%和96.00%。结论 基于特征波长建模在患病样本分类中表现出很高的准确率,证明了特征波长组合的有效性。本研究结果可为柑橘种植园的病虫害监测提供一定的数据和理论支撑。     

粳稻冠层叶绿素含量PSO-ELM高光谱遥感反演估算

目的 叶绿素含量是表征粳稻生长状态的重要指示信息,利用无人机高光谱遥感技术及时获取区域尺度的粳稻叶绿素含量。方法 以2016—2017年沈阳农业大学辽中水稻实验站粳稻无人机遥感试验数据为基础,利用连续投影算法(SPA)进行有效波段的提取,提取的特征波段分别为410、481、533、702和798 nm。将提取出的特征波段作为输入,利用极限学习机(ELM)和粒子群优化的极限学习机(PSO-ELM)分别建立粳稻冠层叶绿素含量反演模型。在PSO-ELM模型中,针对PSO算法的种群规模(p)、惯性权重(w)、学习因子(C₁、C₂)、速度位置相关系数(m)这5个参数进行了优化。结果 确定了最优参数：p为80,w为0.9~0.3线性递减,C₁和C₂分别为2.80和1.10,m为0.60。利用优化后的ELM和PSO-ELM所建立的粳稻冠层叶绿素含量模型的决定系数分别为0.734和0.887,均方根误差分别为1.824和0.783。结论 利用优化后的PSO-ELM建立的粳稻叶绿素含量反演模型精度要明显高于单纯利用ELM建立的反演模型,前者具有较好的粳稻叶绿素含量反演能力。本研究为东北粳稻叶绿素含量反演无人机遥感诊断提供了数据支撑和应用基础。     

基于特征融合的随机森林模型茶鲜叶分类

目的 解决机采茶鲜叶中混有不同等级的茶叶,且混杂度高、物理特征分类精确度低的问题。方法 利用随机森林分类模型,提出一种基于颜色和边缘特征融合的方法。试验采集3种不同等级的茶鲜叶,对原始图像进行裁剪、尺寸归一化和去噪等处理,再进行颜色特征和边缘特征提取。通过参数的修改和测试,构建最优的随机森林分类模型,并且同K最近邻、SVM分类器进行对比试验。结果 特征融合之后随机森林模型的分类准确率达到99.45%,比单一颜色特征和边缘特征的分类准确率分别高7.14和9.34个百分点;比K最近邻和SVM分类器准确率分别高15.38和5.49个百分点。结论 所建立的方法能够对茶鲜叶单芽、一芽一叶、一芽二叶进行精确的分类。     

基于改进OTSU算法的快速作物图像分割

针对OTSU算法时间复杂度高、实时性差等缺点,结合粒子群算法(particle swarm optimization,简称PSO)提出了一种新的自适应动态参数控制PSO+OTSU算法。通过自适应动态调整惯性权重因子和学习因子,让处在不同位置的粒子做自己最擅长的事情,从而达到算法满足实时性的目的。通过研究自然农田环境下作物图像,提出了一种改进超绿作物图像灰度化方法。结果表明,提出的自适应算法比标准PSO+OTSU算法运行时间缩短了12.7%,错分率方差缩小了26.3%,具有更好的实时性和稳定性。最后在不同光照、不同复杂背景、不同作物植株条件下进行验证试验,都取得了很好的分割效果,说明改进算法同时具有很强的健壮性。     

面向农业环境的无线传感器网络部署算法研究

设计了基于改进微粒群和初始能量分配的综合优化算法。通过合理的无线传感器网络节点部署,在保证网络通讯质量的同时,根据不同节点的实际功耗,均衡每个节点的能量,有效延长整个网络的生命周期,促进无线传感器网络技术在农业环境监测中更广泛的应用。     

