基于注意力机制及多尺度特征融合的番茄叶片缺素图像分类方法

针对番茄早期缺素性状不明显及各生长期特征差异较大所导致的特征区域尺寸不一致、难提取、难辩别等问题,提出了一种基于注意力机制及多尺度特征融合卷积神经网络的番茄叶片缺素图像分类方法（Multi-Scale Feature Fusion Convolutional Neural Networks Based On Atte ntion Mechanism,MSFF-AM-CNNs）。首先根据番茄叶片缺素特点提出了多尺度特征融合结构（Multi-Scale Feature Fusion Module,MSFF Module）;其次在DenseNet基础上,结合浅层网络主要提取纹理、细节特征,深层网络主要提取轮廓、形状特征的特点分别提出具有针对性的特征提取方法,通过不同形式引入注意力机制及多尺度特征融合结构,使全局多尺度信息融合多个特征通道、选择性地强调信息特征并达到对特征精准定位的功能;同时引入Focal Loss函数以减少易分类样本的权重。试验结果表明,MSFF-AM-CNNs的平均召回率、平均F1得分、平均准确率较原模型DenseNet-121均大幅提升,其中缺氮和缺钾叶片的准确率分别提高了8.06和6.14个百分点,召回率分别提高了6.31和5.00个百分点,F1得分分别提高了7.25和5.55个百分点,平均识别准确率可达95.92%,具有较高的识别准确率及广泛的适用性,能够满足番茄叶片缺素图像的高精度分类需求,可为植物叶片缺素识别提供参考。     

混流式水轮机叶道空化涡诱发高振幅压力脉动特性

混流式水轮机部分负荷叶道空化涡不稳定特性已成为制约水电与其他可再生能源多能互补发展、扩大水轮机稳定运行范围急需研究的技术难题。该研究以HL702低水头混流式模型水轮机为研究对象,通过非稳态数值模拟技术及涡流可视化试验,对部分负荷工况下的叶道空化涡不稳定涡流演化及压力脉动特性展开研究。结果表明,叶道空化涡在水轮机转轮内为一个体积周期性变化的动态过程,其涡结构脉动主频为转轮转频的1.1倍。叶道空化涡诱发时,水轮机转轮叶片压力面和吸力面均捕捉到与涡结构频率相同的压力脉动信号。叶道空化涡体积的变化主要发生在转轮叶片背面出水边与下环交界附近,引起压力脉动幅值的局部放大。进一步分析发现,叶道空化涡发生工况下水轮机内部的瞬时压力脉动信号与空泡体积加速度成正比,表明涡流演化是引起压力脉动幅值上升的重要原因。研究进一步阐明了部分负荷工况叶道空化涡的演化特征,揭示了涡流诱发不稳定高振幅压力脉动的内在机制。     

融合2D-3D卷积特征识别哺乳母猪姿态转换

母猪姿态转换影响仔猪存活率,且动作幅度与持续时间存在差异,准确识别难度大。该研究提出一种融合2D-3D卷积特征的卷积网络(2D+3D-CNet,2D+3D Convolutional Network)识别深度图像母猪姿态转换。以视频段为输入,引入注意力机制SE模块和3D空洞卷积,以提升3D卷积网络姿态转换的时空特征提取能力,用2D卷积提取母猪的空间特征;经特征融合后,动作识别分支输出母猪转换概率,姿态分类分支输出4类姿态概率,结合这两个输出结果识别8类姿态转换,减少了人工标注数据集的工作量;最后设计动作分数,优化母猪姿态转换的时间定位。在测试集上,2D+3D-CNet姿态转换识别精度为97.95%、召回率为91.67%、测试速度为14.39帧/s,精度、召回率和时间定位精度均高于YOWO、FRCNN-HMM和MOC-D方法。该研究结果实现了母猪姿态转换高精度识别。     

