土壤墒情预测相关性数据耦合性试验分析

为提高墒情预测的精确度,对影响墒情变化的各个变量进行试验分析,提出在剔除与墒情变化的相关性较小变量后的一种预测方法.采用皮尔逊相关系数法对影响墒情变化的蒸发量、地温、降水、气压、日照时数、气温、风速这些变量进行分析,得出影响墒情变化的较大变量,然后针对有无降水两种状态进行二分类处理,通过ROC曲线分析,分别得出在有无降...     

基于深度残差网络的茶园杂草分类及模型压缩方法研究

为提高茶园杂草分类深度模型的准确性,减少深度模型的冗余参数问题.以茶园常见的10类杂草图像为数据样本,分别基于深度学习的ResNet50、VGGNet和AlexNet网络结构构建杂草分类模型;在此基础上,进一步利用剪枝算法压缩深度模型ResNet50.通过实验对比3个模型测试集的平均准确率分别为0.86、0.72和0.63;此外,通过对比ResNet50的茶园杂草模型在训练集和测试集上压缩前后效果,显示结果基本一致.研究表明ResNet50在这3个模型中是最优分类模型,且压缩后的深度模型ResNet50提升了模型的性能.因此,该研究也为移动端设备的分类提供了理论基础.     

土壤温度时间序列预测的LSTM神经网络研究

适宜的土壤温度是作物生长发育的重要环境因素,在作物全生育期都起着至关重要的作用,研究土壤温度的预测预报模型对农业生产具有重要意义。本试验以河北省石家庄市藁城区某试验田作为研究对象,对试验田的样本点10～30 cm深度处土壤温度的长期监测数据进行了拟合,分别建立基于LSTM神经网络的日均土壤温度预测模型和时均温度预测模型。结果表明,采用2-60-80-1网络结构的LSTM神经网络对日均土壤温度时间序列数据预测效果最优,其均方根误差(RMSE)达最小值0.603;采用2-60-80-1网络结构的LSTM神经网络对时均土壤温度时间序列预测效果最优。在对日均和时均土壤温度预测时,LSTM神经网络模型的平均的均方误差(RMSE)仅为0.665,较之BP神经网络模型降低了0.053,说明了LSTM神经网络模型用于土壤温度时间序列预测的优势,可满足土壤温度日常预报的需要。     

基于自注意力卷积网络的遥感图像分类

  目的  遥感图像分类技术在森林资源调查、生态工程规划以及森林病虫害防控等林业监测业务中,扮演着至关重要的角色。通过引入自注意力模块增强卷积网络对遥感图像的特征刻画能力,以期提高遥感图像的分类效果。  方法  该文提出了一种融合自注意力机制和残差卷积网络的遥感图像分类方法,首先利用卷积神经网络提取丰富的深度纹理语义特征,然后在卷积网络的最后3个瓶颈层嵌入多头自注意力模块,挖掘遥感图像复杂的全局结构信息。嵌入自注意力模块的卷积分类网络,能够有效提升遥感图像的分类精确度。该研究使用RSSCN7、EuroSAT与PatternNet 3个公开的遥感图像数据集,基于Pytorch深度学习库训练与测试该方法,并增加与已有分类框架算法精度和性能的对比试验。同时,使用不同批次、不同数量大小的数据训练改进研究提出的方法,并测试分类效果。  结果  试验得出,该研究提出的方法在3个遥感分类数据集上的平均识别率分别达到了91.30%、97.88%和97.37%,其中在前两个数据集上较现有的基于深度卷积网络的算法分别提升了2.26%和3.73%。同时,该算法的总参数量为2.08 × 107,较现有参数量最低的方法减少了5.2 × 106。  结论  相比已有的遥感图像分类框架,该研究提出的方法能够在图形处理器（GPU）加速的环境中,取得更为准确的分类效果。同时有效减少了模型的参数量,提高了算法执行的效率,便于后续的实际应用部署。      

