农业害虫自动识别与监测技术

随着计算机和互联网技术的发展,信息技术已被广泛地应用于植物保护领域,推动农业害虫的监测走向信息化、智能化和精准化。我们综述了农业害虫自动识别与监测技术的最新研究进展,分析了各种技术的特点与优势。这些技术均需要特定的设备获取农业害虫及其生境的信息,提取昆虫信息特征,并利用这些特征进行昆虫种类的识别与计数,达到害虫监测的目的。图像识别技术适合于自动识别与监测栖息于作物表面的害虫,昆虫雷达(厘达或激光雷达)技术特别适合于自动识别与监测高空中飞行的害虫,而声音识别技术在自动识别与监测隐蔽害虫方面具有优势。最近发展起来的基于深度学习的害虫识别方法避免了传统的手工设计特征方法,提高了害虫识别的鲁棒性,展示了一旦建立完整的昆虫信息库就可以实现害虫自动识别与监测的可能;这给昆虫学家提出了一个艰巨的任务,即鉴定和正确标识机器学习所需的大量的昆虫信息。     

水产养殖水下机器人研究进展

水产养殖是世界范围内食品领域发展最快的行业之一,为人类提供了超过一半的水产品.但是,水产养殖目前面临机械化、自动化程度较低以及产量及效率不高等问题,因此迫切需要转型升级.水下机器人是一种机动灵活的水下作业装备,与传统的水下作业手段相比,在作业方式、范围、适应能力等方面具有明显的优势,应用于水产养殖监测及作业后,有望改变...     

基于分组注意力模块的实时农作物病害叶片语义分割模型

针对传统农作物病害识别方法准确率低、鲁棒性差等问题,该研究首先提出一种基于分组激活策略的分组注意力模块,利用高阶特征指导加强低阶特征,通过分组计算组内加强系数,减少不同组之间的抑制作用,加强特征表达能力.对比试验表明,分组注意力模块特征强化效果优于传统注意力模块.基于分组注意力模块,该研究提出一种实时高效农作物病害叶片...     

西北煤炭开发对水环境影响的评价模型与方法

西北地区煤炭资源丰富,将成为我国未来能源供应的主要基地。由于自然条件原因,水资源极其贫乏,生态环境十分脆弱。而煤炭开发必将影响地表生态和环境,也将扰动地下水资源。研究煤炭开发对水环境的影响,评估其影响程度,为西北煤炭开发引发的生态环境恶化提供预警依据。本文提出了煤炭开发对水环境影响的模糊评价模型和方法。应用所建立的模型对神府-东胜矿区煤炭开发引发的水环境影响进行了评价。应用实例表明,理论模型严谨,方法简单,评价结果合理可行。此方法可广泛应用于矿业开发对生态环境的影响评价。     

基于卷积神经网络的水电机组轴心轨迹类型识别

针对常规水力机组故障类型识别需要人工参与、识别效率低下的问题,借助轴心轨迹图片蕴含的丰富信息,在引入细粒度模型对故障严重程度进行区分的基础上,提出了一种基于卷积神经网络的水力机组轴心轨迹类型的智能识别方法.该方法先建立了4种故障严重程度的评判标准和对应的2种水电机组轴心轨迹细粒度数据库;利用改进过卷积层与池化层参数的卷...     

基于图像处理的田间杂草识别研究进展与展望

杂草是导致农作物减产的一个重要因素,准确的识别是杂草治理的前提和基础,随着计算机和信息技术的进步,机器视觉和图像处理相结合成为了当前杂草检测和识别的主流方法。本文从图像的预处理、分割、特征提取和分类4个角度,详细介绍了当前国内外田间杂草识别的研究进展以及各种分割、提取、识别方法的优缺点。另外,针对目前田间杂草检测中存在的光照环境影响、叶片的遮挡和重叠以及分类器的优化等问题进行了分析和讨论,最后根据目前杂草识别的研究趋势提出了建议与展望。     