基于特征选择和GA-BP神经网络的多源遥感农田土壤水分反演

土壤水分是影响水文、生态和气候等环境过程的重要参数,而微波遥感是农田地表土壤水分测量的重要手段之一。针对微波遥感反演农田地表土壤水分受植被覆盖影响较大的问题,该研究提出了一种基于特征选择和GA-BP神经网络(Genetic Algorithm-Back Propagation neural network)的多源遥感农田地表土壤水分反演方法。首先对Sentinel-1微波遥感数据和Sentinel-2光学遥感数据进行预处理并提取21个特征参数;然后采用差分进化特征选择(Differential Evolution Feature Selection,DEFS)算法从21个特征中选出包含10个参数的最优特征子集,并利用主成分分析(Principal Component Analysis,PCA)法将特征子集进行降维;之后建立BP神经网络,采用遗传算法(GeneticAlgorithm,GA)对BP网络的节点权值进行优化,使用降维后的特征矩阵和部分实测土壤含水量数据对BP网络进行训练;最后利用训练好的GA-BP网络对研究区土壤水分进行反演,并利用实测数据对反演结果精度进行对比验证。试验结果表明,该研究反演结果的决定系数为0.789 3,均方根误差为0.028 7 cm~3/cm~3,相比单纯使用GA-BP神经网络,加入DEFS和PCA之后决定系数提高了0.215 7,同时均方根误差降低了0.029 5 cm~3/cm~3。该结果展示了DEFS和PCA算法在土壤水分反演最优特征集选择的有效性,为多源遥感农田地表土壤水分反演提供了新思路。     

结合Sentinel-2影像和特征优选模型提取大豆种植区

准确获取大豆的空间分布对于产量估计、灾害预警和农业政策调整具有重要意义,目前针对种植结构复杂地区所开展的大豆遥感识别研究鲜有报道。该研究以安徽省北部平原的典型大豆产区——龙山、青疃镇为研究区,基于Sentinel-2数据提出一种分层逐级提取策略的大豆识别方法。该方法首先构建决策树筛选规则,剔除研究区内非农田地物,获得田间植被的总体分布;然后生成19个候选特征因子,包括分辨率小于等于20 m的10个波段反射率以及9个植被指数。在典型地物类型样本的支持下,将ReliefF特征权重评估算法与随机森林(RandomForest,RF),BP神经网络(Back-Propagation Neural Network,BPNN)和支持向量机(Support Vector Machine, SVM)相结合,分别构建ReliefF-RF、ReliefF-BPNN、ReliefF-SVM三种组合模型筛选出对于大豆识别最有效的特征,并基于布设在研究区内6个样方(大小为1 km×1 km)的无人机影像提取得到的大豆分布来评估3种模型在大豆制图中的表现。结果表明,ReliefF-RF模型表现最佳,基于该模型筛选出7个优选特征因子,大豆制图的总体精度介于85.92%～91.91%,Kappa系数在0.72～0.81之间,各个样方的提取效果均优于其他两种模型。此外,基于优选特征达到的提取精度明显高于原始波段反射率,虽然略低于全部19个特征的结果,但是数据量降低了63.16%。该研究可以为农田景观破碎、种植结构复杂地区的大豆种植区提取相关研究提供有价值的参考和借鉴。     

基于语义分割的非结构化田间道路场景识别

环境信息感知是智能农业装备系统自主导航作业的关键技术之一。农业田间道路复杂多变,快速准确地识别可通行区域,辨析障碍物类别,可为农业装备系统高效安全地进行路径规划和决策控制提供依据。该研究以非结构化农业田间道路场景为研究对象,根据环境对象动、静态属性进行类别划分,提出一种基于通道注意力结合多尺度特征融合的轻量化语义分割模型。首先采用Mobilenet V2轻量卷积神经网络提取图像特征,将混合扩张卷积融入特征提取网络最后2个阶段,在保证特征图分辨率的基础上增加感受野并保持信息的连续性与完整性;然后引入通道注意力模块对特征提取网络各阶段特征通道依据重要程度重新标定;最后通过空间金字塔池化模块将多尺度池化特征进行融合,获取更加有效的全局场景上下文信息,增强对复杂道路场景识别的准确性。语义分割试验表明,不同道路环境下本文模型可以对场景对象进行有效识别解析,像素准确率和平均像素准确率分别为94.85%、90.38%,具有准确率高、鲁棒性强的特点。基于相同测试集将本文模型与FCN-8S、SegNet、DeeplabV3+、BiseNet模型进行对比试验,本文模型的平均区域重合度为85.51%,检测速度达到8.19帧/s,参数数量为,相比于其他模型具有准确性高、推理速度快、参数量小等优点,能够较好地实现精度与速度的均衡。研究成果可为智能农业装备在非结构化道路环境下安全可靠运行提供技术参考。     

基于中值点Hough变换玉米行检测的导航线提取方法

为解决机器视觉对早期玉米苗带在多环境变量下导航线提取耗时长、准确率低的问题,该研究提出了一种基于中值点Hough变换作物行检测的导航线提取算法。首先,改进了传统的2G-R-B算法,再结合中值滤波、最大类间方差法和形态学操作实现土壤背景与玉米苗带的分割。其次,通过均值法提取玉米苗带特征点,然后采用中值点Hough变换拟合垄间两侧玉米苗列线,最后将检测出的双侧玉米苗列线为导航基准线,利用夹角正切公式提取导航线。试验结果表明：改进的灰度化算法能够正确分割玉米苗带与土壤,处理一幅640×480像素彩色图像平均耗时小于160 ms,基于中值点Hough变换检测玉米苗列再提取导航线的最大误差为0.53°,相比于传统Hough变换时间上平均快62.9 ms,比最小二乘法平均精确度提高了7.12°,在农田早期玉米苗带多环境变量影响因素下导航线提取准确率均达92%以上,具有较强的可靠性和准确性。     

