大蒜鳞芽方向识别的实验研究

着重分析了大蒜播种机的现状和不足,提出了一种新的大蒜鳞芽方向识别的方法.在采用勺链式结构排种器的基础上,研究了大蒜鳞芽方向识别的结构及大蒜鳞芽方向调整的实现方法,并对识别控制装置进行了构建和试验.试验结果证明,该方法能完成大蒜鳞芽方向的识别和调向控制,效果很好.     

基于粒子群优化SVM和多特征融合的鱼类分类方法研究

针对鱼类识别面临着光照强度、各背景栖息地的变化和不同物种在视觉上具有相似性等方面的问题,提出一种新的基于多特征相结合及粒子群优化SVM的鱼类分类方法。该方法采用在原始图像中提取颜色、方向梯度直方图(HOG)和灰度共生矩阵(GLCM)特征构成特征向量,并提出选择设置最佳权重比的方法进行特征融合,采用PCA技术对提取的特征向量进行降维,以消除冗余数据。结果表明,该方法在实际采集的数据集上的准确率达94.7%,同属类鱼识别最高准确率93.75%,该方法可以应用于实际的鱼类图像数据集,实现对鱼类生物多样性的有效监测。     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于改进深度残差网络的路面状态分类

智能驾驶中路面识别需要较快的实时性和较高的准确性,传统的图像分类识别技术不能很好满足该需求。针对这种情况,提出一种基于深度残差网络的路面状态识别方法,并结合残差模块构造一种新的网络模型结构。实验结果表明,改进的深度残差网络模型对建立的路面状态数据库分类识别准确率达到94.35%,证明基于改进后构造的卷积神经网络具有较好的分类准确度。     

基于卷积神经网络的家蚕病害识别研究

病害是我国养蚕业健康发展面临的主要威胁之一,为研究机械化养蚕模式下的家蚕病害防治方法,采用卷积神经网络进行家蚕病害图像的识别研究。首先在实际环境下,采用饲养和添食病原的方法,集中获取家蚕品种芳·秀×白·春在大蚕期的部分生长阶段下患脓病、微粒子病、白僵病、细菌病、农药中毒以及健康状态的样本,并开展图像采集工作,构建出家蚕病害图像数据集。其次采用特征融合和缩减结构的方法,对残差神经网络进行部分改进,以避免直接使用该算法会导致不必要的计算耗损。最后进行家蚕病害识别试验。结果表明:卷积神经网络能够高效准确识别家蚕病害图像,使用改进的算法在测试集上的准确率达到94.31%,与标准的残差神经网络准确率相当,但训练的参数量仅为原来的1/3,且识别效率大幅提升,更有利于网络的训练与部署。     

基于模拟退火算法-支持向量机的储粮害虫识别分类

将模拟退火算法应用于粮虫图像识别中支持向量机分类器参数C和g的优化,并与网格搜索法优化结果进行了对比,结果表明参数优化速度提高了3.91倍,分类器的识别率提高了5.56%.应用SAA-SVM分类器对粮仓中危害严重的9类粮虫进行了自动分类,识别率达到95.56%.证实了基于SAA-SVM的分类器对粮虫进行自动分类是可行的.     

基于卷积神经网络的车牌识别研究

针对现有的车牌识别方法存在车牌无法定位且车牌字符无法正确分割等情况,提出了一种基于卷积神经网络的车牌识别技术。首先,设计了一套图像处理流程实现车牌定位和字符分割,然后,利用提出的卷积神经网络对车牌字符集进行训练、识别。所提方法可以达到98.54%以上的准确率,极大提高适用性和准确率。     

基于多分类SVM的水泵故障诊断的研究

为了预测水泵在运行中的故障,提高水泵运行的安全性和经济性,在分析故障诊断的基本原理的基础上,建立了水泵运行故障知识库,并运用有向无环决策图多分类算法,对水泵故障样本进行训练,建立了基于支持向量机的离心式水泵运行故障诊断模型(DAGSVM).通过实例验证表明,该模型能有效的诊断水泵的常见故障,为水泵故障诊断提供了一种新方法.     

基于SVM的多方位声散射数据协作融合鱼分类与识别

为解决基于声散射数据的鱼分类与识别问题,提出了一种基于SVM的多方位声散射数据协作融合鱼分类方法。首先,提取多方位声散射数据的小波包系数奇异值、时域质心及离散余弦变换系数特征,并进行特征融合;然后,采用支持向量机(SVM)分类器对每个方位提取的特征做出决策,并将决策结果表示成后验概率的形式,同时利用每个方位的决策概率对其他方位的决策进行加权;最后输出分类结果。采用3类鱼作为研究对象,得到不同方位数量条件下基于协作融合方法的分类正确率最终达到92%以上。试验数据处理结果表明,随着方位数量的增加,总体分类正确率呈升高的趋势,基于SVM的协作融合方法可以有效提高分类正确率。     