基于高光谱成像技术识别苹果轻微损伤的有效波段研究

为了筛选出适用于开发苹果轻微损伤自动分级仪器的有效波段,以200个烟台富士苹果为对象进行研究。首先获取400～1 000 nm波长范围内完好和轻微损伤后0、0.5、1 h的苹果高光谱图像,然后提取完好与损伤样本感兴趣区域的平均光谱反射率数据,再利用载荷系数法（x LW）、连续投影法（SPA）和二阶导数（second derivative）法提取特征波长,分别提取3、9和20个特征波长,并根据特征波长建立基于遗传算法优化的BP神经网络（GA BP）和支持向量机（SVM）损伤识别模型。结果显示,三种基于特征波长提取方法建立的SVM模型对测试集的识别率（分别为77.50%、91.88%、96.88%）均高于BP GA模型（分别为75.63%、90.63%、93.75%）,因此,SVM被确定为最佳苹果轻微损伤识别模型。最后,利用每一特征波长分别作为变量建立SVM模型。结果发现,波段811 nm识别率达到90.63%,优于其他波段,被确定为苹果轻微损伤识别的最优波段。     

基于无人机可见光图像的作物分类研究

【目的】采用无人机遥感技术对作物进行分类识别,为及时获取农田信息、制定农田管理策略及产量估测提供技术支持。【方法】采用无人机遥感平台,获取试验区域玉米、桃树、菜花、大豆的可见光正射影像;利用HSV色彩空间转换和纹理滤波,获取不同地物的24项纹理特征与3项色彩特征。分别通过ReliefF算法及基于支持向量机的递归特征消除算法(support vector machine-recursive feature elimination,SVM-RFE)进行特征选择与分类,建立6种监督分类模型,利用得到的特征子集对其进行训练,对各模型分类效果进行精度评价。【结果】由SVM-RFE特征子集训练的6种监督分类模型测试集的分类精度均高于80%,分类精度平均提高5.023%,优于ReliefF特征子集训练的监督分类模型,其中SVM-RFE特征子集与支持向量机模型组合对作物的监督分类效果最佳,总体精度达83.417%,Kappa系数为78.60。【结论】基于无人机遥感技术的作物分类识别是可行的。     

基于机器视觉的蔬菜种子包衣品质鉴定

蔬菜种子包衣工作参数的智能调节,能提高包衣加工效率和成品质量。为了研究包衣工作参数的智能调节,提出了基于机器视觉的蔬菜种子包衣品质鉴定方法。针对蔬菜种子包衣过程中种子包衣完整性、包衣颜色深浅、包衣颜色均匀性3个重要指标,提出依据单粒种子的种子包裹率、种子颜色及纹理特征将包衣种子分为合格与非合格两类。对于种子图像中粘连的问题,采用分水岭算法将图像分割为单粒种子。通过对单粒种子的多阈值分割,实现种子包衣完整率的计算。基于HSI颜色空间提取H、S分量的颜色矩特征与I分量的灰度共生矩阵特征,融合种子包衣完整率、颜色矩特征和灰度共生矩阵特征这3种特征为一个11维特征向量,构建基于径向基核函数的支持向量机分类器对包衣结果进行品质鉴定。实验选用包衣后辣椒种子验证算法,结果表明:包衣结果识别准确率为90.93%。该研究可为后续研究包衣机工作参数的智能调节奠定理论基础。     

Log Gaussian Cox场手部指节的图像偏移特征学习与识别

针对手部指节图像结构特征模糊与建模困难的问题,以Log Gaussian Cox随机场为图像建模基础,给出了随机图像上偏移特征的抽取与学习方法,实现了手部图像中指节的识别。在缺乏Cox过程图像模型先验假设的条件下,结合随机图像的水平集分解,得到了图像偏移表示的逼近结果。在图像灰度分布非参数密度核估计基础上,利用非线性各向异性滤波对偏移特征进行增强,建立了偏移测度特征的Bayesian估计。提出了不同偏移参数下偏移特征的模型学习与融合算法,获得了指节图像特征的融合表示,并在手部指节图像数据库中比较了不同分层偏移模型下的识别结果,给出了批量识别ROC曲线统计规律。结果表明,识别方法具有较为稳定的正确分类能力,具有可行性。