基于声波信号的HHT和Multi-PCA无损检测鸡蛋蛋壳裂纹

采用自行搭建的声波信号响应装置对实验中裂纹鸡蛋样本的蛋壳裂纹随机分布进行无损检测。利用端点检测等方法对声波信号(采集点在鸡蛋赤道部位)进行预处理,然后采用Hilbert Huang变换(HilbertHuang transform,HHT)和多重主成分分析(Multi-PCA)对预处理之后的声波信号进行分析,分别提取声波信号在时域和频域上的主要特征参数,用于鸡蛋蛋壳裂纹的分类检测。结果表明,当鸡蛋蛋壳裂纹大小和位置均随机分布时,由HHT和Multi-PCA提取的特征参量经由支持向量机(support vector machine,SVM)模型和人工神经网络(artificial neural network,ANN)模型均可达到较高识别率。在SVM模型中,采用径向基核函数的效果最好,检测精度高达90%;在ANN模型中,整体回归系数可达0.924 76,检测精度为86.70%。     

基于声波信号递归图的鸡蛋裂纹检测

针对基于声波信号的鸡蛋裂纹检测过程中易受到噪音干扰的问题,采集运输线上敲击鸡蛋产生的声波信号,对信号进行递归图分析,采用递归定量分析提取递归图的量化特征参数,用于鸡蛋壳裂纹的分类检测。分别构建基于支持向量机(support vector machine,SVM)、反向传播神经网络模型的鸡蛋裂纹分类检测模型,对300枚鸡蛋进行检测。结果表明,SVM检测模型效果较好;在SVM模型中,完好蛋和裂纹蛋的识别率分别达93.98%和95.52%,效果理想。     

基于声学特性和Labview的鸡蛋裂纹检测研究

鸡蛋裂纹是评价鸡蛋品质好坏的重要指标之一,为寻求更加直观可行的鸡蛋裂纹检测的新方法,利用声学特性,基于Labview虚拟仪器平台自行设计搭建了鸡蛋裂纹检测系统。以鸡蛋赤道部位4个点(1、2、3、4)作为敲击位置,采集获取鸡蛋的声音信号并进行分析,提取鸡蛋最大、最小2个特征频率(fmax,fmin),并计算其差值Δf(Δf=fmax-fmin),以1 000 Hz作为裂纹鸡蛋的识别阈值,分析并剔除裂纹鸡蛋,其准确率达到96.667%。结果表明,基于声学特性和Labview虚拟仪器平台,对裂纹鸡蛋进行裂纹检测不仅可行,且具有一定的准确率。     

蛋敲击激励后产生的振动特性

以鸡蛋为试验对象,进行不同的敲击材料、测点、敲击速度、质量、蛋壳强度情况下的敲击振动试验。用加速度传感器获取振动信号,并对该振动信号进行傅里叶变换,提取特征参数。结果表明:不同敲击材料、测点、敲击速度对主响应频率没有太大影响,而质量和蛋壳强度却对主响应频率有较显著的影响,随着质量的增加,主响应频率下降,随着蛋壳强度的增加,主响应频率增大。     

基于DSP的鸡蛋破损检测方法

通过分析受敲击鸡蛋的声音功率谱图而确定出特征参数：共振峰对应的模拟量频率值、功率谱面积、高频段额外峰功率谱幅值和第32点前后频段功率谱面积的比值,并通过Bayes理论建立鸡蛋破损判别模型。然后采用DSP鸡蛋破损检测系统,进行鸡蛋破损检测的试验。检测结果表明,此系统判别精度高,方法可行。     

基于小波能量谱和BP神经网络的皮蛋破损检测

根据皮蛋蛋壳的声学特性,采用小波变换和BP神经网络相结合的处理方法,对皮蛋进行破损检测。首先对采集到的声音信号进行6层小波分解,计算每层分解信号的小波能量谱,构造小波能量谱分布的特征向量,然后将其作为神经网络的输入向量,基于MATLAB创建了网络结构为6-20-2的BP神经网络。检测结果表明,该方法对好壳皮蛋的识别率为88.5%,对损壳皮蛋的识别率为83.3%。     