油菜播种质量监测系统设计与试验

目的 为了获取油菜播种质量信息,并实现信息的显示、远程传输与云存储,提出了一套油菜播种质量监测系统。方法 该监测系统由油菜籽传感检测装置、播种监测终端、播种质量信息云存储平台组成。采用多种形式小粒径种子传感检测装置实现对播种质量信息的实时获取,基于射频通信模块实现与播种监测终端的数据交互;监测终端完成信息显示,并通过北斗定位单元对播种质量信息位置进行精确定位;通过无线传输模块,实现油菜播种质量信息数据的远程传输和云存储。搭建油菜播种质量监测系统试验台,通过田间试验验证系统的稳定性和可靠性。结果 设计的油菜播种质量监测系统能通过内嵌的北斗定位单元获取播种机经、纬度信息,同时可利用4G无线传输模块将播种质量信息及定位信息传输至云存储平台。台架试验结果表明,当排种器落种频率为16.5~26.2 Hz时,检测准确率不低于97.1%,采集的油菜播种质量信息均能够传输至播种监测终端并进行显示;播种质量信息均准确上传至云存储平台数据库,传输时长不超过2 s,且与终端显示数据一致。田间试验验证结果表明,排种频率为17.4~25.5 Hz时,检测准确率不低于96.6%,且系统运行正常。结论 该系统为油菜播种过程智能化提升、播种状态图生成及产量预测提供了技术支撑。     

基于PLC的拔抛秧机械手监控系统设计与试验

目的 设计一套拔抛秧机械手监控系统,以提高拔抛秧机械手设备的自动化和信息化水平。方法 根据拔抛秧机械手工作原理,采用可编程控制器(Programmable logic controller,PLC)作为主控单元设计了系统的硬件电路和软件程序,采用触摸屏和组态软件设计了拔抛秧机械手的人机交互监控界面,并采用GRM530通讯模块、云服务器、Android手机和Android Studio软件设计了远程监控系统手机APP。该监控系统工作时,GRM530通讯模块读取PLC中指定的存储器数据,通过4G网或WIFI将数据上传到云服务器内,Android手机APP可直接访问并下载该云服务器中的数据,最后在APP中可视化地呈现出来。结果 该监控系统工作稳定可靠,远程通信测试重复10次试验的丢包率均为0,平均时延为25 ms,表明Android手机APP客户端和拔抛秧机械手可以实现稳定可靠的双向通信。该系统的数据传输是双向的,人机交互功能正常,触摸屏和Android手机APP均能精准地反馈设备的工作状态和工作数据,用户可以通过Android手机APP对PLC发送控制指令,实现整个系统的监控一体化,远程控制指令响应延时低,最高响应延时不超过0.63 s。结论 该拔抛秧机械手监控系统可以对拔抛秧机械手工作状态和工作数据进行远程实时监控,具有良好的人机交互界面,对促进信息化与农机装备的深度融合具有一定指导意义。     

基于多目标PSO-ACO融合算法的无人艇路径规划

【目的】针对河蟹养殖过程中,水位变化以及无人艇路径规划算法收敛慢、精度低的问题,为提高算法适应性与寻优能力,提出一种多目标粒子群-蚁群融合的无人艇路径规划算法。【方法】首先,分析蟹塘环境及养殖规律等因素,建立静态水深栅格环境模型;其次,针对覆盖遍历式投饵存在局部点投喂不足及路径次优的问题,通过对惯性参数与学习因子的非线性调整,提出基于多目标的改进粒子群算法(Particle swarm optimization, PSO);然后,调整蚁群算法的初始信息素,并对蚁群算法的信息素挥发因子和启发期望函数自适应改进,提出自适应优化蚁群算法(Ant colony optimization, ACO);最后,为解决单一算法寻优不足,利用融合PSO-ACO算法,实现无人艇多目标全局路径规划。【结果】仿真结果表明：不同环境投饵策略下,PSO-ACO算法在对多目标路径寻优时,不仅环境适应性好,而且提高了寻优效率和精度,运行时间节省了32%,路径距离缩短了9.78%,迭代次数降低了62.88%,拐点数目减少了44.45%。【结论】所提出多目标点的路径规划算法适用于环境可变的蟹塘养殖,具有较好的应用价值。     

