基于改进残差网络的田间葡萄霜霉病病害程度分级模型

针对传统葡萄霜霉病人工诊断分级方法低效且存在滞后性的问题,提出了一种改进残差网络的田间葡萄霜霉病识别及病害程度分级模型.在田间采集霜霉病前期、中期、后期以及健康叶片图像,并模拟天气、拍摄角度及设备噪声等影响因素进行数据增容;基于不同发病程度叶片间特征相似度高、区分难度大的特点,在优选ResNet-50模型的基础上,为解...     

基于本体与认知经验的农业机器人视觉分类决策方法

基于小样本数据下认知经验知识辅助计算机进行决策,对实现农业领域机器人智能认知决策与助力智慧农业发展具有重要意义。本文在统计计数、支持向量机（SVM）等图像属性信息学习方法基础上,使用Protégé等工具,基于认知经验构建水果识别分类的专业知识库;然后根据图像颜色与形状信息,进行知识库搜索推理得到分类决策。实验在Fruit360数据集中共选择2091幅葡萄、香蕉、樱桃水果图像作为测试集,并各挑选30幅图像作为属性信息训练集与验证集,结果表明当前数据下葡萄与樱桃识别准确率为100%,香蕉识别准确率为93.30%。仅在知识库添加黄桃知识后,对984幅黄桃图像样本进行测试,其分类准确率为97.05%。表明本文方法能有效完成图像分类决策任务,且具有良好的过程可解释性、能力共享性和可拓展性。     

基于无人机遥感与卷积神经网络的草原物种分类方法

基于无人机高光谱成像遥感系统,在400～1 000 nm波段内采集低矮、混杂生长的荒漠草原退化指示物种的高光谱图像信息。分别在退化指示物种的开花期、结实期和黄枯期进行飞行实验,飞行高度30 m,高光谱图像地面分辨率2. 3 cm。采用特征波段提取与深度学习卷积神经网络相结合的方式,提出一种荒漠草原物种水平分类的方法,结合植物物候给出了中国内蒙古中部荒漠草原物种分类的推荐时相,总体分类精度和Kappa系数平均值分别达到94%和0. 91。研究结果表明,无人机高光谱成像遥感技术及深度卷积神经网络可以较好地实现荒漠草原退化指示物种的分类,与基于径向基核函数的支持向量机、基于主成分分析的深度卷积神经网络分类法相比,基于特征波段选择的深度卷积神经网络分类法效果最好,分类精度最高。无人机搭载高光谱成像仪低空遥感和卷积神经网络法提供了一种草原物种水平分类的途径。     

种子重力分选机预分层喂料系统设计与试验

为了提高种子重力分选机分选性能,降低设备使用调节难度,提出了种子进入分选台面的预分层工艺,设计了配套的分层喂料系统,计算确定了结构参数。在SolidWorks中建立了系统模型,采用SolidWorks-Simulation对模型工作应力和位移进行分析。采用SolidWorks-Flow Simulation对流场进行仿真和系统结构参数优化。在5TZX-50型重力分选机上进行试验,利用Design Expert 软件进行Box-Behnken响应面分析,建立了性能指标与影响因素的数学回归模型,选出了气流速度为3.40m/s、振动频率为9.75Hz、导流板倾角为29.65°的最佳组合,该组合下除轻杂率和除重杂率试验值为95.12%和96.37%。试验表明,除杂率与目标优化预测值的误差不大于1.36%,分层喂料系统满足设计要求。     

基于RNMU的多源星载SAR影像融合与土地覆盖分类

为充分利用多时相、多极化SAR数据在不同土地覆盖类型中的后向散射特性,将递归非负矩阵下近似(Recursive nonnegative matrix underapproximation,RNMU)算法引入多源SAR数据的融合,并利用融合后的SAR影像实现较高精度的土地覆盖分类。融合过程中,在根据不同模式SAR影像特点进行多源SAR影像预处理的基础上,基于RNMU算法通过对多个输入SAR影像进行矩阵分解及迭代最优矩阵求解,得到融合影像。为验证融合后SAR影像在土地覆盖分类中的应用效果,以吉林省大安市为研究区,对多时相Sentinel-1的VV/VH双极化SAR数据和高分三号(GF-3)的HH/HV双极化SAR数据进行了基于RNMU的影像融合,并利用融合后的SAR影像进行研究区主要土地覆盖类型分类。实验结果表明,基于RNMU融合影像的土地覆盖分类总体精度达93. 11%,Kappa系数为0. 86,与Gram-Schmid(G-S)融合方法相比,分类总体精度提高了6. 83个百分点,Kappa系数提高0. 12。多源SAR融合为SAR影像融合提供了有效手段,为土地覆盖分类提供了更多高精度的数据资源。     

