玉米叶片病斑多光谱特征提取及识别方法

为了更好地防治玉米病害,使用BP神经网络、L-M算法优化的BP神经网络和FCM聚类算法对玉米的3种叶片病斑图像进行识别研究。利用图像处理技术对采集的图像进行预处理和阈值分割,提取3个颜色特征、9个纹理特征和7个形状特征,通过LLE算法降维获得6维的内在低维流形特征,使用3种算法对提取的特征参数进行识别。结果表明,从识别率和网络训练速度2个方面来看,L-M算法优化的BP神经网络识别率高达98.67%,且训练速度快,更适合作为玉米叶片病斑图像的识别算法。     

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.     

作物害虫图像智能识别方法

【目的】针对作物害虫数据集样本较少、现有单一模型在作物害虫识别上的准确率不高以及泛化能力较差的问题,提出一种基于迁移学习与多模型集成的害虫识别模型。【方法】在大规模公开作物害虫数据集IP102上进行试验,使用迁移学习单独训练6个深层神经网络,选择识别性能较好的EfficientNet、Vision Transformer、Swin Transformer和ConvNeXt进行组合,采用不同策略集成预测结果。【结果】提出的基于迁移学习与多模型集成方法的识别准确率达到75.75%,比性能最好的单模型ConvNeXt提高了1.34%,与目前该数据集上最优算法(CA-EfficientNet)的性能相比,识别准确率高出了6.3%。【结论】害虫图像智能识别模型具有较好的稳定性与泛化能力。     

基于PCA和BP神经网络的万寿菊黑斑病孢子识别

针对万寿菊黑斑病难于防治的问题,采用基于主成分分析和BP神经网络的识别方法,对万寿菊黑斑病病原菌(Alternaria tagetica)无侵染力和有侵染力的孢子进行精确识别。首先利用图像处理技术对病原菌孢子显微图像进行分割,选取3个颜色特征(R、G和V)、5个形状特征(Hu不变矩中的H2、H3、H4、H5和H6),以及3个纹理特征(R、G、B3个分量的对比度)共11个特征用于病原菌孢子分类识别。为提高识别速度和精度,利用主成分分析法(PCA)对11个特征进行优化和筛选,采用基于L-M算法的BP神经网络对万寿菊黑斑病病原菌的孢子进行分类识别。试验结果表明,经主成分分析后得到的第一、第二主成分能够有效减少BP网络训练时间和提高识别准确率,平均识别准确率达到98%。该方法能够精准识别万寿菊黑斑病病菌有侵染力和无侵染力的孢子。     

基于改进神经网络的农村电力系统短期负荷预测

为进一步提高农村电力系统短期负荷预测模型的性能,实现准确与快速预测农村电力系统短期负荷的目的,采用基于优化理论的Levenberg-Marquardt算法来改进传统的BP算法,并构造电力系统负荷预测模型。结果表明,基于L-M算法的神经网络预测模型具有较高的预测精度,在农村电力系统短期负荷预测方面具有较高的使用价值。     

河北省农业害虫图像识别系统建设

基于农业技术与信息化技术的不断发展与融合,针对当前河北省农作物害虫识别准确率和效率低等问题,提出了一种基于Asp.NET Core MVC架构的残差神经网络害虫图像识别系统。该系统首先通过移动采集终端和网络图片爬虫收集目标分类图片信息,再使用数据增强技术扩充样本库,得到神经网络训练模型的数据集;然后通过搭建机器学习框架,分别引入ResNet-50、ResNet-101、ResNet-152残差网络模型,对数据集执行训练并验证其准确度;最后将准确度最高的训练结果模型运用至农作物害虫分类服务系统。经验证,该识别模型具有良好的适用性和鲁棒性,可为河北省主要农作物虫害提供识别及诊断功能。     

基于VGG-16卷积神经网络的水稻害虫智能识别研究

为了实现自然场景下水稻害虫实时精准被识别,构建基于VGG-16卷积神经网络的水稻害虫智能识别模型。该模型采用VGG-16卷积神经网络为核心网络结构,根据水稻害虫的个体特征和自然场景,对VGG-16网络的卷积层局部调整,优化主要模型参数,实现水稻害虫的智能识别,其识别的平均准确率是90.7%,实现对沙叶蝉、大螟、斑须蝽、点蜂缘蝽和白背飞虱的准确识别。研究结果显示,采用卷积神经网络技术可以实现自然场景下害虫图像的精准识别,代替人工辨认,提高水稻害虫防治率,实现实时、精准防治的目标。     

