基于深度信念网络的猪咳嗽声识别

为了在生猪养殖产生呼吸道疾病的初期,通过监测猪咳嗽声进行疾病预警,提出了基于深度信念网络(DBN)对猪咳嗽声进行识别的方法。以长白猪咳嗽、打喷嚏、吃食、尖叫、哼哼、甩耳朵等声音为研究对象,利用基于多窗谱的心理声学语音增强算法和单参数双门限端点检测对猪声音进行预处理,实现猪声音信号的去噪和有效信号检测。基于时间规整算法提取300维短时能量和720维梅尔频率倒谱系数(MFCC)组合成1020维特征参数,将该组合特征参数作为DBN学习和识别数据集,选定3隐层神经元个数分别为42、17和7,构建网络结构为1020-42-17-7-2的5层深度信念网络猪咳嗽声识别模型。通过5折交叉实验验证,基于DBN的猪咳嗽声识别率和总识别率均达到90%以上,误识别率不超过8.07%,最优组猪咳嗽声识别率达到94.12%,误识别率为7.45%,总识别率达到93.21%。进一步基于主成分分析法(PCA)提取1020维特征参数98.01%主成分得到479维特征参数,通过5折交叉实验验证,猪咳嗽声识别率和总识别率相对降维前均有所提高,误识别率有所降低,最优组猪咳嗽声识别率达到95.80%,误识别率为6.83%,总识别率达到94.29%,实验结果表明所建模型是有效可行的。     

泥石流入汇主河淤积规律的水槽试验研究

以试验为基础,研究了泥石流入汇主河后淤积规律,主要探讨了淤积量及淤积分布问题。通过试验分析认为,泥石流入汇主河后的淤积量基本随流量比的增大而增大,就其淤积速率而言,有先增大后减小的变化规律。淤积量在流量比大约为0.5时出现峰值,在流量比为0.65时出现谷值,淤积量与流量比关系变化曲线以倾斜向上的直线为对称轴,呈倾斜向上的正弦波形。各工况下淤积范围基本不变,但试验中反映出,淤积范围有随交汇角增大而增大的趋势。     

基于高分辨率遥感影像的植被分类方法比较

以新疆库车市东部绿洲-荒漠过渡带为研究对象,利用GF-2号遥感影像为主要数据源,在野外调查的基础上,采用基于像元的监督分类和分层次多尺度分割的面向对象分类方法对研究区植被信息进行准确识别。结果表明:1)监督分类与面向对象的分类结果大体一致,两者的总体分类精度均可达到94%以上,Kappa系数大于0.93,都体现出了较高的分类精度;2)与监督分类相比,面向对象的分类方法在总体分类精度上提升了3.79%,Kappa系数提高了0.032,具有更好的分类效果和分类精度。通过确定最优尺度分割,面向对象的分类方法可更为准确地提取研究区植被信息,为合理评价区域土地荒漠化状况提供科学依据。     

推进蚕桑基地建设 助力凉山脱贫攻坚

凉山地处川滇结合部,幅员面积6.04万km2,辖17个县(市),总人口531.03万,其中彝族人口占53.81％,是全国最大的彝族聚居区和四川省民族类别最多、少数民族人口最多的地区,也是全国集中连片的特殊类型贫困区域“三区三州”深度贫困地区之一.     

小学高年级爱国主义教育模式科普分析——以“名人故居的深度探访”为例

文章依据新时代爱国主义教育的总体目标和要求,提出了在小学高年级开展基于对名人故居的深度探访为教育模式,以增进学生的民族自信为主要目标的主题活动。深度探访以主题班会、校外实践、云上分享、汇报展示等环节进行实施,通过学校、家庭和社会教育资源的联手,拓宽学生的教育视野,增进学生的民族自信,激发学生的爱国情怀。     

论农机技术与农艺技术的深度融合

农机技术与农艺技术深度融合是当前我国农业发展的主要方向之一,对于我国未来农业发展有非常重要的意义。二者深度融合,有利于农业机械化推行,同时也能提升农艺技术的应用效率,继而促进农业生产力进步。当前,我国正在大力发展农机化技术,同时也非常重视农机与农艺的相互融合。部分地区的农机与农艺融合工作已经取得了良好的成绩,但是也有部分地区缺乏实际经验,导致农机与农艺技术融合存在问题,缺乏效率,进度缓慢。文章对农机技术与农艺技术深入融合工作进行研究探讨,总结农机技术与农艺技术深度融合工作现状和存在的主要问题,提出针对性的工作建议。     

