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。     

三维轮廓匹配的多尺度技术

采用多尺度分析技术实现三维轮廓曲线匹配.三维轮廓曲线通过不同尺度的Gaussian函数滤波和等距重采样,将曲率和挠率的乘积为局部极大值的点作为轮廓曲线的特征点,利用特征点将轮廓分段,对轮廓曲线进行Fourier变换得到Fourier描述符;选择Fourier描述符的低频分量构成三维轮廓曲线的特征矢量,通过比较特征矢量决定2条轮廓是否相似;在2条轮廓相似的基础上,实现三维物体轮廓曲线的匹配.结果表明本文提出的算法具有快速、准确、效果好等特点.     

前景判别的局部模型匹配目标跟踪

目的 在复杂背景下,传统模型匹配的跟踪方法只考虑了目标自身特征,没有充分考虑与其所处图像的关系,尤其是目标发生遮挡时,易发生跟踪漂移,甚至丢失目标。针对上述问题,提出一种前景判别的局部模型匹配(FDLM)跟踪算法。方法 首先选取图像帧序列前m帧进行跟踪训练,将每帧图像分割成若干超像素块。然后,将所有的超像素块组建向量簇,利用判别外观模型建立包含超像素块的目标模型。最后,将建立的目标模型作为匹配模板,采用期望最大化(EM)估计图像的前景信息,通过前景判别进行局部模型匹配,确定跟踪目标。结果 本文算法在前景判别和模型匹配等方面能准确有效地适应视频场景中目标状态的复杂变化,较好地解决各种不确定因素干扰下的跟踪漂移问题,和一些优秀的跟踪算法相比,可以达到相同甚至更高的跟踪精度,在Girl、Lemming、Liquor、Shop、Woman、Bolt、CarDark、David以及Basketball视频序列下的平均中心误差分别为9.76、28.65、19.41、5.22、8.26、7.69、8.13、11.36、7.66,跟踪重叠率分别为0.69、0.61、0.77、0.74、0.80、0.79、0.79、0.75、0.69。结论 实验结果表明,本文算法能够自适应地实时更新噪声模型参数并较准确估计图像的前景信息,排除背景信息干扰,在部分遮挡、目标形变、光照变化、复杂背景等条件下具有跟踪准确、适应性强的特点。     

基于MF-SSD卷积神经网络的玉米穗丝目标检测方法

目的 玉米穗丝是玉米的授粉器官,生长发育状况会影响玉米的产量。为了在玉米生长状态监测和产量预测工作中实时准确识别玉米穗丝,提出一种基于多特征融合SSD (MF-SSD)卷积神经网络的玉米穗丝检测模型。方法 基于特征图对玉米穗丝进行检测,在VGG16-SSD的基础上,用MobileNet替换特征提取器,加入多层特征融合结构,得到MF-SSD网络模型;通过网络优化调整,试验了MF-SSD-cut-3、MF-SSD和MF-SSD-add-3共3种网络结构,优选出检测性能最好的网络结构用于玉米穗丝检测。基于玉米穗丝图像数据集,应用0~180°随机旋转原始图像和水平翻转、平移原始图像2种数据增广技术提升模型训练效果。对是否使用二次训练策略和是否使用Focal loss解决样本不平衡问题进行了试验,并对比分析Loss的下降过程。结果 通过加入多层特征融合结构对SSD模型改进后能够提高网络的检测能力,提升识别速度。与VGG16-SSD相比,MF-SSD在交并比指标方面的平均精度提高7.2%,对玉米穗丝小目标检测的平均召回率提高19.6%,检测速度最高能提升18.7%。在存储空间和运行时间有较高要求的嵌入式环境下,MF-SSD-cut-3模型在满足检测效果的前提下,以较小的空间代价获得了相对较短的运行时间;在不考虑空间和时间因素的情况下,MF-SSD模型获得更好的检测效果。二次训练策略提高了网络的收敛速度和模型的稳定性;Focal loss有效解决了SSD算法中正负样本数量不平衡问题,使网络模型的训练更容易收敛。结论 MF-SSD模型对小目标的检测能力能满足农业生产中对玉米穗丝的实时检测需要,可以用于玉米生长状态的自动监控和产量的精准预测。     

