基于Faster-RCNN的肉鸡击晕状态检测方法

为了准确识别屠宰加工中肉鸡的击晕状态,提出了一种基于快速区域卷积神经网络的肉鸡击晕状态检测方法。对输入图像进行归一化处理,通过卷积神经网络（VGG16）提取肉鸡的卷积特征图,利用区域建议网络提取预测框,在卷积特征图上采用非极大值抑制算法去除重复表述的预测框;将所得的各预测框映射到卷积特征图上,得到预测框在卷积特征图上的候选区域,将其输入感兴趣区域池化层;通过感兴趣区域池化层将大小不一的候选区域进行池化操作、得到统一的输出数据,最后通过全连接层与柔性最大值分类器,输出各击晕类别的概率和预测框的坐标。将2319个样本图像按2∶1的比例随机分为训练集与测试集,对模型进行训练与实验验证。结果表明,本文建立的基于Faster-RCNN的肉鸡击晕状态分类模型对773个测试集肉鸡样本击晕状态分类的总准确率达到96.51%,对肉鸡击晕状态的预测速度可达每小时37000只,基本满足肉鸡屠宰生产线要求。     

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CNN的小麦籽粒完整性图像检测系统

为了快速、准确识别小麦籽粒的完整粒和破损粒,设计了基于卷积神经网络(CNN)的小麦籽粒完整性图像检测系统,并成功应用于实际检测中。采集完整粒和破损粒两类小麦籽粒图像,对图像进行分割、滤波等处理后,建立单粒小麦的图像数据库和形态特征数据库。采用LeNet-5、AlexNet、VGG-16和ResNet-34等4种典型卷积神经网络建立小麦籽粒完整性识别模型,并与SVM和BP神经网络所建模型进行对比。结果表明,SVM和BP神经网络所建模型的验证集识别准确率最高为92. 25%; 4种卷积神经网络模型明显优于两种传统模型,其中,识别性能最佳的AlexNet的测试集识别准确率为98. 02%,识别速率为0. 827 ms/粒。基于AlexNet模型设计了小麦籽粒完整性图像检测系统,检测结果显示,100粒小麦的检测时间为26. 3 s,其中,图像采集过程平均用时21. 2 s,图像处理与识别过程平均用时为5. 1 s,平均识别准确率为96. 67%。     

烟台地区水面蒸发BP神经网络模型研究

运用BP神经网络模型对水面蒸发进行研究,并与多元线性回归和主成分回归2种方法的拟合结果进行比较。结果显示,多元线性回归各参数均通过t检验,拟合较好;主成分回归中,参数b2未通过t检验,拟合效果不如多元线性回归好。BP神经网络模型、多元线性回归、主成分回归建立的水面蒸发量观测值与拟合值的回归方程中决定系数分别为0.8986、0.7993、0.7984。应用BP神经网络进行分析,相对误差小于10%的样本个数超过总样本个数的40%,相对误差不超过30%的样本个数接近80%;而其它2种方法相对误差大于10%的样本个数超过总样本数的80%,相对误差大于50%的接近总样本个数的30%。可见,应用BP神经网络模型进行水面蒸发量计算,远优于其它2种方法,应用此方法进行水面蒸发量的预测是非常理想的。     

一种基于卷积神经网络的车辆检测方法

介绍了一种基于卷积神经网络的车辆识别方法。该方法首先对车道线进行边缘检测,采用车道线模型进行匹配,从而确定道路感兴趣区域。然后采集道路视频,对其中的车辆目标进行标注,制作车辆数据集,再设计一种卷积神经网络,利用车辆数据集训练检测器,使检测器适应于车辆二分类识别的任务。最后在道路感兴趣区域中检测车辆。相较于传统的车辆识别方法,该方法具有较好的准确性与鲁棒性,在复杂行驶环境下的识别效果令人满意。     

基于卷积神经网络的无人机遥感农作物分类

针对采用长时间序列卫星影像、结合物候特征进行农作物精细分类识别精度较低的问题,将深度学习用于无人机遥感农作物识别,提出一种基于卷积神经网络的农作物精细分类方法,利用卷积神经网络提取高分辨率遥感影像中的农作物特征,通过调整网络参数及样本光谱组合,进一步优化网络结构,得到农作物识别模型。研究结果表明：卷积神经网络能够有效地提取影像中的农作物信息,实现农作物精细分类。除地块边缘因农作物种植稀疏、混杂而产生少许错分现象外,其他区域均得到较好的分类效果。经训练优化后的模型对3种农作物总体分类精度可达97.75%,优于SVM、BP神经网络等分类算法。     