育肥猪生长过程中脸部变化对识别模型准确率的影响

为探究猪脸识别模型对育肥猪猪脸生长变化的识别效果,采用深度卷积网络,对大白育肥猪生长过程中脸部变化与识别模型准确率之间的关系进行研究。结果表明:1)在预训练的DenseNet201、MobileNetV3_small、SeNet154和Xception 4种模型中,SeNet154模型猪脸识别效果最好,对验证集的识别准确率可达98.80%,选其为猪脸识别模型;2)分别用试验期间第1～2、1～3、1～4和1～5天采集的猪脸图像数据训练该模型,并分别使用第3～8、4～9、5～10和6～11天的数据逐天测试模型的猪脸识别效果发现,使用第1～4与1～5天数据训练的模型猪脸识别效果相当且优于使用第1～2与1～3天数据训练的模型。使用第1～4天数据训练的模型对第5天数据的识别准确率最高,为96.74%,其后5天的识别准确率逐天下降,到第10天为84.17%。分析认为,造成识别准确率下降的原因是猪脸生长、光照变化以及污渍附着。3)使用第(n-4)～(n-1)天(5≤n≤10)的数据重新训练动态模型后,对第n天猪脸数据的识别准确率均在95.82%以上。深度卷积网络模型在猪脸识别方面有较高的识别准确率,可以用于育肥猪的脸部识别;建议在育肥猪的猪脸识别系统中每天都使用至少前4天,且≥10 800组图像数据重新更新猪脸识别模型。     

基于拟人驾驶模型的联合收获机导航控制器设计与试验

为了解决轮式联合收获机在水稻收获作业中操作繁琐及作业质量和效率低的问题,通过采集熟练驾驶员驾驶时收获机位姿信息和驾驶员操作信息,运用神经网络构建了拟人驾驶模型并设计了一种基于拟人驾驶模型的联合收获机导航控制器。根据收获作业需求设计了一种田间套行作业路径规划方法,在保证转弯精度的同时,较好的完成收获作业;与传统PID和常规纯追踪模型相比,拟人驾驶模型控制收敛速度快0.42 s、超调减小4.0 cm,具有收敛速度快、超调小等特点。路面直角路线转向试验结果表明,当联合收获机行驶速度分别为0.62、0.82、1.02 m/s时,转弯后超调量不大于3.93 cm,在不同行驶速度下仍具有较高的鲁棒性。田间试验结果表明,联合收获机在水稻田中以0.6、0.8、1.0 m/s的速度前进时,直角转向导航跟踪转向后超调量分别不大于8.1、8.9、9.6 cm,直线跟踪部分平均绝对偏差分别不大于3.1、3.0、3.3 cm。试验结果表明,所设计的拟人驾驶模型导航控制器能较好地完成水稻收获作业自动导航。     

基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法

针对鸭蛋裂纹人工检测受主观性影响造成精度波动大等问题,利用ResNet34网络模型,提出1种基于梅尔谱图的鸭蛋裂纹识别算法。首先利用敲蛋装置收集敲蛋声音数据,再将音频转化成梅尔谱图,构建梅尔谱图数据集,然后搭建ResNet34模型,引入迁移学习机制训练模型,再通过Adam优化算法更新梯度,增加注意力机制模块并将卷积结构替换为深度可分离卷积以对网络模型进行改进,并调整参数进行优化,最后利用模型对鸭蛋裂纹进行识别。结果显示：改进的ResNet34DP＿CA网络模型检测的平均准确率为92.4%,对比原始ResNet34网络模型,平均准确率提高5.5个百分点,参数量减少32%;对比其他网络模型VGG16、MobileNetv2和EfficientNet,平均准确率分别提高10.9、13.7、16.3个百分点,识别时间为21.5 ms。结果表明,所提出的基于梅尔谱图和改进ResNet34模型的鸭蛋裂纹识别算法,能够有效地对鸭蛋裂纹进行检测识别。     

