农业院校创业教育及其培养轮廓——基于对多省市农业院校的调查

基于对多省市农业院校的问卷调查,描述分析了大学生的创业印象、创业需求和创业教育。数据表明,农业院校对创业教育的重视程度较高但不够符合学生的创业需求,存在教育理念滞后、教学方式单一、指导帮扶不到位等问题。因此,对不同阶段大学生的创业教育进行比较研究,探讨农业院校创业教育的培养轮廓。研究表明,各年级创业教育水平较低,有着"更集中于低年级开展创业教育,随着年级的升高反而递减,毕业年级显著低于其他年级"的特征;培养轮廓为创业通识教育水平最高,主要在大一年级开展,创业专业教育和技能教育水平最低,大二年级倾向于专业教育,大三年级更倾向于技能教育,创业思政教育水平比较均衡,但在毕业年级更为突显。     

基于轮廓特征的猪行为识别方法研究

[目的]提出一种基于轮廓特征的目标识别方法对猪的行为进行分类和识别。[方法]先采用背景减除法提取运动目标的轮廓,并利用HSV彩色空间模型的色度和饱和度信息消除阴影对目标检测的影响,再运用其轮廓的边界矩特征构建一个轮廓特征向量模型,分析比较待测行为姿态轮廓特征向量与每类标准模板之间的欧氏距离,对猪的4种行为即正常行走、低头站立、抬头站立和躺卧进行分类。[结果]该方法能够有效对猪的4种行为进行分类,准确率达80%以上。[结论]该项研究对养殖场中猪的精神状态和异常行为识别进行了有益的探索。     

基于投影算法和活动轮廓模型的真实叶面积指数计算

为了准确获得树木的真实叶面积指数（LAIa) ,提出一种基于投影算法和测地线活动轮廓模型的计算方法。首先对激光扫描仪获取的树木点云数据通经一定比例缩放在一个球的上表面,再通过球极平面投影和Lambert方位角等面积投影将上球面图像投射到平面上,借助地理学上纬度线的概念来表征不同高度叶子的天顶角,通过统计学方法获取叶倾角,然后用测地线活动轮廓模型对投影后的图像进行叶面部分分割,获取孔隙率。根据Beer-Lambert定律即可计算有效叶面积指数（LAIe）。真实叶面积指数的获取则通过有效地分层处理,解决叶子的重叠问题。最后将得到数据与实测叶面积指数进行比较,证明该方法的准确性、可行性。     

基于全卷积网络的生猪轮廓提取

【目的】实现猪舍场景下非接触、低成本的生猪轮廓高效提取。【方法】以真实养殖环境下的生猪个体为研究对象,提出一种基于VGG16与UNET相结合的全卷积神经网络模型(VGG-UNET模型)。该模型采用批处理方法,迁移学习VGG16模型参数,通过在模型中构建复制通道深度融合图像深层抽象特征与浅层特征,实现对图像语义级别分割。在30头长白生猪的1 815张数据集上进行模型验证,通过设置不同批大小对比试验,并选取其中具有最佳效果的3组探讨批大小与评价指标值变化趋势间的关系。【结果】测试集上的对比试验结果表明,VGGUNET模型在像素精度与均交并比方面分别达到94.32%和86.60%,比单独采用UNET模型分别高出0.89%和1.67%。不同指标值变化情况与批大小间的关系不尽相同。在本文试验环境下,批大小对模型收敛速度的影响不明显。不同批大小条件下PA及MIoU指标值变化综合分析得出,VGG-UNET模型具有较强稳定性和较高鲁棒性;批大小为8的情况下VGG-UNET模型效果最佳。【结论】本文提出的生猪轮廓提取方法 (VGG-UNET模型)是有效的,能实现精确、稳定的生猪轮廓提取,且分割结果较为完整,同时模型具有较高鲁棒性,可为后续生猪个体识别研究提供参考。     

