基于红外热成像的白羽肉鸡体温检测方法

为了快速、准确地检测肉鸡体温,提出了一种红外热成像技术和深度学习相结合的肉鸡体温检测方法。以卷积神经网络为基础,建立肉鸡头部和腿部的感兴趣区域(Region of interest,ROI)识别模型,提取肉鸡头部和腿部的最高温度,结合环境温度、相对湿度和光照强度,分别构建了基于多元线性回归和基于BP神经网络的肉鸡翅下体温反演模型。试验结果表明,基于深度卷积神经网络(Convolutional neural networks,CNNs)的感兴趣区域识别模型在测试集上的查准率和查全率分别为96. 77%和100%,基于多元线性回归和BP(Back propagation)神经网络的反演模型平均相对误差分别为0. 33%和0. 29%。基于BP神经网络的肉鸡翅下温度反演模型具有更高的准确性,可准确检测肉鸡体温。     

基于卷积神经网络的苹果树病虫害识别

基于深度学习中数字图像识别的理论,课题组构建了深层卷积神经网络,并使用网络模型对苹果树叶片进行分类试验,基于深度学习MobileNet,修改输出的全连接层尺寸,搭建了MobileNet苹果树叶分类模型,实现了Alternaria_Boltch(斑点落叶病)、Brown_Spot(褐斑病)、Grey_Spot(灰斑病)、...     

基于Tensorflow的车型识别系统研究

研究了基于谷歌深度学习框架Tensorflow的深度学习在车型识别领域应用的可能性,使用了卷积神经网络模型,将6种不同类型的车辆图片作为训练集输入神经网络,通过多次训练,选择合适的神经网络超参数,最终得到了可以通过输入图片直接识别汽车类型的卷积神经网络模型,且准确率约为92%。同时,通过学习,以Tensorflow为后端,keras为前端进行建模、编程的完整流程,为进一步使用Tensorflow深度学习框架构建图像识别的应用环境打下了基础。     

基于卷积神经网络算法估算苏东沿海农作物潜在蒸散量研究

为提高农作物潜在蒸散量的估算能力、测试深度学习方法在潜在蒸散量预报中的可行性,提出了基于卷积神经网络(CNN)深度学习算法的潜在蒸散量(ET0)估算方法并对其性能进行评价.分别采用Penman-Monteith公式和Hargreaves模型对江苏省东部沿海地区4个站点1984年1月1日至2019年12月31日间的逐日E...     

拖拉机电气故障诊断方法研究——基于深度学习理论和大数据

基于深度学习神经网络模型,结合拖拉机在线监测数据和故障数据,提出了一种新的故障诊断方法。该方法采用神经网络学习理论和大数据分析能力,通过样本数据的训练诊断出拖拉机各种运行状态的电气故障,为工作人员决定是否对电气系统进行检修提供更多参考信息。以拖拉机电压调节器故障诊断为例,对神经网络深度学习理论故障诊断的准确性进行了验证,结果表明:采用神经网络深度学习理论,在相同条件下具有更高的故障诊断准确率。     

基于深度卷积神经网络的红树林物种无人机监测研究

红树林生态系统具有重要的生态价值和经济价值。但是近年来由于人类活动、环境污染等因素红树林的面积日益减少,红树林的保护变得极其迫切且重要。提出一种基于深度学习的红树林物种监测方法,以无人机采集红树林待监测区域图像为研究对象,基于LeNet-5模型结构构建深度卷积神经网络模型,将得到的新的网络模型命名为LeNet-5(2)。在新的卷积神经网络模型中,利用Leaky-ReLU激活函数解决模型中容易出现的梯度消失的问题,并且采用dropout技术提高网络模型的泛化能力,解决网络模型中容易出现的过拟合问题。利用LeNet-5(2)网络模型对红树林图像进行物种识别并标记,总体识别准确率87.31%,基本映射红树林各类物种的分布情况,预测出图像中4类红树林物种的面积分别为:白骨壤1 578.31 m^2、红海榄162.07 m^2、木榄58.94 m^2、秋茄871.79 m^2。将预测结果与图像中红树林物种的实际分布进行比较,总体上符合四类物种的实际分布情况。     

