数学形态学在果实蝇分类上的应用

【目的】探讨数学形态特征在果实蝇分类鉴定中的可行性、有效性及稳定性,为后续建立果实蝇分类模型的研究提供依据和理论基础。【方法】以我国南方果实蝇类的优势种-橘小实蝇(Bactrocera dorsalis Hendel)、南瓜实蝇(Bactrocera tau Walker)、瓜实蝇(Bactrocera cucurbitae)作为研究对象,在常见的数学形态特征基础上,以果实蝇胸背板作为特征区域,提取其局部条纹特征作为分类依据,包括中心条纹的相对长度R_x、相对宽度R_y、偏心率E、相对周长L、相对面积S、形状参数F共6项数学形态特征,提取每类果实蝇样本图像的特征数据并进行统计分析,包括总体分布型假设检验、方差齐性检验、差异显著性检验,最后进行基于数学形态特征的果实蝇分类试验。【结果】6项数学形态特征总体上在同类果实蝇中均服从正态分布;相对长度R_x、相对宽度R_y、相对周长L、相对面积S在3类果实蝇之间具有差异显著性,中心条纹偏心率E、形状参数F在南瓜实蝇和瓜实蝇之间具有差异显著性。基于数学形态特征的果实蝇分类试验中,单个类别的果实蝇分类正确率均达到90%以上,单次分类耗时约500 ms,正确率与实时性均可以满足实际工作需求。【结论】6项数学形态特征能够作为果实蝇分类研究的依据,且可靠性较高,正确率达到95.56%。     

基于CNN的普米语孤立词语谱图分类

为实现普米语孤立词语谱图的分类,引入基于卷积神经网络的语谱图模型,该模型可以无监督学习语谱图特征实现分类.本文搭建了一个9层的卷积神经网络模型,利用彩色语谱图样本集进行训练,并针对已训练好的模型,通过实验检验各项因素对分类的影响,从而得到适当的参数.参数确定后,进行卷积神经网络与支持向量机、 BP神经网络的对比实验,验证算法的可行性和有效性.实验显示基于卷积神经网络的普米语孤立词语谱图分类准确率达到91%～95%,这说明该算法是可行和有效的.与支持向量机、 BP神经网络相比,卷积神经网络具有自动提取特征,避免过拟合问题,适合大样本数据进行训练的优点.     

基于BP神经网络的非线性函数逼近仿真研究

神经网络的建模方法的主要特点是模型易于实现(辨识模型即为神经网络本身)和对非线性映射的逼近性能良好,为非线性系统黑箱辨识问题提供了一种十分有效的工具。本文在研究BP神经网络MATLAB实现的基础上,提出了一个用于非线性函数逼近的3层BP网络。训练结果表明:预测值与期望值具有较好的一致性,说明BP网络具有良好的预测能力。     

大理宾川地区果实蝇种群动态及影响因子分析

[目的]了解大理宾川地区果实蝇的发生危害情况。[方法]以大理宾川县国家级出口食品农产品安全质量示范区内果园为调查基地,于2014年3—10月采用引诱剂诱捕的方式对该地区果实蝇的种类及种群数量动态进行了调查,并就气象因子对实蝇种群数量变动的影响进行了综合分析。[结果]宾川地区危害水果的果实蝇种类有4种,即番石榴实蝇(Bactrocera correcta)、瓜实蝇(B.cucurbitae)、橘小实蝇(B.dorsalis)和南瓜实蝇(B.tau);其中以橘小实蝇数量最多,为优势种,而南瓜实蝇数量最少,是劣势种。4种实蝇在整个调查期间的种群数量动态变化呈单峰型。从不同样地的果实蝇发生情况来看,3块样地果实蝇种群数量的变动也具有基本相同的规律,仅呈现1个种群数量增长高峰。相关分析表明,果实蝇种群数量与月平均温度和相对湿度相关性较显著,其次为月平均最高温度、月平均最低温度、月降雨量。通径分析结果表明,月平均最高温度、月平均温度、月降雨量对果实蝇种群数量有直接影响,而月平均最低温度和相对湿度是通过间接作用来影响果实蝇种群的数量。[结论]试验结果为果实蝇的防治提供了理论依据。     

基于BP神经网络的柚子分类研究

介绍了一种基于BP神经网络的柚子分类检测系统。通过选取柚子表面缺陷、柚子形状以及大小等指标构建BP神经网络模型,从而得到较好的网络权值。然后选取20组数据进行验证。结果表明,基于BP神经网络能够准确地对柚子进行模拟分类,准确率达90%。     