基于形色筛选的苹果园羽化害虫粘连图像分割方法

针对苹果园害虫识别过程中的粘连问题,提出了一种基于形色筛选的害虫粘连图像分割方法。首先,采集苹果园害虫图像,聚焦于羽化害虫。害虫在羽化过程中已完成大部分生长发育,其外部形态、颜色、纹理更为稳定显著。因此,基于不同种类害虫的形色特征信息分析,来获取害虫HSV分割阈值和模板轮廓。其次,利用形状因子判定分割粘连区域,通过颜色分割法和轮廓定位分割法来实现非种间与种间粘连害虫的分割。最后,对采集的苹果园害虫图像进行了试验分析,采用基于形色筛选的分割法对单个害虫进行分割,结果表明,本文方法的平均分割率、平均分割错误率和平均分割有效率分别为101%、3.14%和96.86%,分割效果优于传统图像分割方法。此外,通过预定义的颜色阈值,本文方法实现了棉铃虫、桃蛀螟与玉米螟的精准分类,平均分类准确率分别为97.77%、96.75%与96.83%。同时,以Mask R-CNN模型作为识别模型,平均识别精度作为评价指标,分别对已用本文方法和未用本文方法分割的害虫图像进行识别试验。结果表明,已用本文方法分割的棉铃虫、桃蛀螟和玉米螟害虫图像平均识别精度分别为96.55%、94.80%与95.51%,平均识别精度分别提高16.42、16.59、16.46个百分点。这表明该方法可为果园害虫精准识别提供理论和方法基础。     

基于轮廓纹理特征和线性判别分析的鲜烟叶部位识别方法

为实现鲜烟叶采收部位的数字化识别,进一步提升采收鲜烟叶素质的一致性,利用轮廓纹理特征和线性判别分析（LDA）技术对不同着生部位鲜烟叶进行研究,首先,对采集的鲜烟叶图像进行图像缩放、灰度化、二值化等预处理操作,提取狭长度、矩形度等4个轮廓特征参数,进而提取鲜烟叶图像的灰度共生矩阵（GLCM）特征,并通过LDA进行特征降维,之后利用K近邻算法（KNN）对鲜烟叶部位进行分类。结果表明,所提取未经降维处理的轮廓纹理特征在不同分类模型中的识别准确率均达到0.80以上,可有效反映鲜烟叶部位特征。相对于主成分分析（PCA）处理和未经降维处理,采用LDA降维处理的模型识别准确率最高。所构建的基于KNN算法的鲜烟叶部位识别模型,其精确率、召回率、F1分数、准确率均达到0.99,能够较好地识别鲜烟叶着生部位。     

基于CSJMM-AS-GAC的马陆葡萄病虫害识别研究

为了提高马陆葡萄病虫害的识别准确率,有效地进行马陆葡萄病虫害防控,对测地线活动轮廓模型（GAC）进行改进,通过引入动态系数函数将马陆葡萄病虫害图像边界区域与非边界区域进行精确划分,从而实现准确分割病虫害图像模糊和凹陷边界,提出并建立了精确分割测地线活动轮廓模型（ASGAC）。接下来为了克服复杂背景下训练样本不足造成的误差,提出了Core损失函数,建立了CoreSoftmax联合监督机制（CSJMM）,从而确立了基于CSJMM的精确分割测地线活动轮廓模型（CSJMM-ASGAC）。结果表明,CSJMM-AS-GAC训练集初始准确率为65.46%,验证集准确率为95.67%,测试集准确率为93.95%,Kappa系数达到0.913 8,召回率达到89.21%,CSJMM-AS-GAC对于马陆葡萄病虫害识别准确率达到94.06%。CSJMM-AS-GAC的整体性能、识别准确率、召回率等指标都优于常用的病虫害识别模型。     

基于轮廓曲率和距离分析的重叠柑橘分割与重建

自然环境下重叠果实的精准识别是智能采摘面临的难题之一。针对自然环境中成熟的重叠柑橘,提出了一种基于轮廓曲率和距离分析的果实分割方法。首先,提取重叠柑橘果实轮廓并进行高斯平滑,通过曲率分析,找出异常的轮廓像素点;其次,依次连接相邻两个异常像素点,分析该线段上的像素点到轮廓的距离,在相邻两正常线段的交点处完成重叠柑橘轮廓分割,并通过寻找异常线段剔除对应的非柑橘轮廓像素点;在此基础上,采用最小二乘椭圆拟合方法,对获取的柑橘目标进行轮廓重建。结果表明：利用该方法所得到的重叠柑橘重建轮廓的平均误差、不重合度和时间分别为4.903%、5.593%、0.408 s,优于Hough变换算法和RANSAC算法,能够满足自然环境下成熟重叠柑橘果实的智能识别需求。     

基于轮廓坐标系转换拟合的柚子果形检测分级方法

针对柚子果形和尺寸分级依赖人工经验判断的现状,本研究提出一种采用轮廓坐标系转换拟合、果形特征提取结合方向角补偿算法检测柚子纵、横径尺寸并基于果形指数对柚子形状缺陷进行判断的方法.以CMOS相机、点阵式LED光源、平面镜、计算机、箱体和支架搭建图像采集装置,获取168个不同尺寸与形状等级的沙田柚样本全表面图像数据.选择G...