基于Adaboosting_SVM算法的多特征蛋壳裂纹识别

以无裂纹蛋和裂纹蛋为测试对象,采用机器视觉技术和支持向量机等技术手段,分析无裂纹蛋和裂纹蛋在图像上的差异,提取特征参数,实现蛋壳裂纹的自动识别;针对蛋壳表面的亮斑,对预处理后的图像运行消除亮斑算法并进行区域标记。在此基础上,从5个不同视角提取13个能够表征无裂纹蛋和裂纹蛋的特征参数,分别是图像标记区域参数(区域标记数和标记点数)、几何特征参数(长轴和短轴)、基于Freeman链码的形状参数(形状数)、纹理特征参数(均值、标准偏差、平滑度、三阶矩、一致性、熵)和频谱特性参数(最大幅值和最大相位)。采用Adaboosting算子对上述特征参数进行优化,突出影响因子较大的参数组合,作为SVM的输入向量,建立蛋壳裂纹的识别模型。结果表明:该方法对蛋壳表面的亮斑、微小裂纹及普通裂纹均具有识别能力,模型正确率达97.5%,符合蛋品企业对蛋壳裂纹检测的精度要求。     

鸡蛋敲击响应特性与其新鲜度的相关性

利用声音采集装置获取声音特征参数,通过试验检测对应鸡蛋的新鲜度(哈夫单位).采取有效的声音信号处理,提取功率谱、共振峰频率、坐标轴方向的质心以及幅值作为声音检测鸡蛋新鲜度的特征参数,建立了与新鲜度之间的关系模型,经检测该模型判断鸡蛋新鲜度的正确率可达78%.检测结果表明,鸡蛋敲击响应特性的共振峰频率随鸡蛋新鲜度的下降而成阶梯状的降低.     

基于计算机视觉和神经网络的鸡蛋新鲜度检测

为了提高鸡蛋新鲜度分级的准确率,利用计算机视觉技术,通过所搭建的鸡蛋透射光图像采集系统获取鸡蛋透射光图像信息,提取鸡蛋的5个形状特征和6个颜色特征参数,结合BP神经网络与鸡蛋的哈夫单位值进行对照,从而建立鸡蛋新鲜度检测分级模型。其训练集和测试集的分级正确率分别为99.583 3%和98.333 3%。该分级模型的分级正确率达98.000 0%以上,具有较好的泛化功能及鲁棒性。结果表明,用鸡蛋的形状参数与颜色参数,结合神经网络对鸡蛋新鲜度分级是可行的,具有较高的分级正确率。     

淅川乌鸡蛋壳质量性状分析

[目的]分析淅川乌鸡的蛋壳质量性状,为品种资源普查提供素材。[方法]在农户散放饲养的鸡中随机收集51枚鸡蛋,对鸡蛋的蛋壳颜色、蛋壳重占总蛋重的比例和不同部位蛋壳厚度进行测定。[结果]蛋壳颜色为浅灰色、灰色、深灰色和浅褐色4种,各自所占比例为19.61%、54.90%、11.76%和13.73%;蛋壳重占总蛋重的比例平均为11.89%;平均蛋壳厚度0.335 mm,大多数鸡蛋的蛋壳锐端厚度比钝端和中间高。[结论]可为该品种蛋品开发提供一定的依据。     

基于BP神经网络的油松人工林树高模型研究

通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1）贝叶斯归一化（BR）算法在6种算法中表现最佳,R²和MSE分别为0.963 0和1.168;2）不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数（R²）随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差（MSE）呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3）当输入因子为胸径和优势树高时,油松人工林的最优模型结构为（输入层节点数:隐含层节点数:输出层节点数为2∶10∶1）,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数（R²）和均方误差（MSE）分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。     

基于LSTM的柑橘幼苗蒸发量预测

将柑橘幼苗作为试验对象,利用传感器采集空气相对湿度和温度,以基质相对湿度、温度和EC值作为环境因子,采用称重法实时采集作物的质量变化量作为作物的蒸发量;以环境因子为模型输入,作物蒸发量为模型输出,构建长短期记忆神经网络(LSTM)预测模型,优化后的最优模型结构以及训练参数包括LSTM模型的隐藏层1层,隐藏层节点数为120,迭代样本数为128,训练迭代次数为175,网络的激活函数选择tanh函数,学习率为0.001,时间步长为72。LSTM预测模型的决定系数(R²)、均方根误差(RMSE)、平均绝对误差(MAE)分别为0.993 9、0.015 5 g、0.011 3 g;与循环神经网络(RNN)、门控循环单元(GRU)的预测效果进行对比,LSTM预测模型的预测蒸发值更接近真实蒸发值,预测结果相对误差范围波动最小,RMSE、MAE最小,R²最大,说明这3种模型中LSTM预测模型的预测效果最佳。     