融合无人机多光谱和纹理特征的马铃薯LAI估算

目的 研究融合无人机遥感影像多光谱信息和纹理特征估算马铃薯Solanum tuberosum叶面积指数(Leaf area index,LAI)方法,提高马铃薯LAI反演精度。方法 利用大疆P4M无人机采集2021年2－4月南方冬种马铃薯幼苗期、现蕾期、块茎膨大期多光谱影像,用LAI-2000冠层分析仪实测LAI数据。提取影像光谱、纹理等信息,分析植被指数、纹理特征与LAI的相关性,基于R²_adj的全子集分析优选特征变量。采用主成分分析,融合光谱和纹理特征,用PCA-MLR(Principal component analysis-multiple linear regression)模型估算马铃薯LAI。结果 从幼苗期到块茎膨大期,PCA-MLR估算模型优于T-MLR(Texture multiple linear regression)和VI-MLR(Vegetation index multiple linear regression)模型,R²分别为0.73、0.59和0.66。结论 本研究提出一种估算马铃薯LAI的PCA-MLR方法,为马铃薯的长势监测和田间管理提供数据支持。     

局部均匀模式描述和双加权融合的人脸识别

目的 针对LBP算法对边缘及噪声信息比较敏感,提出一种统一化的局部均值模式(ULMP)描述算子。考虑到全局和局部特征在识别上的互补性,提出一种ULMP描述和双加权融合的人脸识别方法。方法 首先利用ULMP算法获得整幅图像的编码图,接着将其分块,统计每一子块的直方图获得局部纹理特征,并结合BP神经网络得到局部分类结果。引入云模型求取不同子块的权值,对局部分类结果进行加权融合。整体纹理特征的获取是将不同子块的直方图特征串联。在得到全局和局部的分类结果后,将两者加权集成,获得最终的识别结果。结果 在ORL和Yale人脸库上进行实验,ULMP具有很好的识别性能。5幅测试样本时,在ORL库上取得了95.9%的平均识别率,分别比局部二值模式(LBP)、MCT、局部方向模式(LGP)、统一的LBP(ULBP)和局部中心二值模式(CSLBP)高11.3%、10.6%、9.5%、8.9%和3.9%;在Yale库上取得了97.4%的识别率,分别比LBP、MCT、LGP、ULBP和CSLBP高19.9%、17.7%、10.7%和0.7%。在ORL和Yale人脸库上,本文提出的双加权融合模式分别取得了98.5%和98.34%的平均识别率,高于任何单一模块。结论 本文提出的纹理提取算法ULMP,具有很好的平滑噪声及边缘信息的作用,适用于面部纹理特征的提取。利用云模型求取的权值的方法能够较好地发挥局部分类器间的集成作用,最终有效地提高了系统的整体性能。双加权融合模式是一种精确且有效的人脸识别方法,适用于静态人脸图像的匹配识别。     

基于离散因子的多传感器数据融合和导航线提取方法

目的 针对玉米田间路径边界模糊和形状不规则特点,普通的田间导航线提取算法在农业机器人实际应用中会出现偏差过大的问题,本文针对3~5叶期玉米田提出了基于离散因子的相机与三维激光雷达融合的导航线提取算法。方法 首先利用三维激光雷达获取玉米植株点云数据,同时将相机采集的图像利用超绿化算法和最大类间方差法自动获得绿色特征二值图像,然后将聚类分析后的点云数据投影到图像中的目标边框上,构建多传感器数据融合支持度模型进行特征识别,最后拟合所获取特征中心点即为导航基准线。结果 该算法能够很好地适应复杂环境,具有很强的抗干扰能力,单帧平均处理时间仅为95.62 ms,正确率高达95.33%。结论 该算法解决了传统算法寻找特征质心偏移、识别结果不可靠等问题,为机器人在玉米田间行走提供了可靠的、实时的导航路径。     

基于点云边缘平滑和生物特征的鸡只体尺估测

目的 针对使用深度相机的鸡只体尺估测中,鸡只点云边缘抖动、羽毛冗余、特征点提取难的问题,本文提出一种结合点云边缘平滑和基于生物特征的特征点提取方法用于鸡只多部位体尺估测。方法 首先,通过直通滤波、统计滤波等方法对点云进行预处理,减少背景和噪点对目标的影响;其次,通过点云的空间变化约束边缘,采用连续多帧序列变化平滑边缘,减少边缘抖动对体尺测点提取的干扰;再次,对处理后的点云进行生物特征分析,结合基于邻域分析的边缘算法,融合RGB图像采用Canny边缘检测、霍夫变换等方法提取特征点;最后,依据特征点估测胸宽、半潜水长和胫长体尺。结果 试验结果表明,估测的胸宽平均误差为6.64%,胫长平均误差为5.93%,半潜水长平均误差为3.34%,平均每帧图像计算体尺耗时8.8 s。结论 本文算法可为鸡只体尺测量提供技术参考。     

