农业区地下水位动态变化预测的支

当观测资料的数据量少而又存在多个相互影响或关联的变量时，常用的回归预测模型不能全面考虑多个变量。在地下水位动态变化预测中应用了一种新的方法——支持向量机方法(SVM ) , 该方法属于机器学习理论发展的最新阶段, 具有专门针对有限样本、算法复杂度与样本维数无关等优点。针对一些农区井灌水稻规模扩大而引起地下水资源紧缺的情况，以某井灌水稻地区地下水动态观测资料为研究对象，运用支持向量回归模型，描述其地下水动态变化趋势。     

基于EnMAP Box的遥感图像分类研究

采用2007年6月云南省勐腊县TM遥感数据,利用EnMAP box进行了支持向量机的图像分类研究,以网格搜索法寻找最优参数,在设定的范围内,求得了最优C和g参数,用此参数进行支持向量机的遥感图像土地覆盖分类。结果表明：SVM方法较最大似然分类方法具有较高的分类精度,特别是阔叶林和橡胶林的精度明显优于最大似然分类方法;对于面积较小的次要类型,2种分类方法的精度基本保持一致;SVM的总体精度相对于最大似然分类提高了119%。     

小型农产品分选机设计与试验

针对家庭农场及小规模营销的需要,设计了基于机器视觉的小型农产品分选机。农产品在平胶带上形成多通道阵列式输送,以DSP作为机器视觉单元的核心,采集一帧图像可分析多个通道,并根据农产品的形状、颜色等图像特征进行分选。在水平输送速度为9.2 cm/s、农产品输送间隔为16 cm、4通道并行输送的条件下,选用核桃、红枣及栗子3种农产品进行了分选机性能测试。试验表明,机器能够可靠工作;核桃、红枣和栗子的分选准确性分别为91.66%、94.79%和97.39%;分选速度达8 800个/h。因此采用DSP芯片作为小型分选机的机器视觉核心是可行的,可以为农产品分选机的小型化、低成本提供技术支持。     

基于计算机视觉的水果分选机实时控制系统

研究了一种基于计算机视觉的水果分选机实时控制系统。其利用计算机进行水果图像的采集、处理。利用单片机对分选台执行机构进行控制。工作时，光电传感器的脉冲信号触发图像卡采集图像，计算机进行图像处理后，其结果信号由串口发出，单片机接收到结果信号后向相应的电磁阀发出开关量信号，驱动执行机构动作，从而实现实时分选。     

弹齿滚筒式捡拾装置弹齿的静力学分析

针对弹齿滚筒式捡拾装置在工作过程中弹齿变形现象,对弹齿滚筒式捡拾装置弹齿进行静力学分析,以寻求解决的途径。通过对捡拾装置弹齿在3个工作阶段上的载荷进行分析后,获得各工作阶段弹齿的受力简图,通过比较判断出在捡拾升运阶段弹齿受力比较复杂。以9KJ-1.4A型压捆机捡拾装置为实例,经过计算在有随机载荷和无随机载荷时弹齿齿臂末端的应力情况,得出结论:在没有随机载荷的情况下,齿根处应力远小于其许用应力,弹齿产生弹性变形,有足够的强度;当有随机载荷时,对弹齿产生冲击,若随机载荷过大,垂直于弹齿轴向的分力大于24N,则弹齿会产生塑性变形。对捡拾装置进行静力分析,可为捡拾装置整体结构优化设计供理论依据。     

基于自适应深度学习的数控机床运行状态预测方法

针对机床状态动态标签及差异化分布数据下的预测适应性差与准确度低问题,结合时序特征关系和模型融合方法,建立自适应混合深度学习模型进行机床状态预测.首先,通过融合最小近邻分类器,设计一种基于权值累积的自适应更新法则,建立具有数据自适应性的状态预测模型.在此基础上,提出一种基于中心损失函数的特征距离度量优化策略,构建综合决策...     

