猪舍有害气体测定与温度智能控制算法

为解决H2S传感器与NH3传感器的交叉敏感问题,充分利用传感器输出信号所包含的气体分子反应过程频谱特性,将小波变换与遗传算法相结合用于猪舍有害气体测定特征提取,较好地提高了有害气体测定的有效性。结果表明,该方法使BP神经网络的定性测定准确率达92%,定量测定的平均测定精度达87%。设计模糊控制算法对猪舍温度进行智能控制,Matlab仿真试验表明该控制算法使系统反应时间短,稳态误差低,较好满足了猪舍温度控制的要求。     

青海省东部高原农业区参考作物蒸散量的时空变化

为了确定变化环境下青海省东部高原农业区合理的作物灌溉制度,对参考作物蒸散量进行了时空变化分析。采用Penman-Monteith公式以及12个气象站的气象资料计算了青海省东部农业区1960-2006年参考作物蒸散量,用Mann-Kendall检验、Morlet小波分析、以及GIS的空间分析功能,分析了参考作物蒸散量的时间、空间变化特征。结果表明:从时间尺度上看,研究区平均参考作物蒸散量随时间呈显著的下降趋势,突变的时间约为1974年,主周期为25a左右,在这个时间尺度上参考作物蒸散量表现为多→少→多3个循环交替的过程。从空间尺度上看,参考作物蒸散量南高北低,东高西低,在东南-西北方向上递减,具有明显的地区差异,夏季参考作物蒸散量分布在很大程度上影响了全年参考作物蒸散量的分布特征。影响参考作物蒸散量的主要气象因素为日照时数、风速。海拔高度与参考作物蒸散量呈显著的负相关关系,海拔高度是造成参考作物蒸散量地区差异的另一主要原因。     

基于小波分析的车辆变速箱故障检测的研究

利用离散正交小波变换，把车辆变速箱的振动信号进行多层小波分解，使其突变信号和非平稳信号与平稳周期性信号分开，并进行图形显示，为车辆变速箱故障检测提供理论依据。     

基于多光谱图像融合和形态重构的图像分割方法

一些成熟的瓜果果实在单一的光谱图像中,果与叶的灰度值只存在微小差异,常用的图像分割方法不足以把果与叶区分开,为此,提出一种基于多光谱图像融合的形态学重构分割方法。首先,采集同一目标的可见光彩色图像和近红外图像,对此多光谱图像分别采用主成分分析（PCA）、小波变换以及可见光图像H分量与近红外图像NIR的算术组合（NIR/H）等方式进行融合处理;然后,对融合图像进行形态学重构分水岭分割。多幅苹果和番茄图像的目标提取试验结果表明,对可见光图像和近红外图像的PCA和小波变换融合图像进行形态学重构分水岭分割,可以得到较好的分割效果,尤其是小波变换融合图像的形态学重构分水岭分割效果更具有自适应性。     

滑坡变形的多因素小波神经网络预测模型

小波神经网络模型结合了小波变换良好的时频局域化性质及传统神经网络具有的自学习功能,具有良好的逼近与容错能力。以某水电工程区的典型滑坡为例,在对滑坡的基本特征、滑坡变形与主要影响因素相关关系进行分析的基础上,选择滑坡位移速率和对滑坡位移起控制作用的降雨2个因素,建立了滑坡变形的小波神经网络预测模型,并与其他多因素小波神经网络模型进行了比较。结果表明,所建的滑坡多因素小波神经网络模型的预测精度总体均比较高,其中以位移速率和降雨量建立的2因素小波神经网络模型的预测精度最高,优于其他小波神经网络模型。     

基于图像融合技术的大豆图像滤波方法研究

基于机器视觉的大豆外观品质检测一直是近年来研究的热点,其中大豆图像的滤波是大豆外观品质检测的重要工作内容之一。为了更好地去除大豆图像的噪声,提出了一种基于图像融合技术的大豆图像滤波方法。该算法对一个样本图像分别进行维纳滤波和形态学滤波,在此基础上进行基于小波变换的图像融合算法,有效解决了图像边缘毛刺现象。实验证明,此方法保证了图像的细节和边缘的完整性,图像滤波效果良好。     

基于卷积神经网络与奇异值分解的水电机组故障诊断方法研究

提出了一种结合卷积神经网络,小波变换和奇异值分解理论的水电机组故障诊断方法.利用卷积神经网络提取机组轴心轨迹的图像特征;通过离散小波变换对摆度信号进行分解,获得信号的小波分解系数,对各分支系数进行重构,构造奇异值分解输入矩阵,提取矩阵奇异值作为特征向量.将两种方法提取的特征进行组合,构建包含图像特征和波形特征的混合特征...     