基于Faster-RCNN的花生害虫图像识别研究

为实现花生害虫图像的准确分类,共收集花生主要害虫图片2 038张,针对目前在基于Faster-RCNN的图像识别领域较为成熟的VGG-16和ResNet-50这2种网络模型进行对比研究,并针对ResNet-50模型参数进行调整,提出了基于学习率、训练集和测试集以及验证集的比例选择、迭代次数等参数改进的ResNet-50卷积神经网络的模型。结果表明:该模型可以准确高效地提取出花生主要害虫的多层特征图像,在平均识别率上,经过改进的ResNet-50网络模型在识别花生害虫图像上优于ResNet-50原始网络模型。该模型可以准确地分类花生主要害虫图像,可在常规情况下实现花生害虫的图像识别。     

仓储害虫局部形态学特征提取方法研究

为进一步提高对仓储害虫自动识别的准确度及种类数量,提出一种普适有效的仓储害虫局部特征提取方法,即首先自动判别出图像中仓储害虫的头部和尾部,然后采用基于兴趣区间对偶点分析的方法提取特征。提取出仓储害虫的鞘翅等效长、尾部弧度等7个局部形态学特征,构建了优化的形态学特征空间,采用SAA-SVM分类器对15类常见仓储害虫分类的正确率达到94.8%,解决了仓储害虫分类识别中多种类精确识别的难题。     

基于两种神经网络模型的胶合板期货价格短期预测

选取2013年12月06日～2014年09月17日的胶合板主力期货合约作为训练样本,2014年09月18日～2014年11月05日的胶合板主力期货合约作为测试数据,采用L-M优化算法和贝叶斯优化算法的BP神经网络模型对期货价格进行了预测分析.结果表明,采用两种优化算法的神经网络模型均具有较高的拟合度,对价格走势有良好的预测效果,可为期货市场投资者投资决策提供一定的参考.     

基于BP神经网络模型的果实蝇自动分类系统

果实蝇属昆虫危害水果和蔬菜,造成产量下降,影响对外贸易,对其识别是检疫工作中的重要部分,现有的人工辨识方法受时间、知识等因素影响不能准确、有效辨识。提出了一种基于BP神经网络模型的果实蝇分类方法,采用几何形态测量学中的标记点法对果蝇翅进行特征提取,通过方差分析确定了用于果蝇鉴定的11个主特征,建立3层BP神经网络模型,结合Levenberg-Marquardt BP训练函数对数据集进行训练,得到完整的可用于果实蝇分类的BP神经网络。实验表明,该方法能够对实蝇进行有效的辨识,对桔小实蝇、瓜实蝇、具条实蝇和南亚果实蝇等高风险果实蝇辨识的准确率分别是90.0%、93.3%、90.0%和96.7%,总体准确率为92.5%,具有良好的应用前景。     

基于微调卷积神经网络迁移学习模式下被害棉叶图像的识别

【目的】研究一种基于卷积神经网络的危害棉叶症状识别技术,提高棉花病虫害的识别准确率。【方法】基于caffe深度学习框架,在CaffeNet网络结构基础上增加一层全连接层(记为CaffeNet+1),并结合迁移学习方法对网络进行训练。采集健康、红叶茎枯、红蜘蛛、枯萎、黄萎、双斑萤叶甲、蚜虫、褐斑棉叶图像各975张作为样本集。随机选取验本集中80%的图像样本作为训练集,剩余20%作为测试集。【结果】迁移学习方式下学习率取0.005时的CaffeNet+1模型最优,在测试集上其识别准确率可达98.9%。【结论】在与全新学习模式下的CaffeNet模型相比,该方法可加速网络模型收敛,且具有更高的识别准确率,该技术方法在准确识别田间病虫害棉叶后表现症状的图像写出来具体方面具有重要的应用价值。     

