一种改进深度卷积神经网络的海岛识别方法

受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:(1)在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;(2)在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:(1)改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;(2)改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。     

基于BP神经网络的欠发达地区失地农民生计方式选择预测——以甘肃省兰州市安宁区为例

[目的]探析欠发达地区失地农民生计方式选择的影响因素,推进失地农民可持续生计研究,为精准实现失地农民可持续生计提供政策参考.[方法]以甘肃省兰州市安宁区失地农民群体为研究对象,基于可持续生计分析框架及实地调查数据,采用BP神经网络及二元Logistic回归模型定量分析人力资本和政策性因素对失地农民生计方式选择影响的边际效应.[结果]BP神经网络检验分类预测准确率达92.44%,二元Logistic回归模型检验分类预测准确率为78.15%,且BP神经网络的AUC值显著高于二元Logistic回归模型,表明BP神经网络具有更好的拟合性能,能更有效地分析失地农民生计资本对其转移就业选择的影响及边际效应.因征地补偿所获得的财产性收入和转移性收入在一定程度上降低了失地农民转移就业率;年龄对转移就业概率的边际效应呈倒U形,35岁以上失地农民的转移就业概率显著低于35岁以下群体,45岁以上失地农民的转移就业概率已低至0.5以下;欠发达地区教育水平仍是影响非农就业水平的关键因子,且高中以上教育水平对就业概率提升的影响显著.[建议]提高人力资本存量,增强职业技能培训;选取更合理的征地补偿措施,正确引导失地农民合理分配使用货币性补偿;完善失地农民劳动力市场体系,提供更有针对性的就业扶持及保障措施,缓解失地农民提前退出劳动力市场的现状.     

基于粒子群算法优化BP神经网络的土壤含水量短期预测模型

为提高土壤含水量预测精度,基于物联网监测数据,提出了粒子群算法(PSO)优化BP神经网络的土壤含水量预测方法。首先应用主成分分析法筛选出影响土壤含水量的关键影响因子,然后构建8-5-1的BP神经网络拓扑结构,应用粒子群算法优化BP神经网络的初始权值和阈值。结果表明:与传统BP神经网络相比,新模型优化了网络结构,避免了陷入局部最优解,具有良好的预测效果;模型的评价指标平均绝对误差、平均绝对百分误差、误差均方根分别为0.259 2、0.010 5和0.135 6,与单一BP神经网络相比,预测精度更高,可满足实际的土壤含水量预测的需要。     

基于CNN的冰糖橙分级系统

为了提高冰糖橙的产业竞争力和效益,在售前对其进行分级是一道重要的工序。针对传统的冰糖橙表面缺陷分级方法存在工作繁琐且受人为因素干扰大的问题,本研究设计了一种将卷积神经网络(Convolutional Neural Networks,CNN)算法与虚拟仪器技术相结合的冰糖橙表面缺陷智能分级系统,并基于LabVIEW2018平台设计开发了一套冰糖橙分级系统。通过实验验证,该系统识别率达96.67%,验证了该分级方法和分级系统的有效性和可行性。     

基于卷积神经网络的蜜蜂采集花粉 行为的识别方法

实时监测蜜蜂觅食行为不仅有助于评估当地农作物授粉状况,也有助于及时采取措施提升蜜蜂产品的产量和品质。将计算机视觉技术引入蜜蜂觅食行为(是否携带花粉)的监测,设计5种浅层卷积神经网络(CNN)进行对比分析,并与深层网络GoogLeNet V1的迁移学习进行对比,寻找适合监测蜜蜂觅食行为的最优模型。发现GoogLeNet V1的识别准确率最高,达0.953 6,但训练耗时最长(7 326 s);浅层卷积神经网络中准确率最高的模型为11层神经网络模型(含4层卷积层),测试准确率为0.903 6,耗时相对较短(1 054 s)。最后,对比传统机器学习算法,发现深度学习优势明显。研究表明,GoogLeNet V1深层网络适用于精度要求高、设备条件好的蜜蜂监测环境;而11层卷积神经网络更符合智能养蜂的实际需求。     

农田灌溉系统监测数据校准和融合技术研究

针对当前农田灌溉缺乏科学技术指导现状,已经出现如大水灌溉等粗放型灌溉现象,水资源浪费问题越加突出。基于物联网的精准农田灌溉系统体系结构,文中提出一种多传感器两级信息校准和融合算法。第一级采用BP神经网络算法校准传感器数据,第二级采用多传感器自适应加权数据融合算法。通过传感器校准和数据融合性能试验对算法有效性进行验证。结果表明,BP神经网络算法提高了数据的准确性,数据融合算法提供良好的数据融合效果,融合后土壤水分的平均相对误差由0.713%降低到0.389%,光照强度的平均相对误差由0.423%降低到0.238%。该研究为我国精准农田灌溉系统的发展提供一定的参考和借鉴。     