滇东岩溶山地不同类型云南松林地土壤团聚体稳定性差异

[目的]研究滇东岩溶山地不同类型云南松林地土壤团聚体稳定性差异,为岩溶脆弱生境土壤培肥、质量提升、水土固持提供依据。[方法]通过野外调查和室内分析,研究了滇东岩溶山地云南松纯林、云南松人工混交林、云南松天然混交林、灌丛和原生林5种植被类型水稳性团聚体及团聚体有机碳分布特征,揭示不同类型云南松林团聚体稳定性差异。[结果]①云南松纯林、人工混交林和天然混交林的0.25 mm粒径质量分数(5.77%～9.39%)显著低于灌丛(20.92%)和原生林(27.47%)(p0.05),且人工混交林和天然混交林5 mm,2～5 mm粒径质量分数高于纯林。②湿筛处理的0.25 mm水稳性团聚体比例(R_(0.25))排序为:人工混交林天然混交林纯林灌丛原生林;平均重量直径(MWD)排序为:人工混交林天然混交林原生林灌丛纯林;几何平均直径(GMD)排序为:人工混交林天然混交林原生林纯林灌丛;分形维数(D)排序为:原生林灌丛纯林天然混交林人工混交林。③纯林、人工混交林、天然混交林的大粒级团聚体(0.25 mm)对土壤有机碳的贡献率高于小粒级团聚体(0.25 mm),且5,2～5,0. 25 mm粒径水稳性土壤团聚体有机碳含量均显著小于灌丛、原生林(p0.05)。[结论]云南松人工混交林的土壤团聚体稳定性最高,其养分积累和固碳能力低于灌丛和原生林,高于纯林,作为该区域水土保持的主要植被类型时需要避免人为干扰以提高土壤养分。     

关中平原农田土壤水力参数空间分异与模拟

土壤水力参数是土壤水分和污染物迁移等陆面过程数值模拟的重要基础参数。为探明关中平原农田土壤水力参数空间分异特征,建立空间分布预测模型,在关中平原网格布设124个样点,采集根层0-20 cm原状和扰动土壤样品,利用van Genuchten模型拟合获取土壤水分特征曲线,获得残余含水量(θr)、饱和含水量(θs)以及系数α和n等土壤水力参数。采用经典统计学、地统计学和结构方程方法分析了θr、θs、α和n的空间变异特征及影响因子,建立了水力参数传递函数预测模型。结果表明:θr和α为强变异,θs为中等变异,n为弱变异。θr、θs、α和n半方差函数最佳拟合模型分别为球状模型、指数模型、指数模型和球状模型。θs和n具有强烈的空间依赖性,变程分别为32.7,54.3 km;θr和α具有中等程度空间依赖性,变程均为52.8 km。土壤质地、容重、pH、有机质和海拔是影响土壤水力参数空间分布的主要因子。基于土壤理化性质和海拔建立的水力参数传递函数模型具有较好的模拟效果,可用于关中地区大尺度农田生态系统土壤水力参数的模拟预测。     

基于输出系数模型的北京地区农业面源污染负荷估算

农业生产活动产生的面源污染物是环境污染负荷的主要来源之一。利用输出系数模型对北京市农业面源污染负荷进行了估算。结果表明,2006年北京市农业面源污染物总氮和总磷负荷量分别是19 565.7×106和2 413.1×106 g/a。土地利用方式显著影响氮和磷负荷,不同污染源类型对污染负荷贡献的差异较大。不同污染源类型对总氮污染负荷贡献率的大小顺序为农村生活污水及废弃物＞耕地＞林地＞畜禽养殖＞园地＞牧草地,对总磷负荷贡献率的大小顺序为农村生活污水及废弃物＞畜禽养殖＞耕地＞林地＞园地＞牧草地。各区县总氮和总磷负荷量和负荷强度的差异较大,其中大兴、顺义、房山、密云和通州的总氮和总磷负荷量较大,而朝阳、丰台、通州、顺义和大兴的总氮和总磷负荷强度较大。农业面源污染物氮和磷分布状况和负荷强度的研究,为北京地区区域规划和农业结构调整提供了科学依据。