基于MSDB-ResNet的水稻病虫害识别

目的 水稻产量关乎全人类的粮食安全,如何有效地预防和高效地检测水稻病虫害是智慧农业领域的重要课题。深度学习由于具备自主学习图像特征等优异性能,成为水稻病虫害识别的首选方法。但在自然环境下,数据集偏小,且容易受到复杂背景的影响,在训练过程中容易产生过拟合,以及细微特征难以提取等问题。本研究致力于解决上述问题。方法 提出一种基于改进ResNet的多尺度双分支结构的水稻病虫害识别模型(MSDB-ResNet)。在ResNet模型的基础上,引入ConvNeXt残差块,以优化残差块的计算比例,构建双分支结构,通过调整每条分支的卷积核大小,提取输入病害图像中大小不同的病害特征。针对现实环境复杂、数据集太小、过拟合等问题,利用从自然环境拍摄到的5932张水稻病虫害图像,使用随机亮度、运动模糊等数据预处理方法,以及镜像、裁剪、缩放等数据增强方法,将数据集扩充到20000张,训练MSDB-ResNet模型识别4种常见的水稻病害。结果 MSDB-ResNet在水稻病虫害数据集上具有良好的识别性能,识别准确率高达99.10%,较原ResNet 模型提高了2.42个百分点,明显优于AlexNet、VGG、DenseNet和ResNet等经典网络。该模型具有良好的泛化能力和极强的鲁棒性。结论 MSDB-ResNet模型在水稻病虫害识别中具有一定的可行性和先进性,可为实现复杂背景下的水稻病虫害识别提供参考。     

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。     

基于改进区域卷积神经网络的田间玉米叶部病害识别

目的 引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。     

农机虚拟装配分类检测网络数据集构建方法

目的 虚拟装配在工业中可节约生产成本,提升机械部件生产效率。现有的虚拟现实引擎缺乏自动建立碰撞体功能,无法完整还原实际装配过程中的物理属性;通用化构建零件网格实体是提升虚拟装配实用性、精确性及通用性的重要途径。方法 以批量农机部件为样本对象,设计批量预处理算法及改进采样相关算法,通过构建三维模型样本的图片数据集,训练人工智能分类检测网络,从图片中分类并检测相关参数,实现自动构建碰撞体功能。结果 经过优化算法处理训练得到的分类检测网络从图片分类零件种类的精度在98%以上,从图片检测零件各项碰撞体构建参数的精度在98%以上;未经优化处理训练的网络不收敛。结论 本研究方法可以有效提升人工智能分类检测网络的识别精度及训练效率,结合碰撞体参数化构建程序,可提升碰撞体建模精度。     

基于Spark的WOA-BP水稻产量预测

目的 随着大数据技术和人工智能的快速发展,针对当前水稻产量预测模型精度低、预测区域范围过大、模型优化时间过长等问题,本文提出一种基于Spark的鲸鱼优化算法-反向传播神经网络(Whale optimization algorithm-backpropagation,WOA-BP)水稻产量预测方法。方法 本文以广东省西部地区的县/市/区水稻产量及气象数据作为研究对象,采用WOA对BP网络的权值和偏置值进行优化,并构建水稻产量预测模型,提升预测精度;此外,在Spark框架下,实现WOA-BP算法并行化,减少算法时间开销。结果 模型精度方面,通过对预测结果进行反归一化后比较,经WOA优化后的BP神经网络模型,平均绝对百分比误差 (Mean absolute percentage error) 从8.354%降至7.068%,平均绝对误差 (Mean absolute error) 从31.320 kg降至26.982 kg,均方根误差 (Root mean square error) 从41.008 kg降至33.546 kg;运行时间方面,3节点Spark集群比非Spark模式减少了11 742 s,减少44%的时间开销。结论 基于Spark的WOA-BP水稻产量预测方法,能够较好地预测出广东西部县/市/区的水稻产量,同时可以很好地反映气象因素对广东省西部地区水稻产量的影响情况,对研究广东西部县/市/区乃至整个广东的水稻产量情况具有一定的参考价值。     

基于决策树的盆腔炎性疾病后遗症影响因素分析

目的 研究盆腔炎性疾病后遗症的相关影响因素及影响因素之间的关系,为临床诊治及预防提供参考。方法 根据文献研究,设计统一的临床流行病学调查表格,于2015年6月～2015年11月对广东省中医院妇科门诊或住院患者中符合诊断标准的盆腔炎性疾病后遗症患者和佛冈县中医院的健康女性进行调查,收集信息并建立数据库,利用决策树算法分析盆腔炎性疾病后遗症的相关影响因素及影响因素之间的关系。结果 在放入决策树模型调查的24个因素中,筛选出6个相关因素。其分层交叉验证模型识别正确率为83.50%。结论 结果表明,基于决策树的盆腔炎性疾病后遗症影响因素模型能较好地区分影响因素的重要性。根据诊断规则,既往有手术史、湿热质、血瘀质、既往有流产史、剖腹产史、平素饮食喜欢肥甘厚味可能是其主要影响因素。     