基于随机森林的高寒湿地地区土地覆盖遥感分类方法

高寒湿地是青藏高原典型独特的生态系统,是全球气候变化的敏感地带和预警区。利用遥感技术快速、准确地分类提取高寒湿地的土地覆盖信息,对当地生态安全监测和保护具有重要意义。本文以若尔盖湿地国家级自然保护区为研究区,首先,以高分一号(GF-1)遥感影像为数据源,融合光谱特征、水体指数、地形特征、植被指数和纹理信息等26个变量进行随机森林(Random forest,RF)分类实验;然后,根据袋外数据(Out of bag,OOB)的特征变量重要性得分和精度评价结果,选出高寒湿地地区土地覆盖类型的最优分类方案和特征;最后,对特征变量进行降维,并基于相同的变量,采用极大似然法(Maximum likelihood classification,MLC)、支持向量机(Support vector machine,SVM)、人工神经网络(Artificial neural network,ANN)和RF等方法进行分类,比较不同方法的优适性。结果表明:结合GF-1影像光谱、水体、植被、纹理特征和地形信息,使用26个变量的RF模型的分类精度最高,总体精度(Overall accuracy,OA)为90.07%,Kappa系数为0.86;通过RF模型的变量重要性分析可以有效选出重要的特征信息,在降低特征变量维度的同时,还能保证较高的分类精度; 4种分类方法中,RF算法是高寒湿地地区较合适的分类方法,OA比MLC基准方法高17.63个百分点,比SVM和ANN等机器学习算法分别高6.98、6.56个百分点。     

基于无人机高光谱遥感影像的防护林树种分类

树种信息对林业资源监测和管理具有重要意义,及时准确地掌握树种及长势状况是防护林工程建设与效益评价的基础。为研究利用无人机高光谱数据进行防护林树种分类的效果,选取典型区域使用Matrice600型六旋翼无人机搭载Rikola高光谱成像仪获取高光谱影像,基于支持向量机-递归特征消除算法（SVM-RFE）选取原始波段最佳组合,再结合纹理特征、植被指数和数理统计特征,使用随机森林算法对所有特征进行重要性评估并与分类精度相结合进行特征优化,进而构建高光谱影像全波段、原始波段最佳组合、全部特征变量、基于随机森林（RF）特征优化后特征变量4种分类方案,分别采用最大似然法（MLC）、支持向量机（SVM）、随机森林对防护林优势树种进行分类。结果表明：所提出的基于交叉验证的SVM-RFE算法选出的原始波段组合能更好地还原原始光谱特征;通过RF算法的特征重要性分析与分类精度相结合的方法可以有效选出重要特征,当使用全部特征的85%（包括17个光谱特征、3个纹理特征、5个植被指数和3个数理统计特征）进行分类时,总体精度最高为9593%（Kappa系数为0.9475）;所有特征中植被指数特征最重要,3种分类方法中RF算法分类总体精度（OA）最高。     

Scale stocking checks to differentiate between hatchery-reared and wild mulloway Argyrosomus japonicus

Abstract  Scales from hatchery-reared, stocked and wild mulloway Argyrosomus japonicus (Temminck and Schlegel) captured in the Georges River, and a library of mulloway scales from coastal New South Wales, were examined for the presence of scale checks. Checks specific for hatchery-reared fish were present in 100% of recaptured hatchery-reared mulloway; the origin of which was confirmed by the presence of a chemical mark in the otolith or fin spine. Up to 7% of wild mulloway were incorrectly classified as hatchery-reared on the basis of these checks. An abrupt reduction in salinity from 35 to 5 and 6 days starvation successfully induced checks in the scales of hatchery-reared mulloway. The marking efficiency for stocking checks was comparable to that obtained using oxytetracycline hydrochloride, and supports the short-term use of scale stocking checks to evaluate mulloway stock enhancement programmes in Australia.     

Inter-river, -annual and -seasonal variability in fecundity of Atlantic salmon, Salmo salar L., in rivers in Newfoundland and Labrador, Canada

Abstract  Fecundity is an integral component of the calculation of Atlantic salmon, Salmo salar L., egg depositions in rivers. Fecundity determinations can be time consuming and prohibitively expensive in terms of application on a broad scale. Consequently, where river specific and annual data are not available, default means are used in calculations in Newfoundland and Labrador. It is important therefore to know the extent of variability among rivers, years and seasons and the potential error involved in using default values. Annual fecundity data were available for one river in Labrador and nine rivers in Newfoundland. Fecundity was determined from ovaries collected in the recreational fishery in the summer for all 10 rivers. For three of these rivers, fecundity determined from summer sampling was compared with that obtained from sampling at time of spawning in autumn. There was significant variability in fecundity with length as a covariate among rivers, years and seasons. Mean number of eggs per female decreased between 8.3% and 29.0% from summer to autumn while mean number of eggs per cm decreased from 5.0% to 28.5%. Depending on the measure of relative fecundity used (no. of eggs kg⁻¹ or no. of eggs cm⁻¹), results of simulations showed that estimates of egg deposition incorporating defaults can deviate from those obtained by applying year-specific and river-specific values by 50–75%, without adjusting for the seasonal reduction in fecundity, and by 30–50% with an adjustment. A sensitivity analysis revealed that of three parameters used in the calculation of egg deposition (size, percent female and fecundity), fecundity was the most influential.     

基于GF-1影像面向对象分类方法的水稻种植信息提取研究

应用遥感技术提取水稻种植信息是农业遥感的重要内容。GF-1卫星WFV数据为农业信息提取提供了新的途径,面向对象的分类方法是遥感解译的重要方法。本研究以扬州市为研究区域,基于GF-1影像WFV数据,采用面向对象的分类方法,提取水稻种植信息,并实地调查验证试验结果,试图探讨GF-1数据面向对象分类方法在水稻种植信息提取中的可行性与影响提取精度的因素。结果表明,应用GF-1数据,采用面向对象的分类方法能够很好地完成扬州市水稻种植信息的提取,2016年扬州市有水稻种植面积214 524 hm~2,总体精度达到98.5%,Kappa系数0.95,面积精度达97.5%;实地考察能够提高提取精度,地形破碎程度越低,提取精度越高。