基于优化卷积神经网络的玉米螟虫害图像识别

【目的】随着人工智能和大数据技术的不断发展,针对常规玉米虫害识别方法存在的准确率和效率低等问题,本文提出了一种基于改进GoogLeNet卷积神经网络模型的玉米螟虫害图像识别方法。【方法】首先通过迁移学习将GoogLeNet的Inception-v4网络结构知识转移到玉米螟Pyrausta nubilalis虫害识别的任务上,构建模型的训练方式;然后通过数据增强技术对玉米螟虫图像进行样本扩充,得到神经网络训练模型的数据集;同时利用Inception模块拥有多尺度卷积核提取多尺度玉米螟虫害分布特征的能力构建网络模型,并在试验过程中对激活函数、梯度下降算法等模型参数进行优化;最后引入批标准化(BN)操作加速优化模型网络训练,并将该模型运用到玉米螟虫害识别中。【结果】基于TensorFlow框架下的试验结果表明,优化后的神经网络算法对玉米螟虫害图像平均识别准确率达到了96.44%。【结论】基于优化的卷积神经网络识别模型具有更强的鲁棒性和适用性,可为玉米等农作物虫害识别、智能诊断提供参考。     

BP神经网络在水稻病虫害诊断中的应用研究

介绍了BP神经网络算法及编码的内涵,探讨了基于BP神经网络的水稻病虫害专家系统的构建。研究表明,BP神经网络在水稻病虫害诊断中具有较强的应用价值。     

基于正交基函数对向传播过程神经网络的语音识别方法

针对特定人孤立词识别任务,传统的语音识别系统中构造的神经网络模型主要采用BP神经网络和径向基函数网络,为了解决这两种神经网络构造下的语音识别系统对训练样本需求量较大和识别率较低问题,提出了一种基于正交基函数展开的混合学习算法,并应用于语音识别中,同时与传统的BP神经网络、径向基函数网络进行了比较.仿真结果表明,采用对向...     

基于L-M神经网络的苹果形状快速分级

为了实现苹果形状的有效分级,提出了一种快速的智能分级方法,即将苹果边缘曲线的傅立叶描述子作为果实形状特征,采用先进的Levenberg-Marquardt算法训练神经网络结构,最后用训练好的神经网络进行苹果形状分级.实际应用表明该方法切实可行且效果显著,不仅分级速度快,而且分级正确率高达90%以上.     

基于深度学习VGG网络模型的海洋单细胞藻类识别算法

为更好地对海洋中单细胞藻类进行有效识别,本研究提出了基于改进式VGG16网络模型的单细胞藻类识别算法—AlgaeNet,在传统VGG网络模型基础上,通过减少卷积核数量,并添加BatchNormalization层进行神经网络模型加速。结果表明:在相同试验条件下,本研究中提出的AlgaeNet算法在训练过程中的损失值收敛速度及对测试集样本(卵形小球藻Chlorella ovalis与小等刺硅鞭藻Dictyocha fibula Ehrenberg)的预测准确率上升速度较传统VGG、AlexNet网络模型优势明显,识别准确率可达99.317%。研究表明,基于改进式VGG16网络模型的单细胞藻类识别算法AlgaeNet在单细胞藻类识别领域具有较好的分类识别性能,可实现海洋中藻类的准确识别。     

基于深度学习的蔬菜鳞翅目害虫自动识别与检测计数

鳞翅目害虫是蔬菜作物中最重要且常见的一类害虫。由于受到复杂田间背景,光照及害虫姿态等的影响,传统的害虫自动识别与检测计数方法准确率比较低。为实现在田间快速准确地对目标害虫进行自动识别和检测计数,分别提出了基于深度卷积神经网络的识别模型和检测计数模型。针对菜粉蝶、棉铃虫、甜菜夜蛾、小菜蛾、斜纹夜蛾这5种常见且容易混淆的蔬菜鳞翅目害虫,构建了分类识别数据集和检测计数数据集,并分别进行了实验,平均识别率达到94.5%,检测均值平均精度(mAP)达到76.6%,与传统方法相比,证明了此方法的优越性。实验结果表明,该方法对于蔬菜鳞翅目害虫的识别和检测计数是可行的,且达到了实际应用水平。     

基于BP神经网络的数字识别

介绍了字符识别的几种方法及神经网络的基本原理,并将BP神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP神经网络的数字识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。