基于小波变换与卷积神经网络的羊脸识别模型

为解决养殖场条件下羊只的个体识别问题,本文基于小波变换与卷积神经网络,提出一种融合频域特征与空间域特征的羊脸识别模型DWT-GoatNet。首先采集总计30只高相似度西农萨能奶山羊日间、夜间两种不同光照环境下的面部图像,基于SSIM指标剔除其中相似度过高的样本,接着进行图像裁剪,并通过模糊、调整亮度、平移、旋转、加入噪声、缩放等方法完成数据增强;然后,设计基于二维离散小波变换(2D-DWT)与卷积运算的羊脸特征提取模块,完成特征融合;之后,以前述羊脸特征提取模块为基础,添加分类模块,进行卷积神经网络搭建;最后,进行超参数组合寻优,形成羊脸识别模型。试验结果表明,本文所构建的羊脸识别模型在日间、夜间两种不同光照环境下测试集上识别准确率分别可达99.74%和99.89%,高于AlexNet、VGGNet-16、GoogLeNet、ResNet-50、DenseNet-121等经典卷积神经网络模型,说明所构建模型适用于羊只的个体识别,为精准养殖、农险理赔领域相关工作提供了有效解决方案。     

基于GNSS的农田平整定位精度优化与试验

基于全球卫星导航系统（Global navigation satellite system, GNSS）农田平整作业中,GNSS定位数据不仅是地形测量和基准面设计的基础,而且在平地作业中实时影响农田平整的精度。针对当前GNSS定位数据误差分析较少,提出一种基于联合滤波算法的GNSS定位数据分析处理方法。分析平地作业过程中GNSS定位数据的误差源,结合多路径效应和随机噪声,提出因地形起伏引起的振动误差校正方法,利用卡尔曼、小波变换联合滤波算法,校正数据误差提高定位精度,农田定位对比试验分析表明,高程定位精度明显提高,平地工作中,GNSS定位实际高度波动范围缩小20%,能够更好的指导农田平整工作。     

小波变换与分水岭算法融合的番茄冠层叶片图像分割

在基于机器视觉的作物营养诊断研究中,通常需要采集叶片样本并在实验室条件下定量测定其营养素含量,但由于叶片间相互重叠,往往使得叶片样本不能清晰地反映在群体番茄冠层图像中。为了解决这一问题,需要利用图像分析技术有效提取作物冠层图像中的叶片,并根据处理结果采集实验室测定样本。本文从复杂背景剔除、梯度图计算、小波变换、标记选取、分水岭分割等环节出发,实现了基于小波变换与分水岭算法融合的番茄冠层多光谱图像叶片分割。首先对比了4种复杂背景剔除算法,发现当增强因子a=1.3时,基于归一化植被指数(Normalized difference vegetation index,NDVI)的阈值分割目标提取准确,适合各种光照条件,时空复杂度低。其次在梯度图计算方面,近红外(Near infrared,NIR)波段图像形态学梯度在保持目标边缘的同时,能消除大量由叶脉、光照等引起的叶片内纹理细节。然后以小波分析为基础进行标记选取,发现当选取db4小波函数、4层小波分解低频系数、阈值为18的H-maxima变换能得到最优的目标标记结果。最后对多光谱番茄冠层图像的小波变换分水岭分割和数学形态学分水岭分割结果进行叠加,发现对复杂背景及不同光照强度下的番茄冠层叶片平均误分率为21%,为基于多光谱图像分析的番茄叶片营养素含量检测提供了一定的技术支持。