基于三轴加速度传感器的放牧羊只牧食行为研究

内蒙古自治区草地资源丰富,养羊业为自治区的主要畜牧业,通过对放牧羊只牧食行为的识别并结合GPS监测其牧食路径,可为估测放牧区域采食量分布、放牧规划和草畜平衡的研究提供理论依据。本文采用三轴加速度传感器,设计了放牧羊只牧食行为数据无线采集系统,自动采集羊只牧食的三轴加速度数据,并建立羊只牧食行为识别的BP神经网络模型、全连接深度神经网络模型和卷积神经网络模型,实现对羊只采食、咀嚼、反刍3种牧食行为的分类识别。在内蒙古自治区四子王旗白音朝克图镇半荒漠化草场的试验结果表明,BP神经网络模型、全连接深度神经网络模型和卷积神经网络模型对羊只牧食行为的平均识别率分别为83.1%、89.4%和93.8%,其中卷积神经网络模型的识别精度最高,能够满足羊只牧食行为分类识别的要求。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。     

基于高光谱图像的龙眼叶片叶绿素含量分布模型

针对传统高光谱单点法检测叶绿素含量效率低、精度不足等问题,提出一种基于高光谱图像和卷积神经网络(CNN)多特征融合的深度学习龙眼叶片叶绿素含量分布预测模型。首先进行Savitzky-Golay光谱去噪,然后通过奇异值分解(SVD)和独立成分分析(ICA)提取特征光谱,再对特征光谱图像提取灰度共生矩阵(GLCM)和CNN纹理特征,最后建立粒子群优化(PSO)支持向量回归(SVR)、深度神经网络(DNNs)分布模型。结果表明,基于特征光谱建模的PSO-SVR预测效果最佳,全期的校正集和验证集模型决定系数R2为0.822 0和0.815 2。对比多种主流模型,基于特征光谱、GLCM纹理、CNN纹理特征的ICA-DNNs模型预测精度最高,校正集和验证集R2分别为0.835 8和0.821 0。试验结果表明,高光谱图像可快速无损地对龙眼叶片叶绿素含量分布进行检测,可为龙眼树实时营养监测和病害早期防治提供理论依据。     

基于全卷积神经网络的灌区无人机正射影像渠系提取

为快速准确获取灌区渠系分布信息,科学调配区域农业水资源、提高水资源利用率,通过基于全卷积神经网络(Fully convolutional networks,FCN)的语义分割模型进行渠系轮廓提取。利用无人机采集正射影像并进行标注,以VGG-19网络为基础,通过多尺度特征融合的方式实现FCN-8s结构,使用Tensorflow深度学习框架构建FCN渠系提取模型;对数据集进行数据增强,分割后放入FCN模型中训练、测试。实验结果显示,针对不同复杂程度的测试区域,FCN模型的提取准确度、完整度、精度均高于支持向量机方法和改进霍夫变换方法,均值分别为95. 78%、92. 29%、89. 45%。结果表明,该方法能够实现灌区渠系轮廓的高精度提取,具有较好的泛化性和鲁棒性。     

跨文化交际与英语学习

为了适应全球化的需要,开始学习英语这一个世界上最广泛使用的语言.文章着重分析了跨文化教育的内容,论述了英语教学和英语学习的联系,从课堂教学的角度阐述了英语学习中跨文化意识的培养.     

学习方法优化分析

文章针对职校学生在学习方法中存在的问题,提出了几种适于学生采用的学习方法,以利于学生优化学习方法,提高学习水平.     

培养学生学习兴趣 提高英语教学效果

如何提高学生学习英语的兴趣,历来为广大教师和教育学家们所关注.作者从自己多年的教学实践出发,着重探讨在大学英语教学中应该如何进行师生情感交流以增强学生学习英语的自信心,提高学习英语的兴趣,从而提高英语教学效果.     

商务英语教学现状分析

随着我国外资企业的日益增多,我国的国际贸易往来越来越频繁,对高素质的外语专业人才的需求也逐渐扩大.他们不仅要精通专业知识,而且还要能够熟练准确地运用英语进行日常工作与沟通,这就对当前的商务英语教学提出了更高的要求.只有充分了解了商务英语的课程教学存在的问题,寻求相应解决策略,将能力培养放在首位,才能切实达到良好的教学效果.     

基于无人机图像以及不同机器学习和深度学习模型的小麦倒伏率检测

小麦在生长过程中发生倒伏会严重影响其产量,因此实时且准确地对小麦倒伏状况监测有很重要的意义.传统的方法采用手工方式生成数据集,不仅效率低、易出错,而且生成的数据集不准确.针对这一问题,本研究提出了一种基于图像处理的自动数据集生成方法.首先利用无人机在15、46和91 m三个高度采集图像数据;采集完数据后,根据无倒伏、倒...