依据物联网的树干径流自动监测系统

针对森林水分监测中树干径流数据收集单一、不准确、严重依赖人力操作等问题,研究设计基于物联网的树干径流自动监测系统。系统由翻斗式传感器、数据采集和处理模块、无线通信模块、服务器、客户端等组成。嵌入式系统接受和储存翻斗式脉冲信号次数,利用4G无线网络将数据上传到服务器,通过上位机对原始数据进行处理,最终达到在手机或者电脑上直观读取数据。测试表明该系统长期在野外运行稳定、数据收集准确,节约了大量人力成本和时间。     

基于改进粒子群算法的烧结配料预测模型

针对烧结配料系统中的非线性、复杂性和相关性，基于BP神经网络建立烧结配料的预测模型，并采用粒子群算法对预测模型参数进行优化。为了克服粒子群算法的局部收敛性，在迭代过程中，根据迭代次数对惯性权重进行动态非线性调整，从而提高算法的搜索能力。仿真结果表明，所提出的改进粒子群算法与传统的粒子群算法比较，收敛速度快、迭代次数少、具有较强的全局寻优能力。     

基于粒子群优化支持向量机的电子商务客户流失预测模型

电子商务客户流失受到多种影响,具有时变性、非线性,为了提高电子商务客户流失的预测精度,提出一种粒子群算法优化支持向量机的电子商务客户流失预测模型。首先收集电子商务客户数据,并进行预处理,然后将数据输入到支持向量机进行学习,并采用粒子群算法选择支持向量机参数,建立最优电子商务客户流失预测模型,最后采用具体数据进行了仿真实验。结果表明,相对于其他电子商务客户流失预测模型,本文模型提高了电子商务客户流失的预测精度,可以准确反映电子商务客户流失变化特点,预测结果可以为电子商务企业提供有价值的参考意见。     

地下水位粒子群优化神经网络组合预测模型

【目的】将粒子群优化神经网络组合预测方法引入地下水位预测中,以提高地下水位预测的精度。【方法】以回归分析法、指数平滑法、灰色GM（1,1）模型的地下水位预测结果及预测结果平均值作为网络的输入,以实际地下水位值作为输出,对3个单一模型进行非线性组合,建立地下水位的粒子群优化神经网络组合预测模型,应用实例对模型的预测结果进行了验证,并与3个单一模型及等权平均组合模型的预测结果进行比较。【结果】实例运用结果表明,粒子群优化神经网络组合预测模型的均方误差为0.740 9,平均绝对误差为0.657 6,均小于单一模型及等权平均组合模型的相应值。【结论】粒子群优化神经网络组合预测方法适用于地下水位的预测。     

1种基于可变精度粗糙集的网络入侵检测模型

当前各网络入侵检测算法的准确率仍不尽人意；针对此问题。提出1种基于可变精度粗糙集（Variable Precision Rough Set）的网络入侵检测模型。模型通过粗糙集对不确性数据进行筛选。再利用粒子群算法对数据进行约简，然后再根据设定的阀值，用可变精度粗糙集导出规则并得到检测结果。实验结果表明。本模型运用的粒子群算法数据约简速度高于利用遗传算法的同类模型，且基于可变精度粗糙集的入侵系统检测准确率比基于非可变精度粗糙集的检测系统高。     

基于图像融合特征的番茄叶部病害的识别

为了提高基于数字图像识别番茄叶部病害的准确率,适应不同分辨率条件下的应用需求,并满足实践拍摄条件的不确定性,以番茄晚疫病、花叶病、早疫病叶片图像为研究对象,选择HSV模型中的4维H分量等量分割波段作为颜色特征,基于灰度差分统计的均值、对比度和熵3维特征作为纹理特征,融合7维特征向量作为支持向量机(SVM)分类器的输入,用粒子群算法(PSO)优化SVM模型参数。试验结果表明,融合灰度差分统计与H分量4维特征的病害识别模型准确率可达90%。