基于BP神经网络的马尾松人工林胸径-树高模型预测

  目的  马尾松Pinus massoniana是中国南方主要用材树种,建立高效的马尾松人工林胸径-树高预测模型,可为马尾松人工林经营提供理论指导。  方法  以贵州省黔中地区马尾松人工林为研究对象,基于82块样地(25 m×25 m)的4 284株马尾松单木数据,选取6个常用的广义非线性模型进行拟合,从中筛选出拟合效果最好的模型。使用相同的数据确定最佳隐层节点数量后,经过反复训练建立基于BP神经网络的马尾松胸径-树高预测模型。  结果  在6个广义非线性模型中,拟合效果最佳为Korf模型(R2=0.650);马尾松适宜的隐藏层节点数为2,适宜的模型结构(输入层节点数∶隐藏层节点数∶输出层节点数)为1∶2∶1,模型预测精度达0.717。  结论  广义非线性模型能较好地拟合马尾松人工林胸径-树高关系,但与BP神经网络模型相比,BP神经网络不需要依赖经验模型,也不用模型筛选,而且BP神经网络模型具有较高的决定系数和较低的均方根误差,拟合精度优于广义非线性模型。图5表5参35     

零型海岛棉不同叶位叶片光合色素含量分析

1995年在16个零式果技类型海岛棉品种的苗期至盛铃期,测定了棉株主茎子叶至第16叶位叶片的光合色素含量。结果表明;测定叶位叶片的叶绿素a、b、（a＋b）和类胡萝卜素的含量平均分别为328、1．29、457和1．15mg·dm－2,叶绿素a／b和叶绿素总量／类胡萝卜素平均为2．54和4．02;所测光合色素性状在供试品种间和叶位叶片间均存在极显著的差异性;子叶和5～16叶位叶片的叶绿素a、b、（a＋b）和类胡萝卜的含量分别与各叶位叶片的平均值呈显著正相关;所有叶位叶片的叶绿素a、b、（a＋b）含量之间以及这三者与类胡萝卜素含量之间分别呈高度平行关系。5～12节位叶片较高的光合色素含量是零型海岛棉结铃中段优势的光合生理基础。上述结果为海岛棉高光效育种提供了理论基础,对高产栽培具有重要的指导意义。     

东北水稻叶片SPAD遥感光谱估算模型

为通过构建高精度SPAD遥感估算模型,实现对水稻叶片叶绿素含量进行实时无损的监测,以东北地区多时期不同施氮水平下水稻叶片光谱反射率为研究对象,采用回归模型与BP神经网络算法构建不同输入量的SPAD高光谱估算模型,通过模型精度评价指标决定系数R~2、均方根误差RMSE,确定最优输入量和最优模型。结果表明:1)不同品种水稻成熟时期不同导致在孕穗期和抽穗期之间光谱反射率出现差异;2)回归模型中以DVI(D755,D930)为变量建立多项式模型估算精度最高;3)与回归模型相比,不同波长处单波段反射率作为输入量的BP神经网络模型估算精度显著提高,R~2为0.98。BP神经网络模型在隐藏节点数为7时估算精度达到稳定,在可见光和近红外处经过不同波段反射率作为输入量的尝试说明神经网络模型较为稳定,可以用来反演叶绿素相对含量。     