黄岩地区南亚果实蝇和瓜实蝇的发生代数预测及种群动态

根据有效积温法则,在了解南亚果实蝇和瓜实蝇全世代发育起点温度和有效积温的基础上,结合2011年黄岩地区每月平均温度,推测南亚果实蝇和瓜实蝇在黄岩地区发生代数分别为5,6代;2011年11月底化蛹的南亚果实蝇和瓜实蝇,分别在3月中旬和4月初羽化;利用诱捕器进行全年田间诱捕监测和室外越冬虫蛹观察可知,南亚果实蝇在黄岩地区主要以成虫和蛹越冬,成虫全年可见,尤以9-12月期间数量最多;瓜实蝇则在8-10月期间数量最多。诱蝇酮并不适宜低温月份用于南亚果实蝇和瓜实蝇的监测。     

柑橘大实蝇的发生规律与防治措施

柑橘大实蝇俗称"柑蛆",又名橘大食蝇、柑橘大果蝇,专食柑橘类作物果实,被害果实称"虫果"、"柑果",是柑橘生产上的一种毁灭性害虫,一旦传入很难消灭。其以幼虫蛀食柑橘果实后造成大量落果,果实受害后不能食用和销售,完全失去商品价值,发生为害轻则减产20%~30%,重则减产70%~80%甚至绝收。本文对柑橘大实蝇的发生和防治做了简单介绍。     

基于Faster R-CNN的蓝莓冠层果实检测识别分析

[目的]基于Faster R-CNN模型对不同成熟度蓝莓果实进行精准识别分类,为浆果类果实的自动化采摘、产量预估等提供技术支撑.[方法]选取成熟果、半成熟果、未成熟果剪切图像各4000幅和8000幅背景图像作为训练集,1000幅原始图像用于验证集开展试验,改进Faster R-CNN算法,设计一种对背景干扰、果实遮挡等因素具有良好鲁棒性和准确率的蓝莓果实识别模型,模型通过卷积神经网络(CNN)、区域候选网络(RPN)、感兴趣区域池化(ROI Pool-ing)和分类网络来实现蓝莓图像背景消除及果实识别并与DPM算法进行对比.[结果]以WOA算法优化的训练参数作为参考,在蓝莓数据集上训练网络模型.在分析P-R曲线后计算F发现,Faster R-CNN算法在成熟果、半成熟果和未成熟果上的F值分别为95.48%、95.59%和94.70%,与DPM算法相比平均高10.00%.在对3类蓝莓果实的识别精度方面,Faster R-CNN同样有着优秀的识别效果.对成熟果、半成熟果和未成熟果的识别准确率分别为97.00%、95.00%和92.00%,平均识别准确率为94.67%,比DPM算法高20.00%左右.该网络模型在高精度的识别效果下,对于蓝莓果实的平均识别速度依然达0.25 s/幅,能满足实时在线识别的需求.[建议]获取多角度、复杂环境下的图像用来提高模型识别率;利用迁移学习建立蓝莓识别模型;数据集样本扩充并分类.     

应用计算机视觉对番茄损伤分类的研究

文章研究了图像处理的去除噪声、图像分割、图像增强等多种低层处理的方法,建立用区域增长法进行番茄表面缺陷区域检测,用BP算法训练的多层前馈神经网络对番茄的损伤进行分类。结果表明,番茄损伤检测和分类的准确率不低于90%。     

果园落地果中实蝇的除害处理技术研究

描述了果园被害落地果应用水浸和在果园地面覆盖塑料薄膜方法,对果实中实蝇进行除害处理技术研究,桔小实蝇一龄、二龄、三龄幼虫水中浸泡96h,死亡率均达100%;果实在水中浸泡20d,果实中的实蝇幼虫完全被杀死;在果园土面应用塑料薄膜覆盖"虫果",经过30d的时间处理,实蝇幼虫和蛹死亡率100%。室内研究结果显示,果实置于密封塑料袋中处理120h,被害果实中实蝇幼虫完全死亡。结果表明,该处理技术可应用于果园中被害落地果中实蝇的除害处理。     