基于知识图谱的羊群疾病问答系统的构建与实现

为解决羊群疾病检索过程中出现的大量冗余数据及检索后仍需人工挑选准确答案造成的资源浪费,本研究通过以下3个步骤构建基于知识图谱的羊群疾病问答系统：（1）通过爬虫获取数据,人工提取部分信息,再进行自动化信息抽取,在命名实体识别任务中使用双向长短期记忆循环神经网络Bi-LSTM模型,并添加注意力机制提高识别效率,然后使用BIO规则进行实体标注,完成信息抽取,将数据融合后存储在Neo4j图数据库中,构建羊群疾病知识图谱。（2）针对属性映射,构建Bert-softmax模型;根据用户提问,采用Bert模型计算问句和属性的语义相似度,并通过softmax算法进行归一化处理,返回合适答案给用户,实现羊群疾病问答系统算法设计。（3）构建羊群疾病诊断平台,使用Bootstrap、Echarts、Vue组件实现羊群疾病问答系统的可视化,利用Python语言包含的flask框架搭建后台,封装疾病信息,通过web前端呈现给用户,并于后端建立连接,实现数据之间的交互。试验结果显示,基于Bi-LSTM+Attention+CRF模型实体识别的F1值为83.16%,构建的知识图谱包含实体4 576个,实体关系超13...     

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GPT修正农业病虫害命名实体识别方法

命名实体识别是构建知识图谱的关键,在农业病虫害领域存在病虫害数据匮乏、实体结构复杂、实体类型识别困难等问题。针对于病虫害数据匮乏,本文采用网络爬虫技术以及扫描文本数据的方法,构建了玉米、小麦、水稻病虫害实体语料库。传统的命名实体识别方法无法解决农业病害实体结构复杂、实体类型识别困难等问题。本文提出一种基于GPT规则修正的LEBERT-BilSTM-CRF模型,LEBERT模型构建了字典树和Lexicon-Adapter结构,将原始字符进行扩充增加数据的丰富性,将经过BiLSTM-CRF的输出和GPT结果进行实体标签修正以此来提高准确率。在公开数据集训练得到合适的参数后,在自建文本语料库进行训练,通过条件随机场和GPT修正生成全局最优序列取得很好的识别效果,准确率为94.23%,召回率为92.34%,F1值为93.28%。     

果园大数据智能管理与服务平台探索与实践

【目的】 传统数字化果园管理中存在数据存储分散、数据处理效率低、服务能力弱和整个生命周期的农业生产数据缺乏等问题,开发集数据存储、管理、挖掘分析和决策支持等功能于一体的果园大数据智能管理与服务平台迫在眉睫。【方法】 文章通过结合“空－天－地”一体化、数字农业、智慧农业等理念,集成深度学习、概率图模型和知识图谱等人工智能方法,开发了果园大数据智能管理与服务平台。【结果】 平台实现了果树数量自动统计、地理环境感知、农机设备自动化精准感知、果园生产周期数据管理和智能化更新功能,同时平台还提供水、肥、药智能决策服务和智能农机生产作业管控服务。【结论】 该平台在成都市龙泉驿现代农业园区进行应用,实现了桃园生产大数据的智能管理和提供精准生产指导服务。该平台的实现为促进果园智能管理和精准生产指导服务提供技术参考,对实现果园智慧化管理具有重要意义。     

基于多尺度特征提取深度残差网络的水稻害虫识别

【目的】在水稻生产过程中,针对不同虫害需要采用不同的防治方案,水稻害虫的准确识别分类是制定针对性防治方案的前提。【方法】采用深度学习结合机器视觉的方法,基于Res2Net结构提出了一种多尺度特征提取的深度残差网络,通过准确地提取害虫特征实现复杂自然背景下的水稻害虫识别;采用改进的残差结构,使用等级制的类残差连接取代了原本的3×3卷积核,增加了每个网络层的感受野,可以更细粒度地提取多尺度特征。【结果】本网络训练的模型能够有效地识别自然背景下的水稻害虫,在自建的包含22类常见水稻害虫的图像数据集上,平均识别准确率达到了92.023%,优于传统的ResNet、VGG等网络。【结论】本文提出的模型可应用于水稻虫情自动监测系统,为实现水稻害虫虫情的机器视觉监测提供参考。     