新疆三屯河灌区水利信息化应用研究

以新疆维吾尔自治区（简称新疆）昌吉回族自治州（以下简称昌吉州）三屯河灌区为研究区域,利用ArcGIS的水文分析模块对GDEMV3 30 m分辨率数字高程模型（digital elevation model,DEM）进行河网水系的提取,从而得出水流方向、汇流累计量、分级河网和子流域边界等河网信息,利用AI Earth深度学习算法对Sentinel-1 SAR GRD遥感影像进行水体分类提取。不同于用遥感影像处理软件（environment for visualizing images,ENVI）对研究区影像进行地物识别分类的传统操作,该研究更倾向于通过AI Earth使用监督分类算法对Sentinel-2 L2A影像数据进行地物分类,进而绘制出渠系一张图,清晰生动地展现研究区域复杂的水系结构,对GDEMV3 30 m分辨率数字高程数据、野外采样点数据、天地图所选区域0.862 m/像素与672瓦片数量的17级Tiff数据进行处理制作采样点的渠系地形三维图,从立体的角度深入探索了水系地貌的特征,为研究提供更全面的视角,并探讨在试验过程中遇到的难点及解决办法。     

用于小麦多生长阶段倒伏边界精准检测的分层交互特征金字塔网络（英文）

[目的/意义]传统的小麦倒伏检测方法需要人工进行田间观测和记录,这种方法存在主观、效率低、劳动强度大等问题,难以满足大规模的小麦倒伏检测的需求。基于深度学习的小麦倒伏检测技术虽已在一定程度上得到应用,但普遍局限于对小麦单一发育阶段的倒伏识别,而倒伏可能发生在小麦生长的各个时期,不同时期倒伏特征变化复杂,这给模型特征捕捉能力带来考验。本研究旨在探索一种基于深度学习技术的多生育期小麦倒伏区域检测方法。[方法]用无人机采集小麦灌浆期、早熟期、晚熟期这三个关键生长阶段的RGB图像,通过数据增强等技术构建出多生育期小麦倒伏数据集。提出一种小麦倒伏提取模型Lodging2Former,该模型在Mask2Former的基础上加以改进,引入分层交互式特征金字塔网络(Hierarchical Interactive Feature Pyramid Network,HI-FPN),用于提高模型在复杂田间背景干扰下对于多个生长阶段小麦倒伏特征的捕捉能力。[结果和讨论]所提出的Lodging2Former模型相较于现存的多种主流算法,如Mask R-CNN (Mask Region-Based Convolu...     

基于注意力机制改进卷积神经网络的柑橘病虫害识别

柑橘是我国种植面积最大、产量最高的水果作物,对我国的经济发展具有重要作用。柑橘病虫害侵染是导致柑橘产量及品质下降的重要原因之一,高效、准确的柑橘检测技术对柑橘产业的发展具有重要意义。因此,本研究提出一种基于注意力机制改进卷积神经网络的柑橘病虫害识别算法,以多尺度特征提取网络Inception v3为基础,在Inception结构间加入CBAM注意力机制,构建基于注意力机制的多尺度特征提取网络;然后融合残差注意力网络,提升模型的整体性能,以实现对柑橘病虫害的精准识别。试验结果表明,基于注意力机制改进卷积神经网络的柑橘病虫害识别算法从通道和空间维度提高了对输入有效特征的关注度,在融合残差注意力网络后,提高了模型的整体性能,实现对5种柑橘叶片(溃疡病、潜叶蛾、黑点病、红蜘蛛和健康叶片)的识别准确率达到98.49%,比基础模型提高4.02百分点,说明本研究提出的方法对柑橘病虫害的识别效果较好。最后将模型进行部署,设计柑橘病虫害识别系统,实现基于移动端的柑橘病虫害智能检测,为相关研究提供参考。     

地中仪地膜棉灌溉试验特征分析

利用不同地下水埋深的地中仪进行地膜棉的灌溉试验,分析了地膜棉不同生育期时蒸发、入渗的变化特征：受地膜棉的蒸腾作用,灌溉入渗量随其日耗水量增加而显著减少;棉花根系吸水影响深度与其日耗水强度成指数关系,其根系吸水最大影响深度为2．76m;棉花根系利用地下水量随埋深增加而减小,棉田最佳的灌水湿润深度应小于1．0m,当灌水湿润深度超过1．5m时,其根系不能更多利用地下水,即可认为是深层入渗。