基于MRE-PointNet+AE的绿萝叶片外形参数估测算法

为了准确、高效、自动获取植物叶片外形参数,提出一种基于多分辨率编码点云深度学习网络(MRE-PointNet)和自编码器模型的绿萝叶片外形参数估测算法.使用Kinect V2相机以垂直姿态获取绿萝叶片点云数据,采用直通滤波、分割、点云精简算法对数据进行预处理,通过测定的叶片外形参数反演绿萝叶片几何模型,并计算几何模型的...     

基于实例分割的白羽肉鸡体质量估测方法

针对白羽肉鸡体质量测量自动化水平低、易造成肉鸡应激的问题,提出一种结合深度学习的非接触式白羽肉鸡体质量估测方法.利用Mask R-CNN和YOLACT(You only look at coefficients)两种实例分割算法获取白羽肉鸡位置与覆盖掩膜,并进行效果对比;采用自适应掩膜随机提取白羽肉鸡身体部分边缘点,并...     

基于迁移学习和双线性CNN的细粒度菌菇表型识别

为了对细粒度菌菇进行表型识别,在双线性卷积神经网络细粒度图像识别框架基础上,提出了一种基于迁移学习和双线性Inception-ResNet-v2网络的菌菇识别方法.利用Inception-ResNet-v2网络的特征提取能力,结合双线性汇合操作,提取菌菇图像数据的细粒度特征,采用迁移学习将ImageNet数据集上预训练...     

农户闲置宅基地市场化配置感知风险识别及防控

推进闲置宅基地市场化配置是宅基地“三权分置”改革的主要目标,识别农户宅基地市场化配置的感知风险是稳慎推进宅基地要素市场化配置的基本前提。为科学客观识别农户宅基地市场化配置的感知风险,该研究基于“有监督”的机器学习算法,结合重庆市典型宅改试点的实证,定量识别农户宅基地市场化配置的感知风险,并从“事前预防”“事中防控”“事后防范”3个维度,差异化探讨不同配置方式下的风险防控策略,以期为深化宅基地市场化配置改革提供政策建议。结果表明：1）农户宅基地市场化配置的感知风险等级总体呈“两头低,中间高”的类正态分布。2）就地直接入市中的农民权益风险最高（46.74%）,应联合地方政府、村集体和农户,注重“事前预防”;规划调整入市中的社会稳定风险最高（35.66%）,村集体应注重“事前预防”,而地方政府应注重“事后防范”;复垦指标入市中的耕地保护风险最高（29.13%）,地方政府应注重“事中防控”,而村集体应注重“事后防范”;复绿指标入市中的农民权益风险最高（34.24%）,地方政府应注重“事前预防”。3）4种方式下农户宅基地市场化配置的风险识别结果存在异质性;农户宅基地市场化配置的风险防控既需要“因时而动”,也依赖“多方合力”,需结合不同配置方式的突出致险因子分阶段、分主体协同防控。     

基于数据同化的土壤水力参数反演方法：研究进展与展望

土壤水力参数及其非均质性刻画关乎到诸多土壤与地下水等领域的量化模拟研究问题。受限于时间和采样成本,传统的直接测定方法并不能很好地解决这个问题。随着物联网技术的发展,与土壤水运动有关的一些状态表征量（如含水量和水头）已经能够通过传感器实时获得。如何充分融合这些观测数据信息,反演出土壤水力参数是当前的一个研究热点。数据同化方法能够通过融合观测数据与模型预测值信息,实现对模型参数的反演估计。本文系统分析了土壤水力参数不确定性的来源及测定方法,阐述了常用数据同化方法的基础理论及其在土壤水力参数反演方面的应用,并从计算效率和反演精度两方面着重论述了数据同化方法的最新前沿进展,最后探讨了数据同化方法未来的发展方向。研究表明：数据同化方法能够突破传统测定方法的限制,用于土壤水力参数及其非均质性刻画。尽管如此,由于土壤非饱和流模型的强非线性以及原位观测数据的相对稀缺性等问题的存在,当前数据同化方法的计算效率和反演精度还有待进一步提升。未来可从发展监督式降维方法、多源多尺度数据融合以及耦合物理规律的机器学习等方面深化土壤水力参数反演方法研究,这有利于农业土水管理、污染防治和修复等工作的合理开展。     