基于CNN的玉米种子内部裂纹图像检测系统

为了高效检测玉米种子内部裂纹,设计基于卷积神经网络(CNN)的检测系统及批量检测方法,采集有裂纹和无裂纹的玉米种子制作数据集,构建AlexNet、VGG11、InceptionV3和ResNet18共4种经典卷积神经网络,同时与传统算法模型SVM和BP神经网络进行对比实验。实验发现,卷积神经网络模型优于这两种传统算法模型,ResNet18模型的综合检测性能最佳,单粒有裂纹种子的识别准确率为95.04%,单粒无裂纹种子的识别准确率为98.06%,平均单粒种子识别时间为4.42 s。基于ResNet18,搭建种子内部裂纹自动识别装置,设计识别软件控制装置,得到玉米种子内部裂纹识别系统。系统实验进行10组批量识别,有裂纹种子的平均识别准确率为94.25%,无裂纹种子的平均识别准确率为97.25%,批量识别中光源的透射无法等效地显现所有种子的内部裂纹、多次加载模型权重导致泛化性不足等因素会影响准确率。     

基于主成分分析的灌区参考作物蒸发蒸腾量预测模型研究

由于参考作物蒸发蒸腾量的影响因子众多,而且存在信息重叠,首先利用DPS软件对众多因子进行主成分分析,然后建立多元线性回归模型和BP神经网络模型对灌区参考作物蒸发蒸腾量进行预测,并将预测结果与Pen-man-Monteith公式计算值进行比较,结果发现多元线性回归模型预测的平均相对误差为10.05%,而BP神经网络模型预...     

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...     

基于核磁共振成像技术的香梨褐变检测

将核磁共振成像技术与人工神经网络理论相结合,对香梨内部褐变进行了检测。在磁共振T2加权图像中选取果核区域作为感兴趣区域,提取出反映褐变特性的10个微观纹理特征参数,建立了BP神经网络模型进行识别研究。针对BP神经网络模型存在的不足,利用遗传算法对网络模型的权值和阈值进行优化。通过验证性试验发现：对于4组香梨样本,优化后BP神经网络模型的平均正确识别率为92.50%,比未优化模型的平均正确识别率80.83%,提高了11.67个百分点;同一组香梨样本相比较,优化后模型的识别效果也均优于未优化模型,每组香梨的识别率都得到了不同程度的提高。结果表明：遗传算法优化后的BP神经网络模型具有很好的预测精度和泛化能力,可以实现香梨内部褐变的无损检测。     

径向基神经网络在猪胴体瘦肉率预测中的应用

猪胴体瘦肉率(LMP)是评价猪肉品质的重要指标之一,在生产线上快速而准确地预测出其数值并进行分级是并不可少的。目前,国内大部分厂家依然采取屠宰后人工称重测量的方法,耗时耗力,且存在相当大的误差。为此,随机抽取了116头皖北地区商品猪,选定眼肌面积、背膘厚及腿臀比作为参考数据,以Mat Lab工具箱作为研究工具,利用BP、Elman和RBF等3种不同的神经网络建立预测模型,统计后进行比较分析。实验表明:3种模型的神经网络均可用于瘦肉率预测,但RBF网络误差最小,训练速度最快,学习能力最强,最适合用于建立瘦肉率的预测模型。     

Elman、LS-SVM方法在ET_0预测中的对比分析

参考作物腾发量（ET0）是估算作物腾发量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义。Elman神经网络是BP网络的改进结构,具有适应时变性的特点;最小二乘支持向量机（LS-SVM）是支持向量机（SVM）的一种优化算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力。将两种方法应用于参考作物腾发量预测中,并以铁岭市为例,对比分析LS-SVM模型与Elman模型的预测值。结果表明：LS-SVM模型学习速度快,具有比Elman模型更高的模拟性能和预测精度,更适合参考作物腾发量的预测。     

发动机神经网络自适应PID转速控制

为提高发动机怠速控制的准确性,解决非线性、复杂的系统控制问题,详细介绍发动机模型建立方法、转速神经控制的结构和神经网络的形式,并将神经网络同PID控制很好的结合起来,以有效解决发动机转速控制问题。     

