基于自组织特征映射神经网络的储粮害虫分类方法研究

提出了基于自组织特征映射（SOM）神经网络的害虫分类方法：该方法能将任意维输入模式在输出层映射成一维或二维离散图形,并保持其拓扑结构不变,而且无需监督,可实现对输入模式自动分类。分析了SOM网络基本工作原理,并将之用于害虫分类模型的建立中。结果表明,该方法能有效地对害虫进行分类,比BP神经网络分类精确度高、分类结果的可解释性更好。     

基于Fast ICA算法的2种储粮害虫活动声信号识别

利用快速独立分量分析(fast independent component analysis,Fast ICA)算法,对混有高斯噪声的2种储粮害虫玉米象Sitophilus zeamais和赤拟谷盗Tribolium castaneum的活动声信号进行去噪,并使用Fast ICA算法识别和分离了2种储粮害虫爬行与翻身的4种活动声信号,证明了使用Fast ICA算法识别混合信号中每种害虫声信号的有效性和准确性。     

基于L-M算法的BP神经网络在大坝安全监控预报中的应用

为克服BP神经网络收敛速度缓慢的缺陷,以L-M算法代替梯度下降法训练网络.建立了基于L-M算法的大坝安全监控整体L-M模型和逐一L-M模型,并与快速BP模型进行对比.应用实例研究表明:整体L-M模型和逐一L-M模型的预测效果及训练速度均显著优于快速BP模型,逐一L-M模型的预测精度及泛化能力均优于整体L-M模型,且预报时间短,可以用于大坝监控的实时预报.     

模拟退火算法在储粮害虫图像识别中的应用

简要介绍了储粮害虫智能检测的几个部分:图像采集、图像预处理、特征形成、特征压缩及其分类。对特征选择中的模拟退火算法的思想、实现步骤、参数选择分析等进行了重声、阐述,该算法有效地将储粮害虫的17维原始形态学特征降为10维,提高了分类的效率。     

储粮害虫检测现状

储粮害虫的检测是目前粮食储藏行业的重要研究内容,粮虫的种类和密度等信息的确定是进行粮虫防治的重要依据,因此,国内外很多专家学者提出了很多有效的检测方法。文中对粮虫检测的诱捕和识别2个步骤的国内外采用的主要方法进行了重点论述。     

农家储粮害虫防治方法概述

储粮害虫防治法主要有物理阻隔预防法、高温除虫法和药物熏蒸法。另外,还有白酒储粮、椿树叶储粮等其他一些方法。     

农村常见储粮害虫的防治

粮食作为重要的战略物质,与老百姓的生活和国家的稳定有着密切的关系,党和政府历来都非常重视粮食安全储备问题。然而,由于国家粮食储备能力有限,库容不足,使每年生产的粮食大约70%～80%分散储存在农民家中。但由于我国农村储粮设施简陋、储藏条件差、储粮技术落后、缺乏科学管理手段等原因,粮食受虫蚀、霉变、鼠害、畜禽糟蹋等造成的损失较为严重,这正是我国粮食产后损失的最主要的环节。据报道,储粮害虫造成的损失占农村储粮总损失的10%～30%,损失相当严重。本文介绍几种适合农村使用的储粮害虫防治技术,以期对提高农村储粮害虫防治水平有所帮助。     

储粮害虫综合治理的探讨

储粮害虫防治过分依赖杀虫剂 ,带来了一些不良的副作用。对储粮害虫采用综合治理防治策略非常必要。既应提倡把系统论应用到综合治理中去 ,又要强调在现阶段使用好化学防治     

黑龙江省储粮害虫防治技术

我省常见的贮粮害虫有米黑虫、玉米象、谷盗、麦蛾等.主要属鞘翅目和鳞翅目害虫. 1 发生条件 1.1 食料     

BP神经网络在储粮害虫分类中的应用研究

综合利用计算机视觉技术和BP神经网络技术,实现了对粮仓害虫的无损检测.通过对粮仓害虫图像的CCD图像预处理,获取了几何特征和不变矩等15个特征参数,并通过优化选取其中七个参数输入神经网络进行训练.仿真结果表明训练网络对粮仓四类常见害虫的识别率达到了85%,得到了较好的识别结果.     