基于卷积神经网络的中国北方冬小麦遥感估产

针对传统的农作物估产方法过度依赖人工经验,以及实地采样成本高等问题。该研究使用MODIS数据构建了基于卷积神经网络(convolutional neural network,CNN)的冬小麦估产模型。对2006-2016年中国北方冬小麦核心区的60个地级市进行模型训练,鲁棒性检验以及估产误差空间特征分析。结果表明:1)估产模型在训练集和验证集的均方根误差(root mean squareerror,RMSE)分别为183.82kg/hm2、689.72 kg/hm2,决定系数(R2)分别为0.98、0.71。2)以同样的神经网络结构对2006-2016年估产样本分别作为验证集,训练11个独立模型的RMSE平均值是772.03 kg/hm2,证明算法具有较高的鲁棒性。3)2007、2012和2016年不同省份的估产结果表明,模型对北方冬小麦区的平原区估产精度较高,尤其是河北和山东2省(RMSE为500 kg/hm2)。该文构建的估产模型可以实现冬小麦单产的复杂拟合,可以应用于较大尺度(范围)冬小麦产量预报。     

基于深层神经网络的猪声音分类

猪的声音能够反映生猪的应激状态以及健康状况,同时声音信号也是最容易通过非接触方式采集到的生物特征之一。深层神经网络在图像分类研究中显示了巨大优势。谱图作为一种可视化声音时频特征显示方式,结合深层神经网络分类模型,可以提高声音信号分类的精度。现场采集不同状态的猪只声音,研究适用于深层神经网络结构的最优谱图生成方法,构建了猪只声音谱图的数据集,利用Mobile Net V2网络对3种状态猪只声音进行分类识别。通过分析对比不同谱图参数以及网络宽度因子和分辨率因子,得出适用于猪只声音分类的最优模型。识别精度方面,通过与支持向量机,随机森林,梯度提升决策树、极端随机树4种模型进行对比,验证了算法的有效性,异常声音分类识别精度达到97.3%。该研究表明,猪只的异常发声与其异常行为相关,因此,对猪只的声音进行识别有助于对其进行行为监测,对建设现代化猪场具有重要意思。     

A social learning video method: Identifying and sharing successful transformation knowledge for sustainable soil management in Switzerland

To enhance sustainable land use, a From Farmer to Farmer project was conducted in Switzerland (2001–2010). A multi‐stakeholder discussion group co‐produced nine videos with experienced farmers and wine producers showing sustainable soil management practices. We analysed the video audio‐visual content and drew on reflections of the co‐production process, referring to concepts of system, target and transformation knowledge, as well as on social learning. The analysis showed a broad range of means (or actions) for sustainable soil management in arable land management, fodder production and wine growing that are aligned to transformation knowledge. The research showed that farmers refer to three phases of social learning, light‐bulb moments, coping with challenges and gaining successful expertise. These are not just linear processes of individuals. Four types of social learning were found in the video analysis: (a) learning from observing actions of others, (b) sharing experiences with storytelling, (c) informal social interactions and (d) being a role model with a large social network. Videos enable transformation knowledge to be shared with peers using storytelling; this powerful narrative communication style provides credibility and respects the ‘thought style’ of the target audience group. We conclude that for successful implementation of sustainable actions, it is important to address a specific target group and share their transformation knowledge built upon system and target knowledge. The social learning video method is a viable way to enable social learning between science, administration and practice and has potential for fostering change in sustainable soil management.     

正交全局-局部判别映射应用于植物叶片分类

提出了一种正交全局-局部判别映射的维数约简方法,并应用于植物叶片分类中。对于给定点的邻域点集,首先建立能够描述数据点之间关系的权重矩阵;然后,充分利用数据的类别信息和局部信息来构建类间散度矩阵和局部结构矩阵,使得映射后类内数据点之间的距离减小,而类间数据点之间的距离增大,这一性质有利于数据分类;最后,构造正交优化目标函数,通过Lagrange数乘法求解该目标函数。植物叶片图像分类的试验结果表明,该方法是有效、可行的。     

基于接触状态感知的羊胴体后腿自适应分割控制方法

针对羊胴体后腿骨肉边界未知、尺寸多变和可见性约束限制造成的机器人自主分割精确度低与易受阻卡住的问题,提出一种羊胴体后腿自适应分割控制方法,并开展羊胴体后腿分割试验进行验证。该方法以接触状态感知为核心,有效提取接触类型特征、接触异常度特征和接触方向特征,通过构建深度时空神经网络识别接触类型,构建深度自编码网络估计接触异常度,采用主成分分析方法检测主要接触方向,实现接触状态多模态感知,机器人通过动态运动基元模仿学习人类操作技能,并结合接触状态感知信息实现关节运动的自适应调节。试验结果表明：深度时空网络模型在羊胴体后腿分割验证集上的识别准确率为98.44%;深度自编码网络模型能够较好地估计验证集样本的接触异常度,区分不同的接触状态。机器人基于自适应分割控制方法开展实际分割试验,与对照组相比,最大分割力下降幅度为29 N,最大力矩下降幅度为7 N·m,证明该方法的有效性;平均最大残留肉厚度为3.6 mm,平均分割残留率为4.9%,分割残留率与羊胴体质量呈现负相关,证明该方法具有良好的泛化性和准确性,并且整体分割效果较好,满足羊胴体后腿分割要求。