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。     

基于密度自适应的RANSAC非结构化环境下果园机器人导航

目的 提出一种基于多传感器融合的果园导航方案,解决果园机器人在GPS导航过程中受果树遮挡导致信号弱、定位效果差的问题。方法 通过16线激光雷达采集高精度的三维点云数据,利用Voxel grid filter滤波算法进行点云预处理,降低点云密度并去除离散点,将果树行通过欧几里类算法进行聚类,采用改进的随机采样一致性 (Random sample consensus, RANSAC) 算法拟合出果树行直线,根据平行直线的关系,推算得到导航线,并融合惯性测量单元(Inertial measurement unit, IMU)对果园机器人进行高精度定位。基于差速转向和纯追踪模型进行轨迹跟踪,实现果园机器人在果树行间自主导航以及自动换行的目标。结果 在将激光雷达和IMU的数据进行融合后,获取到果园机器人的准确位姿,当机器人以速度0.8 m/s在果园作业时,对比最小二乘法和传统RANSAC法产生的偏差,基于密度自适应RANSAC法产生的横向偏差不超过0.1 m、航向角偏差不超过1.5°,均为3种方法中的最小值。但当机器人速度增加到1.0 m/s时,各项偏差均明显增大。结论 本文提出的基于多传感器融合的果园机器人导航技术适用于大多数规范化果园,具有重要推广价值。     

基于ISS-LCG组合特征点的油菜分枝点云配准方法

【目的】针对传统点云配准方法准确率低、速度慢等问题,以油菜Brassica napus L.分枝点云为研究对象,提出基于ISS-LCG组合特征点的配准方法。【方法】以成熟期油菜角果分枝点云为对象,去除背景噪声后,得到清晰完整的油菜分枝点云;然后通过内部形状描述子(Intrinsic shape signature,ISS)提取油菜分枝点云的特征点,再使用线性同余法(Linear congruential generator,LCG)伪随机选取油菜点云的部分点构成关键点,将特征点和关键点进行融合,构成ISS-LCG组合特征点;通过三维形状上下文特征(3D shape context,3DSC)对组合特征点进行特征描述,最后采用RANSAC+ICP两步点云配准法进行点云配准。【结果】基于ISS-LCG组合特征点的点云配准算法以30°为间隔对点云进行两两配准时,配准效果最佳,配准误差约0.066 mm,配准精度比未采用组合特征点的配准方法提升了50%～70%;配准时间均小于48 s,平均配准时间为8.706 s。【结论】该方法在可控环境内可以实现成熟期油菜植株高精度、高效率的自动配准。     

基于特征匹配的羊体点云配准方法

针对点云配准算法易受噪声、体外孤点以及采样率影响的问题,采用形状指数关键点检测方法、最近邻距离比法和迭代最近点算法,基于三维点云对羊体点云配准方法进行研究。结果表明:1)使用协方差矩阵特征描述子能对形状指数方法检测的关键点进行描述;2)基于特征匹配的配准方法能对不同视角的羊体点云进行配准,最大均方根误差为0.024 1;3)对于含有噪声、体外孤点或较低采样率的不同类型的羊体点云模型,配准的最大均方根误差为0.023 8。试验证明基于特征匹配的配准方法能准确地对羊体点云进行配准,并且不受噪声、体外孤点以及采样率的影响。     

Radar detection of phobos

Radar echoes from the martian satellite Phobos provide information about that object's surface properties at scales near the 3.5-cm observing wavelength. Phobos appears less rough than the moon at centimeter-to-decimeter scales. The uppermost few decimeters of the satellite's regolith have a mean bulk density within 20% of 2.0 g cm(-3). The radar signature of Phobos (albedo, polarization ratio, and echo spectral shape) differs from signatures measured for small, Earth-approaching objects, but resembles those of large (>/=100-km), C-class, mainbelt asteroids.     

基于机器视觉的烤烟烟叶部位的智能识别

采集烤烟不同叶位烟叶图像并进行预处理，提取烟叶叶长、叶宽、面积、周长和最小外接矩形面积5个叶片绝对形态特征参数，计算狭长度、矩形度、圆形度、叶宽最大处占比、叶宽轴与质心夹角5个相对形态特征；通过主成分分析筛选出特征向量，构建基于K近邻算法(KNN)、逻辑回归(LR)、基于线性核函数和径向基核函数的支持向量机(SVM)和BP神经网络的烟叶部位识别模型，并对比5种模型的识别效果。结果表明：基于图像轮廓特征所提取的形态特征参数可以较为有效地反映烤烟部位特征；5种识别模型中，基于BP神经网络模型的识别效果最好，识别准确度为93.75%，训练集和测试集的模型决定系数均高于90%。     