储粮害虫图像识别中的特征压缩研究

为了降低储粮害虫特征空间的维数,并去除粮虫特征之间的信息冗余,需要对特征选择后的特征进行压缩处理。运用基于总体类内离散度矩阵K-L变换的特征压缩和基于距离可分性准则的特征压缩2种压缩方法,分别在累积贡献率为88.11%和99.13%的情况下,将粮虫的10维特征压缩为5维。应用压缩后的5维特征,由基于模糊决策的模糊分类器对粮仓中常见的9类粮虫进行识别分类,识别率分别为93.33%和95.56%。结果证实了基于距离可分性准则的特征压缩更适合于粮虫的特征压缩。     

基于遗传算法和支持向量机的储粮害虫图像识别

建立支持向量机（SVM）模型,用遗传算法自动选择最优的核函数参数,利用该SVM与遗传算法相结合的新型算法对储粮害虫图像进行分类识别。结果表明,该方法所确定的SVM对储粮害虫具有较优的识别率,其整体性能优良。     

基于L-M优化算法的猪舍氨气浓度预测模型研究

在规模化养殖中,猪舍环境直接影响猪健康水平及生产能力。针对猪舍环境因素（包括温度、湿度、风速和氨气浓度）进行数据采集,选取具有代表性30 d数据,建立基于L-M优化算法的3-7-1三层结构的BP神经网络模型,对猪舍环氨气浓度进行预测。结果表明,预测模型经过90步达到目标误差,网络收敛速度快,效率高,预测值与实测值最大相对误差仅为1.72%,与线性预测方法相比较可提高猪舍氨气浓度预测的准确性与及时性,为猪舍环境预警及控制提供支持,也为其他行业预测模型建立提供参考。     

新型储粮保护剂硅藻土对2种重要储粮害虫的防治效果初报

为了探索硅藻土防治储粮害虫的经济有效剂量、防治方法和条件等,本方设计了不同温度和湿度组合,不同的硅藻土剂量分别对生活在小麦和稻谷中的谷蠹和长角扁谷盗的毒力试验,结果表明:在相同的条件下(1)硅藻土对小麦的防护优于对稻谷的防护。(2)在25℃时对谷蠹的防效高于30℃的防效,对长角扁谷盗则相反。(3)硅藻土的防治效果随着相对湿度的降低而提高。(4)长角扁谷盗对硅藻土的敏感度是谷蠹的5￣6倍。在应用时从经济、有效的原则考虑,建议防治以谷蠹为主要害虫的储粮时以400mg/kg的剂量,防治长角扁谷盗时则以70mg/kg即可。     

基于贝叶斯正则化BP网络的粮虫分类识别研究

以粮虫为对象,研究了利用数字图像处理技术与BP神经网络技术实现分类识别的方法。首先对4类常见粮虫进行图像采集、预处理及特征提取,然后将提取到的9个形态学特征参数作为神经网络的输入参数,对应的粮虫类别代号作为输出参数,建立BP神经网络,并在网络学习过程中采用贝叶斯正则化优化算法对其进行改进。最后通过仿真试验表明:该方法在粮虫识别算法中收敛速度快,预测精度高,稳定性好,泛化能力优,从而证实了该方法在实际应用中的可行性。     

粮虫图像识别检测技术研究现状与展望

为促进图像识别检测技术在我国粮情测控领域的应用研究,从预处理、特征提取、识别分类和种群密度估计4个方面,概述和分析了计算机图像识别检测技术在粮虫自动识别中的发展现状,提出今后应从图像自动采集装置的研制、粮虫图像的有效特征获取、高适应分类器的设计、粮虫种群密度的估计、多种检测技术的融合等方面开展深入研究,为科学规范粮虫防治工作提供更好的决策支撑。     

基于深度学习网络实现番茄病虫害检测与识别

为利用计算机或人工智能技术协助番茄病虫害防治,以存在病虫害侵害问题的番茄植株图像为研究对象,针对番茄病虫害目标小而密的特点提出基于Swin Transformer的YOLOX目标检测网络,用于精确定位图像中的病虫害目标,并采用基于经典卷积神经网络构建的旋转不变Fisher判别CNN分类网络,以此提高病虫害分类的准确率。结果表明:1)将测试结果与传统的目标检测模型和分类模型作对比,基于Swin Transformer的YOLOX网络在番茄病虫害测试集上的精确度比Faster R-CNN和SSD分别高了7.9%和9.5%,旋转不变Fisher判别CNN对病虫害类别的识别准确率与AlexNet、VGGNet相比分别提升了8.7%和5.2%;2)与基于Transformer的目标检测模型DETR和近年来新兴的图像分类模型Vision Transformer(ViT)在番茄病虫害测试集上的结果相比较,本研究的检测和分类方法也存在优势,病虫害检测精度和分类准确率分别提高了3.9%和4.3%。此外消融试验也证明了本研究方法改进的有效性。总之,本研究所构建的网络在番茄病虫害的目标检测和分类识别方面的性能优于其他网络,有助于提升番茄病虫害的防治效果,对计算机视觉在农业领域的应用具有重要意义。