基于卷积神经网络的水稻钵体软盘穴播量检测

为避免水稻钵体软盘穴播量检测过程中的秧盘背景分割和稻种特征的手工设计及提取,本文提出了一种基于卷积神经网络的水稻钵体软盘穴播量检测方法,该方法可自动学习和提取不同穴播量的水稻种子特征,实现常规稻、杂交稻和超级杂交稻钵体软盘穴播量为0、1、2、3、4、5、6及7粒以上共8种播量的自动检测。本文在每层卷积单元网络结构参数保持固定的前提下,选取2～4层共3种不同卷积单元数量的网络结构对RiceCountCNN模型性能进行试验,试验结果表明随着模型深度加深,模型检测精度逐渐提高。本文在3层RiceCountCNN模型网络框架下,按卷积核的大小递减和数量递增原则选择得出不同的卷积核网络参数组合方式,最终优化得出网络结构为9C16-AP2-7C32-AP2-5C64的模型性能最佳,平均正确率达到98.76%。为测试RiceCountCNN模型的性能,每个水稻品种选取1幅19穴×14穴的图像作为测试集对模型进行测试,试验结果得出模型针对常规稻、杂交稻和超级杂交稻的检测正确率分别达到97.37%、98.12%和90.98%,每幅图像的检测时间小于2.33 s。研究结果满足精密育秧播种实际工况检测要求,该研究为实现水稻精密衡量播种作业提供参考。     

采用主成分分析和BP神经网络算法预测池塘养鱼产量和换水量

产量和换水量分别是池塘养鱼经济效益和生态影响的重要衡量指标。为探讨影响常规鱼类养殖产量和换水量的主要因子,建立基于反向传播(BP)神经网络(ANN)算法的预测模型,通过调查获得51组关于混养草鱼(Ctenopharyngodon idellus)、鲫鱼(Carassius auratus)、鲤鱼(Cyprinus carpio)池塘的完整管理信息。经主成分分析(PCA),草鱼放养密度、鲫鱼放养密度、鲫鱼放养规格、鲤鱼捕捞规格、鳙鱼(Aristichthys nobilis)捕捞规格、鲤鱼产量、塘租费、苗种费、饲料费、电费、调水费、病害防治费、人工费、水深及是否发生蓝藻等15个参数均被筛选入放养鱼类总产量和夏季换水量模型中。放养鱼类总产量模型中还筛选进鲫鱼产量、鳙鱼产量和增氧方式3个参数。夏季换水量模型中还筛选进鲤鱼放养密度和鲢(Hypophthalmichthys molitrix)、鳙放养时间2个参数。随机选取45组数据采用BP-ANN算法建模并预测另外6组数据。结果显示,放养鱼类总产量模型相对误差(RE)最大为8.40%,绝对误差(AE)最大为2.53 t/hm~2,平均相对误差(MRE)为5.81%,平均绝对误差(MAE)为1.51 t/hm~2。夏季换水量模型AE值最大为19.10 cm,MAE值为13.36 cm。2种模型决定系数(R~2)分别是0.941 3、0.996 5,均方误差(MSE)分别是0.006 5和0.063 3。总体拟合性能良好,表明BP-ANN是建立养鱼池塘经济效益和生态影响模型的有效手段。     

基于BP神经网络模型的桂西资源富集区土地生态安全评价

【目的】科学客观地进行土地生态安全评价,提出可行有效的土地生态系统优化对策,为桂西资源富集区土地生态安全的维护及未来发展提供参考。【方法】基于BP神经网络方法构建土地生态安全评价模型,通过分析影响土地生态系统的自然、经济、社会3个主导因素,建立桂西资源富集区土地生态安全评价指标系统,对2008—2017年桂西资源富集区土地生态安全程度进行评价。【结果】桂西资源富集区2008—2017年土地生态安全程度均属于一般安全状态,且由一般安全状态逐步接近较安全状态;其中百色市、河池市、崇左市分别在不同因素下的土地生态安全程度存在较大差异,且差异在逐年增大。【结论】为了避免桂西资源富集区土地生态安全系统存在发展失衡的倾向,建议桂西资源富集区政府优化营商环境,坚持"绿水青山就是金山银山";制定合理的耕地保护政策,缓解人地矛盾关系。     

一种基于无人机遥感和卷积神经网络的梨树树龄梯度识别方法

梨树的树龄测定是古梨树保护监管以及开发其经济价值工作中最初也是最重要的一步,现有的古树树龄测定方法主要都是针对单棵古树,不适合对大量(超过上千棵)的梨树进行树龄测定。针对上述问题,提出了一种基于卷积神经网络的梨树树龄梯度识别方法,在确定梨树树龄梯度后,通过无人机获取梨树遥感图像,合成梨树图像后,进行分割,得到单棵梨树的图像,利用RESNET模型自动获取图像深层特征,从而实现对梨树树龄梯度的识别。实验结果表明:该方法目标识别准确率为85.56%,优于其他方法,时间效率则远胜传统树龄测定方法。因此,该方法具有较高的使用价值,可以大幅度降低梨树树龄测定成本开支,具有实际意义。