基于深度动态学习神经网络和辐射传输模型地表温度反演算法研究

【目的】地表温度反演是一个典型的病态反演问题,深度动态学习神经网络的出现提供了一条新的地表温度反演途径。文章以MODIS中红外和热红外波段作为参照模拟研究对象,利用深度动态学习神经网络和辐射传输模型(MODTRAN)进行地表温度反演研究,选择最适合于MODIS地表温度反演的波段组合,从而为国产卫星风云系列和高分数据红外波段反演地表温度提供参考算法。【方法】根据中红外波段受太阳的影响以及水汽波段的特征,将反演组合波段分成3组。第1组适合白天和晚上同时反演地表温度的组合(MODIS波段29、31、32和33);第2组适合白天的热红外波段和水汽波段组合(MODIS波段29、31、32、33和水汽波段);第3组是只适合晚上的中外波段(MODIS 20、22、23)与热红外波段(MODIS 29、31、32和33)的组合。【结果】利用辐射传输模型(MODTRAN)和深度动态神经网络(NN)反演分析表明,深度动态学习神经网络能够被用来精确地从单景MODIS数据中反演地表温度,克服了传统MODIS白天/黑夜产品算法的缺陷。3种类型的组合地表温度的平均反演误差都在1 K以下,最高精度为热红外波段与水汽波段的组合,平均最高精度为0.251 K,标准差是0.255 K,相关系数是1。【结论】利用深度动态学习神经网络和辐射传输模型彻底解决了地表温度和发射率病态反演难题,为风云系列卫星和高分数据地表温度反演算法提供参考算法模式,深度动态学习神经网络与辐射传输模型相结合反演地表温度和发射率在地表温度反演史上具有里程牌意义。     

基于改进区域卷积神经网络的田间玉米叶部病害识别

目的 引入区域卷积神经网络Faster R-CNN算法并对其改进,以实现在田间真实环境下背景复杂且具有相似病斑特征的玉米病害的智能诊断。方法 在玉米田间和公开数据集网站获取具有复杂背景的9种常见病害图像1 150幅,人工标注后对原始图像进行离线数据增强扩充;对Faster R-CNN算法进行适应性改进,在卷积层加入批标准化处理层,引入中心代价函数构建混合代价函数,提高相似病斑的识别精度;采用随机梯度下降算法优化训练模型,分别选取4种预训练的卷积结构作为Faster R-CNN的特征提取网络进行训练,并测试得到最优特征提取网络,利用训练好的模型选取不同天气条件下的测试集进行对比,并将改进Faster R-CNN与未改进的Faster R-CNN和SSD算法进行对比试验。结果 在改进Faster R-CNN病害识别框架中,以VGG16卷积层结构作为特征提取网络具有更出色的性能,利用测试集图像检验模型,识别结果的平均精度为 0.971 8,平均召回率为0.971 9,F1为0.971 8,总体平均准确率可达97.23%;晴天的图像识别效果优于阴天的。改进Faster R-CNN算法与未改进的Faster R-CNN算法相比,平均精度高0.088 6,单张图像检测耗时减少0.139 s;与SSD算法相比,平均精度高0.0425,单张图像检测耗时减少0.018 s,表明在大田环境中具有复杂背景的玉米病害智能检测领域,改进Faster R-CNN算法综合性能优于未改进的Faster R-CNN算法和SSD算法。结论 将改进后的Faster R-CNN算法引入田间复杂条件下的玉米病害智能诊断是可行的,具有较高的准确率和较快的检测速度,能够避免传统人工识别的主观性,该方法为田间玉米病害的及时精准防控提供了依据。     

基于CNN的典型木材缺陷图像识别研究

为提高木材缺陷的正确识别率,该研究基于卷积神经网络算法的识别方法,提出了一种采用渐近式学习方法来确定训练样本数目的识别算法,文中给出对应的神经网络结构图。在Matlab2010a进行试验,结果表明:该算法不需要对原始图像进行复杂的预处理,便能够识别多种木材缺陷的类型,算法精度较高且复杂度比较小,能够节约算法的时间,具有更好的鲁棒性,也克服了传统算法中的诸多固有缺点。该研究与采用径向基核函数的支持向量机算法相比较,渐近方式的CNN,识别木材缺陷的正确率更高,能够达到90%以上,可为进一步的木材识别开发提供技术支持。