改进粒子群算法在设计洪水过程线

针对基本粒子群算法在处理高维复杂问题时易陷入局部极值点的不足,提出自适应随机惯性权的粒子群优化算法,并基于此算法建立起洪水过程的放大模型。在进化过程中,为粒子群中的各个粒子随机选取惯性权值,并随进化代数自适应地调整随机惯性权值的概率分布,提高了算法全局寻优的性能。实例表明：该模型不但可以有效保持典型洪水的模式,避免手工修均的任意性,而且可以很好地满足洪峰洪量的约束要求,有较高的精度。     

农林环境机器视觉导航路径生成算法及应

提出两种自然环境中的路径导航线生成算法:对于矮小作物规则分布的农田场景,在标准Hough变换的基础上,预先检测共线点峰值的限定偏角阈值,以迅速检测关键信息;对于林地环境及类林地环境的高大作物农田场景,寻找树干与地面的交点,形成机器人行走的左右边界,再求两边交点的中值产生一列点簇.对该列点簇进行Hough变换检测直线作为导航线,或应用最小二乘法拟合左右边界,求其中线作为路径导航线.Matlab对比仿真表明,几种算法对各自适用的场景具有可靠稳定的路径辨识能力,可对图像进行有效的批量处理.     

基于近红外傅里叶特征提取方法的土壤含水率检测

以湖北地区的3种土壤为研究对象,利用偏最小二乘法建立了处理后样品的土壤含水率分析模型,模型预测值与标准值的决定系数为0.995,交叉验证预测均方差为0.801%,模型预测决定系数为0.992,预测均方差为0.912%,利用该模型预测黄土高原地区黄绵土含水率误差均大于4%.利用近红外光谱傅里叶变换特征提取方法对湖北地区黄棕壤、稻田土和潮土建立土壤含水率PLS预测模型,模型决定系数为0.988,交叉验证预测均方差为1.106%,且该模型预测黄绵土的误差均在2%左右,精度较传统模型有较大提高.     

农田非结构特征视觉导航研

研究了农田非结构环境下,通过机器视觉提取导航线的处理算法.首先,根据农作物的特点提出了使用聚类的方法检测作业区域终点;其次,为避免噪声干扰,利用移动窗口检测二值图像白色像素的个数,确定导航路径区域;最后,使用改进的Hough变换提取导航线.实验表明,该算法可以准确提取绿色植物的行信息,处理一帧分辨率为320×240像素的彩色图像平均需要57.404ms,正确识别率达99%.     

南方、爪哇和花生根结线虫的快速灵敏的PCR鉴定方法

为了研制南方、爪哇和花生根结线虫快速灵敏的检测和鉴定方法，分别分离了4个南方根结线虫和3个爪哇根结线虫特异性的随机扩增多态性DNA(RAPD)片段。在这些RAPD标记DNA序列的基础上，设计了多对SCARPCR引物，并用源于国内外的南方、爪哇、花生、北方和象耳豆根结线虫群体验证其扩增特异性和灵敏度。最终确定了3对高效扩增的SCAR引物，     