鸭蛋动态图像预处理和获取颜色特征参数的算法

研究了动态鸭蛋图像预处理及图像颜色特征参数的提取算法。其中预处理包括去图像边缘毛刺和蛋壳污点信息；提取鸭蛋图像颜色特征参数需要通过鸭蛋轮廓识别和圆形搜索算法实现，对于鸭蛋图像的轮廓识别是以彩色图像的红色分量R来判定图像边界点，并以此计算出鸭蛋图像蛋内像素和，用圆形搜索法求出蛋芯颜色特征区域并提取图像特征颜色参数。试验结果表明，通过该算法，得到的蛋重模型相关性达到0．95，建立的颜色模型相关性达到0．92。     

基于高光谱与在线序列极限学习机确证大米产地方法

为满足快速无损的大米产地确证需求,采集吉林省梅河口市水稻主产区及松原、大安、辉南等其他水稻产区共990个大米样本的高光谱图像（400~1 000 nm）作为研究对象,利用多元散射校正（MSC）处理方法对光谱进行预处理。采用多层感知机（MLP）、极限学习机(ELM)与在线序列极限学习机(OS-ELM)算法,分别基于全波段高光谱数据以及经多维尺度分析（MDS）方法降维后的数据建立产地确证模型。结果表明,基于全波段高光谱数据的OS-ELM模型分类性能最好,准确率达到98.3%。经MDS处理后,输入的数据变量减少了96.6%,MDS-OS-ELM模型准确率稳定在97.4%。对三种模型的训练时间进行对比分析,OS-ELM训练时间明显优于MLP,在分批次获取数据时训练时间优于ELM。为大米产地确证提供了一种高效、准确、稳定的方法。     

水稻种绳捻制机的研制与试验

介绍了一种水稻种绳捻制机,该机主要由排种机构、捻绳机构和卷绳机构3部分组成。它将稻种按照要求的穴距和每穴粒数卷在2cm宽的(无纺布)纸带内,制成种绳,并将种绳卷成盘后待播。直播时,将卷好稻种的种绳盘挂在研制的种绳播放器两侧,将绳的端部固定在地头,然后人工拉动种绳播放器前进,1次完成开沟、放种绳、覆土等作业。试验结果表明,加工种绳的平均穴距为2.5cm,空穴率为1.5%,平均每穴粒数为1.48,种绳绕劲个数为43个/m,基本上达到了设计要求。但卷绳速度为0.8m/s,有待提高。水稻种绳直播技术的突出特点是实现了种绳捻制作业的工厂化和田间播种作业的轻型化。     

基于轻量级神经网络MobileNetV3-Small的鲈鱼摄食状态分类

在集约化水产养殖过程中,饲料投喂是控制养殖成本,提高养殖效率的关键。室外环境复杂多变且难以控制,适用于此环境的移动设备计算能力较弱,通过识别鱼类摄食状态实现智能投喂仍存在困难。针对此种现象,该研究选取了轻量级神经网络MobileNetV3-Small对鲈鱼摄食状态进行分类。通过水上摄像机采集水面鲈鱼进食图像,根据鲈鱼进食规律选取每轮投喂后第80～110秒的图片建立数据集,经训练后的MobileNetV3-Small网络模型在测试集的准确率达到99.60%,召回率为99.40%,精准率为99.80%,F1分数为99.60%。通过与ResNet-18, ShuffleNetV2和MobileNetV3-Large深度学习模型相比,MobileNetV3-Small模型的计算量最小为582 M,平均分类速率最大为39.21帧/s。与传统机器学习模型KNN（K-Nearest Neighbors）、SVM（Support Vector Machine）、GBDT（Gradient Boosting Decision Tree）和Stacking相比,MobileNetV3-Small模型的综合准确率高出12.74、23.85、3.60和2.78个百分点。为进一步验证该模型有效性,在室外真实养殖环境进行投喂试验。结果显示,与人工投喂相比,基于该分类模型决策的鲈鱼投喂方式的饵料系数为1.42,质量增加率为5.56%。在室外真实养殖环境下,MobileNetV3-Small模型对鲈鱼摄食状态有较好的分类效果,基于该分类模型决策的鲈鱼投喂方式在一定程度上能够代替养殖人员进行决策,为室外集约化养殖环境下的高效智能投喂提供了参考。