基于电容检测技术的蒜种鳞芽扶正装置设计与试验

针对传统机械方式鳞芽扶正率低、可靠性差等问题,提出了一种基于电容检测技术的蒜种鳞芽定向方法,搭建了相应的鳞芽检测与扶正装置,并对其结构和运行参数进行了优化。基于ANSYS电场分析验证了方法的可行性,基于EDEM仿真平台进行了接播装置结构的优化。结果表明,当接播装置底面夹角、短轴半径、长轴半径分别为80°、22.99 mm和27.79 mm时,装置性能最优,理论直立率为96.6%,物理试验验证了优化结果的可靠性。以极板参数为试验因素,以信噪比为试验指标,开展极板尺寸优化试验。结果表明,极板参数为45 mm×8 mm×0.10 mm时,装置性能最优。以金乡、苍山蒜种为试验对象,开展样机试验,正芽率为95.0%,满足大蒜播种要求。     

基于SVM快速增量算法的HACCP控制点分类

支持向量机方法已经在HACCP体系关键控制点的智能发现中取得较为满意的结果,但是在样本不断增加的情况下分类效率不高.本文采用支持向量机增量学习算法,优先选择可能成为支持向量的边界向量,减少参与训练的样本数量,进而实现增量学习.实验证明,改进的支持向量机增量算法在保证分类精度的同时,显著提高了分类速度.     

基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率,提出了一种基于特征优化和最小二乘支持向量机(LS-SVM)技术的棉田杂草识别方法.在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上,提取植物叶片的6个几何特征和7个Hu不变矩,用粒子群优化(PSO)算法对形状特征进行优化选择,缩减LS-SVM训练样本数据,然后用训练好的分类器进行杂草识别.实验结果表明,该方法在有效缩减形状特征的同时,能够保持高于原始特征集的识别率,平均正确识别率达到95.8%.     

基于SVD-CWT和CNN的水轮发电机转子故障识别

水轮发电机转子振动故障识别是水电站运维的重难点问题,为此提出一种基于转子振动信号的故障识别方法。首先针对发电机转子的非平稳和非线性振动信号,采用奇异值分解（SVD）并结合能量差分谱理论进行降噪预处理;对预处理数据使用连续小波变换（CWT）转换为时频图并形成图像数据集;然后将该图像数据集作为卷积神经网络（CNN）输入,通过CNN多层池化及卷积形成分布式故障特征表达,最终实现发电机转子故障模式识别和分类。经实验验证,该方法准确率达到99.5%以上,能有效识别出发电机转子的故障类型。     

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。     

基于特征优化和LS-SVM的棉田杂草识别

为了提高杂草识别的精度和效率,提出了一种基于特征优化和最小二乘支持向量机（LS-SVM）技术的棉田杂草识别方法。在对原始图像灰度化、滤波去噪和阈值分割等处理的基础上,提取植物叶片的6个几何特征和7个Hu不变矩,用粒子群优化（PSO）算法对形状特征进行优化选择,缩减LS-SVM训练样本数据,然后用训练好的分类器进行杂草识别。实验结果表明,该方法在有效缩减形状特征的同时,能够保持高于原始特征集的识别率,平均正确识别率达到     

基于卷积神经网络的害虫分类

农作物病虫害是一种严重的自然灾害,需要对其进行及时预测和监控,以保证农作物产量。由于害虫种类繁多以及作物在生长初期的形态相似,农业工作者难以准确识别各类作物昆虫,给病虫害的防治工作带来巨大挑战。针对这一问题,提出一种基于多尺度特征融合的网络模型(FFNet)对作物害虫进行精准识别与分类。首先,采用空洞卷积设计多尺度特征提取模块(MFEM),获取害虫图像的多尺度特征图;然后,使用深层特征提取模块(DFEM)提取图像的深层特征信息;最后,将分别由多尺度特征提取模块(MFEM)和深层特征提取模块(DFEM)提取到的特征图进行融合,从而实现以端到端的方式对作物害虫进行精准分类与识别。试验表明：所提出的方法在12类害虫的数据集上获得优异的分类性能,分类准确率(ACC)达到98.2%,损失函数Loss为0.031,模型训练时间为197 min。     

基于多尺度扩张卷积神经网络的城中村遥感识别

城中村是我国快速城市化进程中的一个特殊产物,通常存在人口密集、建筑私自改造等问题。开展城中村的识别和监测对城乡统筹规划以及精细化治理等具有重要意义。基于深度学习提出了一种新的城中村遥感识别模型,该模型包括一个多尺度扩张卷积模块和一个非局部特征提取模块,前者能够聚合多层级空间特征以适应城中村形状、尺度的变异性;后者用于提取全局语义特征以提高城中村的类间可分性。选取北京市二环与六环之间的区域作为研究区,实验结果表明本文模型取得了较好的识别效果,总体精度可达94.27%,Kappa系数为0.8839,且效果优于传统模型。本文研究表明,基于多尺度扩张卷积神经网络进行城中村遥感识别是可行且有效的,可为城乡统筹规划提供精确的城中村空间分布数据。