管道高后果区第三方破坏智能识别方法

油气长输管道高后果区通常采用视频监控形式开展技术布防,识别高后果区管道周围人工挖掘、机械挖掘及重车碾压等第三方破坏事件,但视频监控往往依靠值守人员监屏,存在效力不足的问题。为此,提出一种基于深度学习的管道高后果区第三方破坏智能识别方法,对采集到的沿线图像视频进行分析,提取特征目标,建立基于YOLO v5的图像智能识别模型。该模型提升了寻优速度和目标检测精度,模型训练在226次迭代后训练过程损失函数值和验证过程损失函数值分别趋近于0和0.01,达到最优态。利用新建立的识别方法在天津地区某高后果区开展管段视频监控测试,识别精确率高达99.33%,验证了该方法的有效性,可为后续开展高后果区视频监控系统智能识别和实时预警提供工程应用参考。（图6,表2,参19）     

面向移动端的植物病害图像识别方法及其应用

针对传统卷积神经网络(CNN)在病害图像识别时需要较高的存储空间和计算资源问题,提出一种基于轻量级CNN植物病害图像识别网络CSP-ShuffleNet V2来降低识别成本。CSP-ShuffleNet V2模型基于ShuffleNet V2网络,首先,将卷积核大小由3×3改为5×5扩大病斑图像全局感受野;其次,采用CSPNet结构来改进网络特征层;最后,再引入通道注意力(ECA)模块用于增强图像病斑通道特征信息。采用AI Challenger平台提供的公共植物病害数据集进行训练和测试。试验结果表明,CSP-ShuffleNet V2网络模型识别准确率为90.34%,比原始ShuffleNet V2网络模型提高2.23%,参数量也减少29.6%,权重大小仅为13.5 MB。与ResNet50、MobileNet V2、GoogleNet、DenseNet121网络相比,CSP-ShuffleNet V2网络不仅降低了网络计算量和参数量,而且收敛速度更快、分类效果更好。最终将模型离线部署在Android平台实现了植物病害移动端智能检测,为植物病害防治和诊断提供参考依据。     

哈茨木霉配施高碳基肥对植烟土壤理化性质和细菌群落结构的影响

探究哈茨木霉配施高碳基肥对根际土壤细菌群落结构及理化性质的影响,为调控烟草微环境及改善土壤提供理论依据。采用大田试验方法,设置4个处理：T1(哈茨木霉菌剂750 kg/hm²+常规施肥)、T2(高碳基肥750 kg/hm²+常规施肥)、T3(哈茨木霉菌剂750 kg/hm²+高碳基肥750 kg/hm²+常规施肥)和CK(常规施肥),通过高通量测序技术探究哈茨木霉配施高碳基肥对根际土的细菌群落结构和土壤理化性质的影响。结果表明：(1)不同施肥处理改善根际土壤理化性质的效果总体表现为T3处理>T1处理>T2处理,T3处理显著提高了土壤的pH值、全氮含量、全碳含量、硝态氮含量、铵态氮含量、速效磷含量和速效钾含量(P<0.05),增幅分别为7.63%、41.67%、20.80%、63.70%、28.98%、15.07%和9.51%;(2)烤烟根际土细菌群落结构α多样性指数在哈茨木霉菌剂和高碳基肥间存在显著互作效应,哈茨木霉菌剂处理的根际土细菌多样性指数相对较低,而CK较高且与T2处理和T...     

基于改进卷积自编码机的油茶果图像识别研究

为进一步提高油茶果识别的速度与精度,提出一种基于改进卷积自编码机神经网络的油茶果图像识别方法。该方法以非对称分解卷积核提高训练速度,以输出端重构输入端的直连训练方式减少信息损失;利用改进的自编码机训练不同颜色通道的图像,随后在共享层中利用金字塔池化算法融合高阶特征,利用softmax算法构建分类器。结合selective-search算法生成候选区域,并对其进行筛选,利用训练好的网络设计油茶果果实图像检测器验证算法的实用性。改进算法100次迭代所需时间为166 s,平均识别准确率为90.4%;改进模型收敛性能较好,学习能力强,经过10次迭代之后即可达到85%的识别准确率,在样本数目为200的小数据集上可达到82%的识别准确率;同时,检测器的搭建验证了算法的有效性,在2 s内即可实现对单张实际图像上目标区域的检测,总体识别精度为87%,使得算法具有一定的实时检测能力。试验结果证明,改进后的算法具有较高的识别准确率与学习能力,以及一定的实用性,可为油茶果图像识别提供参考。     

