基于机器学习算法的奶牛疾病预测模型的研究

【目的】评估建立奶牛疾病预测模型的6种机器学习（machine learning,ML）算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树（Decision Tree,DT） C5.0、CHAID算法、人工神经网络（Artificial Neural Network,ANN）、随机森林（Random Forests,RF）、贝叶斯网络（Bayesian Networks,BN）和逻辑回归（Logistic Regression,LR）6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT CHAID则对样本量较多的疾病预测性能较好,可达74.4%;LR对病牛正确识别率不足40.0%,大多识别为健康牛。产奶量为RF、ANN、LR最重要的预测变量,泌乳天数为DT C5.0、CHAID和BN最重要的预测变量;纳入胎次和泌乳天数后,模型预测的敏感性平均提高9.8%。【结论】ML算法在对奶牛疾病的预测方面表现出很大潜力,其中,DT C5.0更适合用于预测奶牛疾病。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型的预测精度。     

基于Internet的林业资源环境信息服务系统(FINFOSYS)研究

运用面向对象的思想和方法,设计并实现了基于Internet的林业资源环境信息服务系统——FINFOSYS,为林业资源和环境信息提供信息管理、信息共享、电子商务和分析决策等综合服务：在参照现有国家、行业相关标准的基础上,建立林业资源和环境信息共享标准和共享规范,在此基础上建立林业资源环境分布式网络数据库及共享网络系统;设计林业资源环境数据仓库,开展多维数据的在线分析、数据挖掘并建立网络运行的统计和分析模型,实现林业资源环境在线决策支持的网络系统;根据林业资源环境有偿信息的特点,设计电子商务系统,实现林业信息产品的网上交易和交流。     

促进高校发展的科技政策及科研管理办法

高等院校是国家科学研究的一个重要方面军。怎样才能发挥高校的人才、学科、实验测试设备、图书资料等优势,是当今"科技创新"、"科教兴国"中需要研究的热点问题。从我国目前有关高校的科技政策入手,就其政策执行过程中所出现的问题提出了我们的看法,高校在用好、用活、用足这些优惠政策的同时,制定出高校内部的有关管理办法,使高校的科研为国家经济建设作出应有的贡献。     

RGB-D SLAM增强现实原木检尺系统构建与测试

将内嵌有ToF相机、面阵相机及IMU的智能手机作为硬件系统,RGB-D SLAM技术实时获取的深度图、位姿等为数据源,构建了RGB-D SLAM增强现实楞堆原木检尺系统。首先设计了基于ToF影像实时估计RGB影像像素深度的方法,实现对待测原木端面几何坐标的初步估计;其次,设计了散形分区去噪算法实现原木端面点云的精确过滤,设计了原木端面曲率估计算法实现对过滤点云可靠性判别;然后,基于PCA等算法实现原木长、短直径方向向量估计,并基于该向量对原木长、短直径进行了估计;最后,以所构建算法为基础在智能手机平台上搭建了增强现实楞堆检尺系统,实现智能手机对原木进行实时检尺、增强现实场景对测量结果实时监督。新型检尺系统通过对6个楞堆334根原木进行了检尺实验,以评估该设备的测量精度。结果显示：原木平均直径估计值的偏差及均方根误差分别为-0.13 cm(-0.35%)及1.05 cm(3.34%);原木径阶化直径估计值的偏差及均方根误差分别为-0.10 cm(-0.22%)及1.33 cm(4.43%);原木材积估计值的偏差及均方根误差分别为-0.007 m³(-0.27%)及0...     

基于改进DeepLabv3+的水稻田间杂草识别方法

针对实际稻田环境中水稻与杂草相互遮挡、难以准确区分的问题,提出一种基于改进DeepLabv3+的水稻杂草识别方法。以无人机航拍的复杂背景下稻田杂草图像为研究对象,在DeepLabv3+模型的基础上,选择轻量级网络MobileNetv2作为主干特征提取网络,以减少模型参数量和降低计算复杂度;融合通道和空间双域注意力机制模块,加强模型对重要特征的关注;提出一种基于密集采样的多分支感受野级联融合结构对空洞空间金字塔池化模块(ASPP)进行改进,扩大对全局和局部元素特征的采样范围;对模型解码器部分进行改进。设置消融试验验证改进方法的有效性,并与改进前DeepLabv3+、UNet、PSPNet、HrNet模型进行对比试验。试验结果表明,改进后模型对水稻田间杂草的识别效果最佳,其平均交并比(MIoU)、平均像素准确率(mPA)、F1值分别为90.72%、95.67%、94.29%,较改进前模型分别提高3.22、1.25、2.65个百分点;改进后模型内存占用量为11.15 MB,约为原模型的1/19,网络推算速度为103.91 f/s。结果表明改进后模型能够实现复杂背景下水稻与杂草分割,研究结果可...     