基于改进果蝇算法优化广义回归神经网络的绿色农产品消费行为预测

针对绿色农产品消费行为具有多变量非线性相互作用的特点，传统统计方法难以准确预测消费行为的问题，提出基于改进果蝇算法优化的广义回归神经网络消费行为预测模型。首先针对果蝇群搜索不均匀所导致果蝇飞行单一的问题，提出一种均匀的果蝇群搜索机制即扇形果蝇优化算法加快搜索能力和效率；其次针对广义回归神经网络的平滑因子易受人为选择的影响，提出改进果蝇算法优化广义回归神经网络参数，实现参数的自动化选择，提高模型的预测能力。运用提出的模型对绿色农产品消费行为预测。结果表明：相较于广义回归神经网络，遗传算法优化广义回归神经网络、粒子群算法优化广义回归神经网络、果蝇算法优化广义回归神经网络和改进果蝇算法优化广义回归神经网络模型在均方根误差指标上分别下降4.45%、1.89%、4.54%和5.03%,表明遗传算法、粒子群算法、果蝇算法和改进果蝇算法能够优化广义回归神经网络模型的平滑因子，提高模型的预测精度。从平均绝对误差、均方误差、均方根误差3个评价指标看，改进果蝇算法优化广义回归神经网络模型比其他6个单一预测模型具有更高预测精度。结果证明了改进果蝇算法优化广义回归神经网络模型在绿色农产品消费行为预测的有效性，...     

人工神经网络对果蝇鸣声的分类识别

为了利用昆虫鸣声对昆虫进行种间或种下分类,对实验室环境下同种2个不同品系黑腹果蝇的飞行翅振鸣声进行了采集、分析,提取鸣声信号特征参数,并利用人工神经网络对采集的果蝇鸣声信号进行分类识别。结果表明,2个品系果蝇鸣声的基频均为236.86 Hz,有多个谐频,频率范围为0~4000 Hz,重叠较大;所建立的人工神经网络对种内不同品系果蝇鸣声的正确识别率均在75%以上,识别效果很好。研究结果为果蝇种下分类提供了新的方法和依据。     

基于计算机视觉的库尔勒香梨脱萼果识别研究

[目的]针对库尔勒香梨的图像,对香梨脱萼果和宿萼果进行分类及识别研究。[方法]利用Matlab软件进行图像数据获取、灰度化、中值滤波,利用动态阀值分割二值化图像;为弥补二值化后图像中出现的孔洞,基于数学形态学算子填充孔洞。设计神经网络参数,然后利用试验样本对BP神经网络进行训练和测试。[结果]所提出的方法能够获得很高的正确识别率,能够有效地将脱萼果识别出来。[结论]用BP神经网络来分类识别香梨脱萼果可以达到较好的效果。     

基于反射光谱的江淮分水岭区域典型农作物识别

对江淮分水岭区域观测的8种农作物冠层光谱进行数据重采样和植被指数计算,分析了4种常用指数和6种常用传感器对农作物的识别能力,同时采用识别效率最高的数据变换形式构建了BP神经网络模型。结果表明:8种农作物的反射光谱曲线存在较大差异;6种传感器对农作物的识别能力由大到小依次为ETM+、QUICKBIRD、IKONOS、MODIS、ASTER、HRG;模拟得到的ETM+和QUICKBIRD的近红外与红光波段反射率计算的归一化植被指数(NDVI)和简单比值植被指数(SR)对农作物的识别能力较强;在不同的数据变换形式中,对农作物识别精度最高的是一阶微分(FD,波长间隔6 nm),识别精度达87.3%;以FD(波长间隔6 nm)为输入数据集构建BP神经网络模型,当隐含层节点数为15时,识别精度最高,达90.0%。     

基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别研究

目的 解决传统柑橘黄龙病果实图像识别方法依赖人工设计特征、费时费力、网络模型参数量大、识别准确率低等问题。方法 首先,采集柑橘黄龙病的果实图像,并对其进行翻转、旋转、仿射、高斯扰动等数据扩增;采用Mixup算法建立样本之间的线性关系,增强模型识别数据样本的鲁棒性;然后,迁移Xception网络在ImageNet数据集上的先验知识,提出一种基于Mixup算法和卷积神经网络的柑橘黄龙病果实识别模型-X-ResNeXt模型;最后,采用动量梯度下降优化方法,有效地减缓震荡影响,并且有效地加速模型向局部最优点收敛。结果 采用数据扩增数据集训练的X-ResNeXt模型准确率可以达到91.38%;在进行迁移学习优化后,训练时间减少了432 s,准确率提升为91.97%;结合Mixup混类数据增强进一步训练,模型准确率提升为93.74%;最后,利用动量梯度下降方法进行模型收敛优化,最终模型的准确率达到94.29%,比Inception-V3和Xception网络分别提高了3.98%和1.51%。结论 在数据量较少情况下,降低模型复杂度并迁移已有先验知识,有助于模型性能提升;Mixup混类数据增强方法有利于提高模型识别柑橘黄龙病果实图像样本的适应性,提升柑橘黄龙病果实识别模型性能;X-ResNeXt模型在准确率与召回率指标上优于经典识别模型,可为柑橘黄龙病的高精度、快速无损识别提供参考。     