基于故障树分析法的柑橘病虫害诊断专家系统

【目的】为解决柑橘病虫害防治工作中植物保护主业知识普及不足、高效病虫害诊断手段缺乏的问题,研制一种基于故障树分析法的柑橘病虫害诊断专家系统。【方法】首先,利用故障树分析法计算病虫害发生的概率、建立病虫害知识库;其次,根据知识库以及正向推理策略设计实现专家系统的推理机;最后,利用微信开发者工具在微信小程序内搭建故障树分析法的计算规则、专家系统的推理机,构建基于故障树分析法的专家系统。【结果】建立了一种包含病虫害模块、最新资讯模块、知识库查询模块、病虫害诊断模块、用户中心模块5大功能模块的柑橘病虫害诊断专家系统。经测试,系统可以在不同型号的手机中平稳运行,占用内存的平均大小为175 MB,系统启动的平均耗时为1.0984 s,页面切换的平均耗时为0.0495 s;连续运行系统1 h,手机与服务器的连接均未出现异常。【结论】本系统运行稳定可靠、页面样式显示正常。用户通过此系统能够诊断病虫害并获得具体的防治技术,同时也能够了解专业的植物保护知识。     

基于CBR的蔬菜病虫害诊治专家系统的研究

将CBR技术引入到蔬菜病虫害诊断中,解决蔬菜病虫害诊断专家系统在知识获取上存在的瓶颈问题。针对农业专家在对病虫害诊断时的思维过程和CBR基本原理的一致性,构建了CBR的蔬菜病虫害诊治专家系统,本文从CBR的一般过程、案例的表示、检索和匹配,以及蔬菜的病虫害知识的组织方法。为蔬菜病虫害诊断问题开辟了一条新的途径,将其应用到蔬菜病虫害的防治工作中,不但能使广大菜农独立完成病虫害的防治工作,而且,由于CBR具有能够对未知案例进行推理得出新结论的功能,也能够辅助农业专家对复杂问题进行诊断和防治。对生产实践具有重要意义。     

基于J2EE的水稻病虫害管理专家系统

应用J2EE技术开发了水稻病虫害管理专家系统．该系统建立了一种知识的表达方法，对水稻病虫害诊断的知识进行有效组织，较好地解决了病虫害诊断过程中知识的不确定性；并设计出一种高效的推理机．该系统能提供在线查询以及水稻病虫害的处理办法．     

基于J2EE的水稻病虫害管理专家系统

应用J2EE技术开发了水稻病虫害管理专家系统.该系统建立了一种知识的表达方法,对水稻病虫害诊断的知识进行有效组织,较好地解决了病虫害诊断过程中知识的不确定性;并设计出一种高效的推理机.该系统能提供在线查询以及水稻病虫害的处理办法.     

农林病虫害远程诊治系统的研究

介绍远程病虫害诊断的重要性,探讨远程病虫害诊断系统的基本组成。通过对支持系统的3大关键技术的研究,设计了以知识挖掘为手段的病虫害诊断模型子系统,以知识编辑为关键技术的病虫害知识库构建子系统,并以SDD搜索关键技术,构建了智能病虫害检索子系统;以3大技术为核心,并广泛利用现代计算机技术,建立了以知识为中心的,集语音、视频及无线通讯技术的远程病虫害诊治系统。系统基于WEB运行,可以提供不间断服务。系统的应用可以提高农林重大病虫害的诊治决策水平及病虫害的调控水平和效果。     

水稻病虫害诊断模型构建及系统的实现

针对水稻病虫害的特点与特征，集成数据库技术、多媒体技术和地理信息技术开发了水稻病虫害咨询与诊断系统。本系统共收集了150多种水稻病虫害，集查询、诊断、预测和防治多种功能于一体。系统采用专家数据库进行知识的表达，结合了一种新的推理方法对水稻病虫害诊断的知识进行有效组织，有效地解决了病虫害诊断过程中知识的不确定性。     

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。     

果树病虫害诊断与防治专家系统知识库的构建

基于知识工程方法,采用农业专家系统开发平台PAID,开发了肥城桃、设施桃、设施杏等果树的病虫害诊断与防治专家系统。阐述了该系统知识库的构建策略：知识获取立足本地化、特色化原则和无公害标准化生产规范;知识库结构设计中建立病虫害分辨决策;病害诊断与防治决策分为侵染性病害和非侵染性病害两部分;营养失调症诊断与防治决策中建立形态诊断和叶片养分诊断决策相互配合使用的机制;利用模板编辑知识规则。最后,对果树专家系统应用前景进行了展望。