人工神经网络在PID控制算法中的应用

根据过程实测的输入输出数据，将实际对象输出的旧值输入BP网络的输入层，从而得到一动态神经网络，作为控制中非线性系统的预测模型。既利用了系统的已知规律，提高了辨识的可靠性，又使得网络结构不必过于庞大，改善了实时性。分析了积分分离PID控制算法，在此基础上，将应用最广泛的PID控制器与具有自学习功能的神经网络相结合。得到了基于BP神经网络的PID控制算法。在已有的控制系统中嵌入了神经网络控制算法，用以调节PID控制器的三个可调参数Kρ，KI，KD。     

作物缺水敏感性分析的神经网络法

将神经网络技术应用于作物缺水敏感性分析，探讨不同阶段腾发量变化对作物产量的影响。实例分析表明，其分析结果和利用作物水分生产函数分析结论具有很高的一致性。神经网络用于敏感性分析，避免了建立具体的作物水分生产函数模型，而且时空适应性更强，为作物水分－产量关系研究开辟了新的思路。     

基于优化模糊神经网络权值的大豆虫害诊断

采用模糊神经网络应用于大豆虫害快速识别方法。首先选择我国北方地区具有代表性的食心虫等7种虫害作为输出,用数字化特征表示。依据危害方式、危害症状等8种性状对182个大豆虫害样品进行诊断,选择1 3 6个样本作为训练集,选择4 6个样本作为预测集。首先使用AHP层次分析法对权值进行调整;其次,依据最优参数分别建立BP神经网络和模糊神经网络模型。实验结果表明:选择模糊神经网络进行模型建立,共预测对4 4个样本,判定识别率高达9 5%,证明了模糊神经网络进行大豆虫害判别是可行的。     

BP和RBF神经网络预测射流式喷头射程对比

为了探究适合全射流喷头多因素下射程的预测模型,通过改变喷头工作压力、安装高度、喷嘴直径、喷头仰角共4个参数,对射程进行测量.基于BP神经网络和广义径向基(RBF)神经网络的基本原理和算法,建立了全射流喷头射程预测的BP和RBF神经网络模型,并分析BP和RBF神经网络的预测性能.结果表明射程与工作压力、喷嘴直径呈非线性关系;当喷头在1.2 m安装高度、27°仰角、4~10 mm喷嘴直径时,压力增大到0.4 MPa,射程趋于极限,并且安装高度与射程呈正相关关系.BP与RBF神经网络均能较好地表达全射流喷头射程与主控因素之间的非线性关系.在训练时间方面,RBF网络比BP网络慢8.05 s;预测过程中,BP网络在每次运行程序时的预测结果不一定相同,而RBF网络则不会出现此问题,且RBF网络预测值与实测值之间的平均绝对误差比BP网络的小3.55%.从网络预测总体效果观察,RBF神经网络预测喷头射程具有更好的推广能力.     

深度学习在农业领域的研究与应用综述

深度学习是目前人工智能领域最重要的技术之一,在学术领域和工程应用掀起了研究高潮。鉴于深度学习在农业领域的应用潜力和重要性,通过对深度学习有关文献的研究,首先详细描述了深度学习的概念,结合典型深度神经网络的结构特征,对其特点、优缺点、变体以及应用现状进行了综述;然后重点介绍了深度学习在语音识别、农业场景目标检测、农业图像语义分割领域的发展和应用;最后分析了深度学习在农业领域目前存在的问题和未来重点的研究方向。     

基于Res2Net和双线性注意力的番茄病害时期识别方法

针对番茄叶片型病害在早晚期具有类内差异大、类间差异小的特点,常规神经网络对此类病害的分类效果不佳的问题,提出了基于Res2Net和双线性注意力的番茄病害时期识别方法,通过多尺度特征和注意力机制,提高网络的细粒度表征能力。首先,提出EFCA通道注意力模块,在不降维的基础上,使用二维离散余弦变换代替全局平均池化,以减少常规通道注意力获取时的信息丢失。其次,在外积之后加入最大池化和concat操作,避免双线性融合后因维度过高导致的特征冗余。在7种不同种类和14种不同程度病害番茄叶面型病害数据集实验中,本文方法分类准确度分别为98.66%和86.89%。     

BP和RBF神经网络在水轮机非线性特性拟合中的应用比较

利用神经网络对水轮机综合特性曲线进行数据处理和延伸,不必建立具体的函数关系表达式,就可对已知的离散数据进行拟合。并且还可以结合边界约束条件对未知区域内的数据进行预测,从而提高了水轮机综合特性曲线数据处理的工作效率和数据精度。分别介绍了用BP神经网络和RBF神经网络对水轮机综合特性曲线数据处理和延伸的方法。并采用一机组的样本数据进行训练,比较2种方法的训练结果得出结论。