基于星-机光谱融合的棉花叶片SPAD值反演

【目的】为提高棉花叶片叶绿素含量的反演精度,并掌握其在山东省夏津县的空间分布特征。【方法】本研究以山东省德州市夏津县为研究区,以夏津县大李庄棉田为试验区,通过SPAD（soil and plant analyzer development,SPAD）仪实地测定试验区棉花叶片叶绿素含量的相对值（SPAD值）,并获取同期试验区无人机（unmanned aerial vehicle,UAV）近地多光谱图像和研究区Sentinel-2A MSI（MSI）卫星影像;然后分别基于UAV和MSI的光谱反射率,构建并筛选最优光谱参量,采用多元线性回归（multiple linear regression,MLR）建立SPAD值定量反演模型;最后采用二次多项式拟合法融合UAV和Sentinel-2A MSI对应的最优光谱参量,对比分析融合前后模型效果,优选最佳反演模型,实现研究区SPAD值反演。【结果】研究表明,(REG-R)/(REG+R)、R/G、CL(red edge)、NDVI可作为SPAD值的最优光谱参量;基于UAV图像的定量反演模型精度优于基于MSI影像的模型;基于二次多项式拟合后建模R ²提高了0.015—0.057,RMSE降低了0.457—0.638,验证R ²提高了0.040—0.085,RMSE降低了0.387—0.397,RPD提高了0.020—0.139;将融合后的MSI光谱参量代入基于UAV图像的反演模型（Fused MSI-Mod_UAV）,也可获得较高的反演精度,建模R ²达0.672,RMSE为3.982,验证R ²达0.713,RMSE为3.859,RPD为1.685;基于上述模型进行研究区棉花叶片SPAD值反演分析,试验区整体呈南高北低的分布趋势,研究区呈中间低、四周高的分布趋势,均与实地情况一致,具有较好的预测效果。【结论】采用二次多项式拟合法融合无人机和卫星影像数据,可较好地实现区域高精度作物生长指标的定量反演,研究结果可丰富多源遥感融合理论与技术,为后续棉花长势监测与精准生产提供技术参考和数据支持。     

径向基函数在无单元方法中的应用

采用基于径向基函数的无单元法求解微分方程，探讨2种径向基函数的性质。得到了基函数中自由参数与求解精度的关系曲线，以及节点均布时自由参数最佳取值的计算公式及其数值；将节点均布下得到的自由参数取值公式应用于节点任意排列的情况，其求解精度仍能得到保证；比较了无单元方法在节点均布与否2种情况下的计算精度，其求解结果变化不大，均满足精度要求，说明这种无单元法对节点位置不敏感。     

雷竹早产高效栽培技术

为雷竹笋用林提早出笋和增加产量而进行的栽培试验结果说明：整个试验地平均产量比对照增加２４．７％，最高试验小区产量比对照增加７８．１％。整个试区的出笋期比对照提早２０－３５ｄ，最早的试验小区比对照提高５５ｄ。由于产笋量增加，出笋期提早，使更大量的鲜笋高价供应春节节日市场，平均产值比对照增加２６７．３％，纯收入增加３２１．４％，最好试验小区的产值和纯收入分别增加４９５．３％和５３１．２％。从投入产出比     

雷竹早产高效栽培技术

为雷竹笋用林提早出笋和增加产量而进行的栽培试验结果说明:整个试验地平均产量比对照增加24.7%,最高试验小区产量比对照增加78.1%。整个试区的出笋期比对照提早20～35d,最早的试验小区比对照提早55d。由于产笋量增加,出笋期提早,使更大量的鲜笋高价供应春节节日市场,平均产值比对照增加267.3%,纯收入增加３321.4%,最好试验小区的产值和纯收入分别增加495.3%和531.2%。从投入产出比来看,试区平均在1:4以上,最高试验小区可达1:12。选定的最优方案是在11月底至12月初施入尿素75g/m-2后,即刻覆盖竹叶30cm厚度。     

近红外光谱法对茶叶中游离氨基酸含量的快速测定

为建立一种快速检测茶叶中游离氨基酸含量的方法,应用近红外光谱分析技术对贵州省不同产地的162个绿茶样品中的游离氨基酸含量进行检测,并结合偏最小二乘法(PLS),建立茶叶中氨基酸含量的预测模型。结果表明:通过标准归一化(SNV)光谱预处理,光谱范围选择6 657.74～6 178.16、5 793.11～5 688.98、4 493.33～4 350.62cm-1,主因子数为11,得到模型的内部交互验证相关系数(R)为0.981 56,交互验证均方差(RMSECV)为0.501;模型的预测值与实测值的相关系数为0.998,预测均方差(RMSEP)为0.312,稳定性试验得到的相对标准偏差(RSD)小于0.4%。综合分析,傅里叶变换红外光谱法与化学计量学方法相结合可以实现茶叶游离氨基酸的快速检测,满足检测要求。