Genome-wide detection of selective signatures in a Jinhua pig population

The aim of this study was to detect evidence for signatures of recent selection in the Jinhua pig genome. These results can be useful to better understand the regions under selection in Jinhua pigs and might shed some lights on groups of genes that control production traits. In the present study, we performed extended haplotype homozygosity(EHH) tests to identify significant core regions in 202 Jinhua pigs. A total of 26 161 core regions spanning 636.42 Mb were identified, which occupied approximately 28% of the genome across all autosomes, and 1 158 significant(P0.01) core haplotypes were selected. Genes in these regions were related to several economically important traits, including meat quality, reproduction, immune responses and exterior traits. A panel of genes including ssc-mir-365-2, KDM8, RABEP2, GSG1L, RHEB, RPH3AL and a signal pathway of PI3K-Akt were detected with the most extreme P-values. The findings in our study could draw a comparatively genome-wide map of selection signature in the pig genome, and also help to detect functional candidate genes under positive selection for further genetic and breeding research in Jinhua and other pigs.     

A decision tree for nitrogen application based on a low cost radiometry

Fertilizer recommendations based on radiometry require studies to calibrate the relationships to scenario conditions, otherwise the effectiveness may be reduced. The objective of this study was to develop a decision tree to detect nitrogen deficiency with efficiency comparable to the analysis of the full spectral signature, with simplicity similar to a spectral index and valid over a wide range of development conditions and phenological stages. An agronomic trial with a dual-purpose triticale (X Triticosecale Wittmack) was used in this study having different planting densities, number of grazing events (regeneration from defoliation) and nitrogen fertilization. At different phenological stages, the spectral signatures of leaves were recorded with an ASD-FieldSpec3 spectroradiometer and the nitrogen concentrations were determined by the Kjeldahl method. Agronomic factors that affect the N concentration were identified using ANOVA; subsequently PCA was carried out on the set of spectral signatures representative of the groups formed according to nitrogen concentration. Linear regression was used to evaluate the relationship between the principal components and plant nitrogen concentration. Wavelengths with greater significance were used to construct a decision tree. The resulting decision tree defined for nitrogen using the Jenks Natural Breaks method had a success rate of 68.3?%. The best spectral index had a R ²?=?0.31 while the estimate using the full spectral signature reached a R ²?=?0.68. Although further testing is needed, this work shows the approach was able to successfully categorize nitrogen deficiency.     

祛风活血丸对实验性自身免疫性葡萄膜炎大鼠JAK2 mRNA和STAT3 mRNA表达的影响

目的 观察祛风活血丸对实验性自身免疫性葡萄膜炎大鼠视网膜JAK2及STAT3 mRNA表达的影响。方法 将80只（160眼）雄性Lewis大鼠根据随机数字表法随机抽取16只作为空白组（A）,对其余64只大鼠进行实验性自身免疫性葡萄膜炎模型制作。造模成功后,根据随机数字表法将其随机分为模型组（B）、祛风活血丸常规剂量组（C）、祛风活血丸两倍剂量组（D）、熊胆开明片组（E）。干预14 d后用qPCR法检测大鼠视网膜组织中JAK2 mRNA和STAT3 mRNA的相对表达量。结果 JAK2 mRNA：与B组比较,C组、E组表达降低,差异具有统计学意义（P<0.05）,D组表达显著降低,差异具有统计学意义（P<0.01）;STAT3 mRNA：与B组比较,C、D、E组表达均降低,差异具有统计学意义（P<0.05）。结论 祛风活血丸能降低实验性自身免疫性葡萄膜炎大鼠JAK2、STAT3 mRNA的表达,抑制JAK2/STAT3信号通路,达到抗炎作用。     

Genome-wide detection of selective signatures in a Duroc pig population

The Duroc pig has high adaptability and feeding efficiency, making it one of the most popular pig breeds worldwide. Over long periods of natural and artificial selection, genetic footprints, i.e., selective signatures, were left in the genome. In this study, a Duroc pig population (n=715) was genotyped with the Porcine SNP60K Bead Chip and the GeneSeek Genomic Profiler (GGP) Porcine Chip. The relative extended haplotype homozygosity (REHH) method was used for selective signature detection in a subset of the population (n=368), selected to represent a balanced family structure. In total, 154 significant core regions were detected as selective signatures (P<0.01), some of which overlap with previously reported quantitative trait loci associated with several economically important traits, including average daily gain and backfat thickness. Genome annotation for these significant core regions revealed a variety of interesting candidate genes including GATA3, TAF3, ATP5C1, and FGF1. These genes were functionally related to anterior/posterior pattern specification, phosphatidylinositol 3-kinase signaling, embryonic skeletal system morphogenesis, and oxidation-reduction processes. This research provides knowledge for the study of selection mechanisms and breeding practices in Duroc and other pigs.