基于BP神经网络的甘蔗收获机切割器振动性能研究

针对小型甘蔗收获机切割器不平衡对切割器轴向振动的影响,为实现切割器振动的有效预测以及自动控制信号的获取,通过正交试验并利用BP神经网络技术与回归分析构建出了切割器螺旋以及刀盘振动的BP神经网络模型和回归模型。分析结果表明:基于BP神经网络建立模型的切割器螺旋与刀盘的振动正确拟合率达到了88.89%,且相对误差基本上在5%以内,而回归模型的切割压力正确拟合率只有38.89%。因此,基于BP神经网络建立的模型具有较高的精度,通过此BP神经网络模型,有效地解决了复杂信息特征的提取问题,减少了试验研究的次数与成本,为进一步的切割器刀盘以及螺旋振动的自动控制系统的研发奠定了基础。     

基于SVM的RBF网络在农机总动力预测中的应用

径向基神经网络是一种单隐层的三层前向网络,具有结构简洁、学习速度快等优点。为此,分析了径向基神经网络采用传统聚类方法确定基函数中心存在的问题,提出了一种基于支持向量机聚类确定径向基网络基函数中心的方法。该方法以最大间隔原理和结构风险最小化原则为前提,利用核方法把输入空间的样本映射到高维特征空间完成聚类工作来确定基函数的数量。采用改进的方法训练的径向基神经网络对黑龙江省农机总动力进行非线性时间序列预测,结果表明:改进的网络在确定网络结构、学习速度和提高网络预测精度方面都有较好的效果。     

计算机视觉在芒果品质检测中的应用研究

传统的芒果分级采用人工观察和化学分析方法,无法适应产业的发展。随着科学的进步,人们开发出多种无损检测和分级技术以提高水果的市场竞争力,但受检测和分级设备的限制,目前的相关研究都停留在试验阶段。为此,设计了一种基于计算机视觉的芒果品质检测方法,拍摄芒果图像后利用自适应Canny算法获取目标区域的边缘,以大小、颜色和表面缺陷反映芒果的品质,并基于BP神经网络实现对芒果的分级。仿真试验表明:计算机视觉对芒果品质分级的准确率超过93%,处理单张图像平均耗时0.8s,可以用于芒果品质的实时检测和在线分级。     

山西谷子地方品种初选核心种质构建

为了构建山西谷子地方品种核心种质,提高资源利用效率,采用离差平方和法进行系统聚类后随机取样,构建的初选核心种质保留了原始种质11.34%的遗传资源。分析结果显示：核心种质与原始种质表型性状均值差异百分率为5.9%,极差符合率为87.4%,方差差异百分率为35.3%,变异系数变化率为102.0%;经多样性指数t检验,表明初选核心种质能够代表原始种质的遗传多样性。     

中小尺度流域洪水模型模拟比较研究

中小尺度流域洪水模拟是水文预报和防洪减灾的重要基础工作,选择适宜的水文模型对制定水文预报方案具有重要意义。以长江上游支流沿渡河流域为研究对象,对比分析了3种不同类型的水文模型(新安江模型、TOPMODEL、人工神经网络模型)对场次暴雨洪水过程的模拟效果及适用性。结果表明:各模型在模拟场次和验证场次的平均NSE效率系数均超过0.7,平均径流深误差均低于12%,可见3种模型在沿渡河这一湿润地区典型中小尺度流域均有较好的适用性。在验证期,新安江模型模拟的径流深相对误差均未超出许可误差20%的范围,且NSE系数均值达到0.826,然而Topmodel和BP模型模拟下各场次洪水的NSE系数虽均大于0.6,但个别场次结果精度较低。此外,新安江和BP模型的实测与模拟流量点群更接近1∶1线,在流量模拟方面更好,Topmodel的流量模拟整体偏大。总的来说,新安江模型在流域的适用性更好,Topmodel和BP模型次之。     

宁海县农业气象指数保险现状与思考

基于农业气象指数保险本身的特性和发展的现状,分析了宁海县发展农业气象指数保险面临的困难,包括高风险产品难以推广、气象数据的代表性有限、气象指数的开发设计有待完善和农户参保积极性不高等问题。为促进气象指数保险的顺利开展和可持续性,在借鉴各地经验和结合宁海县实际的基础上,提出相应的建议。