不同时期施硼对绵油11号制种产量的影响

运用随机区组设计研究不同时期施硼对绵油11号制种产量的影响,旨在找出最佳施硼模式,即施用底肥的同时在苗期、蕾苔期、初花期分别喷施硼肥的效果最好。     

基于K-means聚类和RF算法的葡萄霜霉病检测分级方法

针对自然环境复杂背景下葡萄霜霉病检测分级困难的问题,提出了一种基于语义分割结合K-means聚类和随机森林算法的葡萄霜霉病检测分级方法,实现对葡萄霜霉病快速分级。构建了葡萄霜霉病数据集,采用HRNet v2+OCR网络建立葡萄叶片语义分割模型,提取复杂环境下葡萄叶片;采用K-means聚类算法将葡萄叶片分解为若干子区域图像,并标记少量数据集进行随机森林算法学习,实现葡萄叶片病斑分割与提取;同时在叶片提取和病斑提取过程中,设计一种像素尺寸变换方法,解决图像分辨率引起的精度低问题。基于HRNet v2+OCR网络的葡萄叶片分割模型的准确率为98.45%,平均交并比为97.23%;融合K-means聚类和随机森林(RF)算法的葡萄叶片正面、反面和正反面霜霉病病害分级准确率分别为52.59%、73.08%和63.32%,病害等级误差小于等于2级时的病害分级准确率分别为88.67%、96.97%和92.98%。研究结果表明,基于K-means聚类和随机森林算法的葡萄霜霉病检测分级方法能够准确地分割自然环境复杂背景下的葡萄叶片和葡萄霜霉病病斑,并实现葡萄霜霉病分级,为葡萄霜霉病精准防治提供了方法和...     

基于Random Forest的水稻细菌性条斑病识别方法研究

为了快速、准确、有效地识别发病早期的细菌性条斑病,提出基于随机森林(Random forest,RF)算法的水稻细菌性条斑病识别方法,利用光谱成像技术获取该病害的高光谱数据,通过多元散射校正减少和消除噪声及基线漂移对光谱数据的不利影响。利用随机森林特征重要性指标,选取逻辑回归(LR)、朴素贝叶斯(NB)、决策树(DT)、支持向量分类机(SVC)、k最近邻(KNN)和梯度提升决策树(Gradient boosting decision tree,GBDT)算法进行对比试验。同时筛选出12个位于450~664 nm范围内对识别模型有重要影响的光谱波段,并与全波段进行分类结果比较。试验结果表明:RF算法的分类准确率为95.24%,与试验选取的其他算法相比,效果最优,比NB准确率提高了20.97个百分点;与全波段分类结果相比,利用RF算法基于12个波长的识别,波长数减少了98.05%,识别精确率为94.66%,召回率为99.55%,F1值为97.04%,准确率为94.32%。虽然精确率减少了2.97个百分点、准确率减少了0.85个百分点,但召回率增加了4.4个百分点、F1值增加了0.67个百分点,模型精度满足要求。     

基于SupReMe影像重建和RF的玉米冠层LAI反演

针对Sentinel-2卫星影像拥有3个对植被生长状况非常敏感、空间分辨率为20m的红边波段（705、740、783nm）,其空间分辨率与可见光和近红外波段10m的空间分辨率不一致,使Sentinel-2影像应用受到限制的问题,基于多光谱多分辨率估计的超分辨率（Super-resolution for multispectral multiresoltion estimation, SupReMe）算法将空间分辨率20m的6个波段重建为10m;以重建后的影像为数据源,耦合PROSAIL辐射传输模型和随机森林模型反演玉米冠层叶面积指数（LAI）,并以野外实测LAI验证其反演精度。结果表明,采用SupReMe算法对Sentinel-2影像进行重建后,在保持光谱特性不变的同时提高了影像的空间细节;基于重建影像和原始影像的LAI反演决定系数R2分别为0.70、0.68,均方根误差RSME分别为0.240、0.262。研究表明,利用SupReMe算法重建后的Sentinel-2卫星影像,能够在提高玉米冠层LAI反演空间分辨率的同时提高反演精度,在挖掘高分辨率农作物生长信息方面具有很大潜力。     

基于小波变换和BP神经网络的水稻冠层重金属含量反演

自然农田生态系统中,农作物的各种生化参数受重金属污染胁迫后虽表现异常,但其特征往往极为微弱,极不稳定。利用处理非稳定信号方法中常用的信号处理方法——小波分析法(Db-5),对水稻的光谱反射率数据进行处理,有效提取光谱信号中受重金属污染胁迫而潜藏的一些"突变"弱信息。利用Db-5小波基进行小波变换,从中选取具有异常光谱特征的奇异点,利用奇异点对应波段(716、745、766 nm)的光谱反射率构建反向传播(BP)神经网络模型,对水稻冠层4种重金属含量进行反演。将利用模型得到的预测值与实测值进行相关性分析,结果表明,基于BP神经网络的水稻冠层重金属含量反演模型对于实验区镉、铅、汞、砷4种重金属胁迫,具有良好的反演效果。