基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。     

基于DiMP的类特定养殖奶山羊跟踪方法

为准确实时跟踪羊只目标,进行疾病异常预警,实现奶山羊精细化养殖,本文基于DiMP跟踪模型,利用奶山羊跟踪对象单一且图像样本丰富的特点,结合迁移学习和类特定融合方法,设计了一种类特定的奶山羊目标跟踪模型,能够有效克服DiMP算法在跟踪类特定目标时定位精度不足的缺点。利用构建的奶山羊视频跟踪数据训练集对跟踪算法进行迁移训练,加快模型收敛速度,使评估网络预测出的边界框更贴合奶山羊真实框的位置和尺寸。在线跟踪阶段,针对目标模板仅采用第1帧特征制作整个序列的调制向量,导致该调制向量相对整个跟踪阶段特征不具代表性,与后续帧差异大的缺点,使用训练集制作包含奶山羊各种姿态的类调制向量,以指数消融方式更新奶山羊类调制向量与第1帧调制向量间的比重,增强边界框回归任务中的奶山羊特征与背景的判别性。提出的算法在测试集上的AUC(Area under curve)和精准度(Precision)分别为76.20%和60.19%,比DiMP方法分别提升6.17、14.18个百分点,跟踪速度为30 f/s,满足实时跟踪的要求。实验结果表明,提出的类特定奶山羊目标跟踪方法可用于监测复杂场景下奶山羊的运动,为奶山羊精细化...     

基于YOLO v5m的红花花冠目标检测与空间定位方法

针对红花采摘机器人田间作业时花冠检测及定位精度不高的问题,提出了一种基于深度学习的目标检测定位算法(Mobile safflower detection and position network, MSDP-Net)。针对目标检测,本文提出了一种改进的YOLO v5m网络模型C-YOLO v5m,在YOLO v5m主干网络和颈部网络插入卷积块注意力模块,使模型准确率、召回率、平均精度均值相较于改进前分别提高4.98、4.3、5.5个百分点。针对空间定位,本文提出了一种相机移动式空间定位方法,将双目相机安装在平移台上,使其能在水平方向上进行移动,从而使定位精度一直处于最佳范围,同时避免了因花冠被遮挡而造成的漏检。经田间试验验证,移动相机式定位成功率为93.79%,较固定相机式定位成功率提升9.32个百分点,且在X、Y、Z方向上移动相机式定位方法的平均偏差小于3 mm。将MSDP-Net算法与目前主流目标检测算法的性能进行对比,结果表明,MSDP-Net的综合检测性能均优于其他5种算法,其更适用于红花花冠的检测。将MSDP-Net算法和相机移动式定位方法应用于自主研发的红花采摘机器人上进行...     

基于视触觉与深度学习的猕猴桃无损硬度检测方法

硬度是确定猕猴桃成熟度的重要指标之一,对其贮藏周期与销售节点均具有重要指导意义。针对现阶段缺乏使用简易、成本低且精度高的猕猴桃无损硬度检测方法的问题,提出了一种基于视触觉与深度学习的猕猴桃硬度检测方法,通过分析柔性触觉传感层与猕猴桃接触时的形变,获取猕猴桃的动态触觉信息,并据此推断其硬度。以树莓派开发板为机电控制平台,制作了猕猴桃视触觉序列图像采集装置,并对装置按压猕猴桃间隔3h后接触面果肉与非接触面果肉的CIELAB颜色分量平均数进行差异显著性检验,随后采集了猕猴桃视触觉序列图像数据集600组,分别搭建了CNN网络、CNN-LSTM迁移学习网络、CNN-LSTM联合学习网络对视触觉序列图像进行分析及硬度预测。研究结果表明,接触面果肉与非接触面果肉颜色L*、a*、b*三通道分量下平均值无显著差异;深度学习模型LSTM引入长时和短时信息可以动态关联CNN提取的单帧图像特征,从而有效推断猕猴桃硬度,其中CNN-LSTM联合学习模型预测效果最优,其均方根误差(RMSE)、平均绝对误差(MAE)、决定系数R2分别为 1.611N、1.360N、0.856,优于现阶段光谱技术检测猕猴桃硬度的结果,随后将模型嵌入树莓派中制作了猕猴桃硬度自动检测装置,可实现短时间内猕猴桃硬度的较为准确检测。因此,结合视触觉传感方法与联合学习模型可以实现对单个猕猴桃硬度的准确无损测量。     

融合多光谱成像与深度学习的作物植株叶绿素检测系统研究

为了满足田间作物长势快速检测与指导变量管理的需求,以玉米为例设计了基于多光谱成像的田间作物植株叶绿素检测系统,包括可见光(RGB)和近红外(Near-infrared, NIR)图像采集模块、主控处理器模块、模型加速模块、显示及电源模块,用于实现玉米植株智能识别与叶绿素指标一体化检测。首先,采集玉米苗期和拔节期冠层图像数据集,比较了植株冠层实例分割与株心目标检测两种深度学习模型,构建了基于MobileDet+SSDLite(Single shot multibox detector lite)轻量化网络的玉米植株定位检测模型,实现玉米植株识别。其次,提取被识别的植株株心RGB-NIR图像,开展RGB和NIR图像匹配与分割,提取R、G、B和NIR灰度值计算植被指数,使用SPXY算法(Sample set portioning based on joint X-Y distances)和连续投影算法(Successive projections algorithm, SPA)分别对数据集进行样本划分及特征变量筛选,选择高斯过程回归(Gaussian process regression, ...