基于小波变换与神经网络的上倾管流型识别方法

为实现上倾管气液两相流流型的智能识别,提出了基于小波变换与概率神经网络的流型识别方法。采用中国石油大学(华东)室内小型环道试验装置进行气液两相流试验,采集上倾管流型以及相应的持液率信号。运用小波变换对持液率信号进行5级分解,并对分解后的信号提取标准差作为概率神经网络的输入参数,对试验中获得的分层流、气泡流、段塞流、严重段塞流流型进行识别。结果表明:该方法对4种流型的识别效果较好,其整体识别率为96.5%,其中分层流和严重段塞流的识别率高达98%。基于小波变换与概率神经网络的上倾管流型识别方法能够有效克服传统识别方法中主观因素的影响,不仅显著提高了流型识别的准确率,而且识别过程更加智能。(图5,表3,参22)     

基于模态曲率改变率与神经网络的桥梁损伤识别

将模态曲率改变率和BP神经网络理论相结合,提出了桥梁结构损伤识别的新方法,据此识别结构损伤位置和损伤程度,并以一简支梁结构和一座连续梁桥为例进行了损伤识别.计算结果表明,该方法可以获得令人满意的识别精度.在结构参数化有限元模型存在误差的情况下,该方法仍然可以获得较好的识别效果,可应用于复杂桥梁结构体系的损伤识别.     

基于遗传算法改进 BP 神经网络的遥感影像分类研究

遥感影像分类是遥感信息提取的重要手段,是目前遥感技术中的热点研究内容,有效地选择合适的分类方法是提高遥感影像分类精度的关键。BP神经网络具有收敛快和自学习、自适应性强的特点。在遥感图像分类中,BP神经网络能充分利用样本集的信息,自动建立分类模型,但由于BP神经网络的权值和阀值能直接影响BP神经网络模型的分类精度,因此该研究通过遗传算法来确定BP神经网络的最优权值和阀值,从而提高BP神经网络的分类精度。以LandsatTM遥感图像作为数据源,以长江中游一武汉市为研究地区,建立了基于BP神经网络模型的遥感分类模型和基于遗传算法改进BP神经网络模型的分类模型,对分类结果进行了定量分析。结果表明：在样本相同的情况下,基于遗传算法改进BP神经网络的遥感影像分类精度要高于BP神经网络的遥感影像分类精度。     

BP神经网络算法在土地覆盖分类中的应用研究——以新疆于田绿洲为例

BP神经网络算法结构简单、快捷,与传统的分类方法相比,分类精度较高,能较好地反映土地覆盖的分类结果.通过多年实地景观照片库结合土地利用图等地理辅助数据,采用BP神经网络算法对于田绿洲1999年和2002年两期ETM遥感影像进行土地覆盖分类.结果表明:地理辅助数据参与下的BP神经网络用于土地覆盖分类研究可获得较好的分类结果,平均分类精度可达到90;以上.通过精度分析认为神经网络算法在遥感图像分析与处理技术中具有很大的应用潜力.     

基于卷积神经网络的银杏叶片患病程度识别

银杏是我国一种常见的经济林木,对银杏叶病害进行数字化辨识有助于提高银杏种植产业的管理水平,为其病害预警提供可能。以银杏轮纹病为研究对象,采用卷积神经网络为分类算法,对银杏患病程度进行自动辨识。根据银杏轮纹病的叶片特点,设计了18层卷积神经网络,核心功能主要由四个卷积层,四个池化层、两个全连接层提供。经过多次训练与测试,网络对银杏叶片的5种不同患病程度辨识率最低可达92%以上。将设计的卷积神经网络与传统的BP神经网络、Alex-Net网络进行对比实验,结果表明,卷积神经网络在银杏轮纹病患病程度辨识的应用上具有更高的精度。上述结果对于银杏其他病害或其他植物病害辨识应用中具有一定的借鉴意义。